Tema
M4
KNN: distâncias, escala e a maldição da dimensionalidade
Classificar um caso novo pelos exemplos mais parecidos, com uma distância que faça sentido, escolher k sem tocar no teste e reconhecer quando a alta dimensão dilui a noção de proximidade.
Regressão logística: probabilidade, log-loss e limiar de decisão
Transformar um preditor linear em probabilidade, treiná-lo pela log-loss e separar a probabilidade estimada da decisão tomada com ela.
Ridge, Lasso e Elastic Net: regularização para controlar overfitting
Controlar a complexidade de modelos lineares com Ridge, Lasso e Elastic Net, escolhendo a força da penalidade só com validação cruzada, sem tocar no teste.
Regressão linear e mínimos quadrados: o primeiro modelo supervisionado
Ajustar, resolver e auditar a regressão linear: mínimos quadrados como projeção, solução numérica estável, baseline e diagnóstico pelos resíduos.
Pré-processamento, pipelines e data leakage em Machine Learning
Proteger, dentro do código, a fronteira entre treino e avaliação: toda transformação que aprende com dados faz fit apenas no treino, e um Pipeline torna essa ordem explícita e repetível.
Do problema ao experimento de ML: features, target, splits e baseline
Transformar uma necessidade real em um experimento de Machine Learning mensurável, reproduzível e coerente com o cenário de uso.
Machine Learning de verdade: problemas, paradigmas e generalização
Entenda o que um sistema aprende, como os paradigmas de ML se diferenciam e por que generalização importa mais que decorar algoritmos.
Newsletter
Um texto por semana, com fonte.
Sem spam. Só o que foi revisado e tem referência.