PORCENTAGEM | COMO CALCULAR PORCENTAGEM | \Prof. Gis/ #01
Preparação. Use para revisar porcentagens antes de interpretar métricas de um modelo.
Abrir no YouTubeVisão geral
Quatro fundamentos. Uma aplicação integradora.
Álgebra linear representa dados. Cálculo mede mudança. Probabilidade e estatística tratam incerteza e evidência. Otimização ajusta parâmetros. Deep learning reúne tudo isso em modelos com muitas camadas.
1Alfabetização
Números, funções, tabelas, gráficos e notação.
2Representação
Vetores, matrizes, probabilidade e amostras.
3Aprendizagem
Derivadas, perda, gradientes e otimização.
4Sistema completo
Avaliação, deep learning, monitoramento e responsabilidade.
Como estudar: leia a explicação, refaça o exemplo no papel, tente a atividade sem consultar o gabarito e só depois assista aos vídeos. Avance quando conseguir explicar o conceito com suas próprias palavras.
Etapa zero
Comece sem medo de matemática
Para uma pessoa totalmente leiga, o primeiro objetivo não é decorar fórmulas. É aprender a ler números, símbolos, tabelas e gráficos como formas diferentes de contar a mesma história.
- Lerfrações, porcentagens, potências, raízes e sinais
- Traduziruma situação em tabela, gráfico, função e frase
- Conferirunidades, ordem de grandeza e resultado plausível
O alfabeto que vem antes da IA
Uma porcentagem é uma fração com denominador 100. Dizer que um classificador acertou 92% significa que, em cada 100 casos de um conjunto específico, ele acertou aproximadamente 92. Isso não diz quais oito casos falharam nem se esses erros eram graves.
Números negativos ajudam a representar direção e comparação. Um peso negativo pode reduzir uma pontuação; uma mudança de -0,3 aponta para o sentido oposto de uma mudança de +0,3. Potências aparecem quando medimos áreas, variâncias e erros quadráticos. Raízes desfazem potências. Logaritmos transformam multiplicações em somas e aparecem em funções de perda, mas você só precisa começar entendendo que são a operação inversa da potência.
Função significa regra de transformação
Uma função recebe uma entrada e devolve uma saída. Na regra y = 2x + 1, o valor de x entra, é multiplicado por dois e recebe mais um. Quando x vale 0, 1, 2 e 3, y vale 1, 3, 5 e 7. A tabela, o gráfico, a frase e a fórmula descrevem a mesma relação.
y = 2x + 1
Em IA, o modelo inteiro também é uma função: dados entram, uma previsão sai. Treinar é ajustar os números internos dessa função.
Notação que você encontrará
- xi
- O item de posição i. Se x é uma lista de mensagens, x3 é a terceira.
- Σ
- Somatório. É uma forma curta de pedir “some todos os termos indicados”.
- ≈
- Aproximadamente igual. Útil quando arredondamos uma medida.
- <, >, ≤, ≥
- Menor, maior, menor ou igual, maior ou igual. São usados em limites e decisões.
Prática guiada
Faça no papel
- Complete a tabela de y = 2x + 1 para x igual a -2, -1, 0, 1 e 2.
- Marque os cinco pontos em um plano cartesiano.
- Explique com palavras o que muda em y quando x aumenta uma unidade.
- Calcule 12% de 250 sem calculadora e confira por uma segunda estratégia.
Teste rápido: Um modelo acerta 95% dos casos. O que podemos concluir sem outras informações?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
O que é uma Função? Entenda tudo em 18 minutos
Núcleo. Consolida a ideia de função como transformação de entrada em saída.
Abrir no YouTubeMatemática | Gráficos e Tabelas para o ENEM | Semana da matemática
Preparação. Treina leitura crítica de tabelas e gráficos, habilidade usada em todo experimento de IA.
Abrir no YouTubeFundamento 1
Álgebra linear
Representar e transformar informação. Vetores organizam características; matrizes combinam essas características; dimensões dizem quais operações fazem sentido.
- Representarum exemplo como vetor de características
- Transformarum vetor por uma matriz de pesos
- Comparardistância, norma e alinhamento sem confundir com significado
Da ficha de características à camada neural
Um escalar é um único número. Um vetor é uma lista ordenada. Uma matriz é uma grade de números. Um tensor generaliza essa organização para mais dimensões. A forma, ou shape, evita operações impossíveis.
Se uma mensagem é descrita por três características, podemos usar x = [2, 1, 3]. Isso pode significar duas palavras em maiúsculas, um link e três termos de urgência. O vetor não é a mensagem; é uma representação escolhida.
- Produto interno
- Multiplica componentes correspondentes e soma. Produz uma pontuação ponderada ou uma medida de alinhamento.
- Matriz × vetor
- Cada linha da matriz cria uma nova combinação das características de entrada.
- Norma e distância
- Medem tamanho e separação. Escalas diferentes podem distorcer comparações.
- Transformação afim
- z = Wx + b. É a operação central de uma camada neural antes da ativação.
- Combinação linear
- Soma de vetores multiplicados por pesos. Mostra quais saídas podemos construir a partir das entradas.
Segunda passagem
Base, independência linear, posto, projeções, autovetores e decomposição em valores singulares são importantes, mas não precisam bloquear seu início. Eles ajudam a entender redução de dimensionalidade, estabilidade e direções dominantes dos dados.
Cuidado: proximidade entre embeddings não garante igualdade de significado. O resultado depende do modelo, dos dados, da normalização e da tarefa.
Prática guiada
Cheque dimensões antes de calcular
- Identifique a dimensão de x = [4, 2, 1].
- Diga a forma de uma matriz com duas saídas e três entradas.
- Calcule o produto interno entre [1, 0, 2] e [3, 4, -1].
- Explique por que uma matriz 2 por 3 não multiplica diretamente um vetor de dimensão 4.
Teste rápido: Uma matriz W de forma 4 por 3 recebe um vetor x de dimensão 3. Qual é a dimensão de Wx?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
O que são VETORES?
Núcleo. Primeira exposição visual a vetores; o portal faz a ponte para listas de características.
Abrir no YouTubeProduto escalar
Núcleo. Mostra o produto escalar que aparece em pontuações, similaridade e atenção.
Abrir no YouTubeMATRIZES | DESTRAVE EM 10 MINUTOS
Preparação. Apresenta notação e dimensões de matrizes, sem ainda cobrir toda a álgebra linear.
Abrir no YouTubeA multiplicação de uma matriz por uma matriz
Núcleo. Explica a lógica da multiplicação de matrizes; pause para conferir cada dimensão.
Abrir no YouTubeEmbeddings e Vector Search para IA Generativa - O que são, como gerar e usar | Samuel Matioli
Intermediário. Mostra embeddings e busca vetorial com código e uma ferramenta específica.
Abrir no YouTubeFundamento 2A
Probabilidade
Raciocinar sob incerteza. Probabilidade ajuda a falar sobre eventos, evidências e previsões sem transformar possibilidade em certeza.
- Distinguirprobabilidade conjunta, marginal e condicional
- Atualizaruma hipótese usando taxa-base e evidência
- Interpretaresperança, variância e distribuição
O universo muda quando há uma condição
Um evento é um conjunto de resultados. Probabilidade condicional significa restringir o universo aos casos que satisfazem a condição. P(spam | alerta) pergunta: entre as mensagens que receberam alerta, quantas eram spam? Isso é diferente de P(alerta | spam): entre as mensagens realmente spam, quantas receberam alerta?
- Conjunta
- Chance de dois eventos ocorrerem juntos.
- Marginal
- Chance de um evento, somando ou ignorando outras categorias.
- Condicional
- Chance dentro de um subconjunto já filtrado.
- Independência
- Saber que um evento ocorreu não muda a probabilidade do outro, dentro do modelo adotado.
- Esperança
- Média de longo prazo de muitas repetições, não necessariamente um resultado possível.
Bayes em uma frase
Comece com um peso inicial para cada hipótese. Observe uma evidência. Reavalie os pesos conforme a compatibilidade da evidência com cada hipótese. A taxa-base importa: um evento raro pode continuar raro mesmo depois de um teste aparentemente bom.
Aleatório não significa uniforme. Um processo pode ser aleatório e ainda favorecer alguns resultados.
Prática guiada
Troque a direção da pergunta
- Escreva em palavras P(alerta | fraude).
- Escreva em palavras P(fraude | alerta).
- Explique por que as duas probabilidades não são iguais.
- Imagine que fraude passe de 1% para 10%. Sem mudar o detector, o que tende a acontecer com a proporção de alertas verdadeiros?
Teste rápido: Qual pergunta mede a chance de uma mensagem ser spam depois que o modelo gerou um alerta?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
PROBABILIDADE | APRENDA EM 13MIN
Preparação. Introdução por contagem de casos, antes de probabilidade condicional e Bayes.
Abrir no YouTubeEntenda o Teorema de Bayes (ótima explicação!)
Núcleo. Excelente ponte para taxa-base e atualização de crenças; os números do exemplo são didáticos.
Abrir no YouTubeFundamento 2B
Cálculo
Descrever mudança e sensibilidade. Derivadas mostram como uma saída reage a pequenas mudanças; gradientes juntam essas sensibilidades para muitos parâmetros.
- Interpretarderivada como taxa de variação local
- Lerderivadas parciais e gradiente
- Conectarregra da cadeia à retropropagação
Da inclinação ao ajuste de milhões de parâmetros
Uma derivada não é só uma regra algébrica. Ela responde: se eu mudar um pouco a entrada, quanto a saída tende a mudar aqui? O velocímetro mostra uma taxa instantânea; o odômetro acumula distância. Essa é a diferença intuitiva entre derivada e integral.
Quando uma função possui várias entradas, calculamos uma derivada parcial para cada uma. O gradiente reúne essas derivadas em um vetor. Ele aponta para a direção local de subida mais rápida. Para reduzir uma perda, normalmente caminhamos no sentido oposto.
- Limite
- Descreve o comportamento de uma função quando a entrada se aproxima de um ponto.
- Derivada
- Taxa de variação instantânea e inclinação local.
- Gradiente
- Vetor de sensibilidades de uma função em relação a várias entradas.
- Regra da cadeia
- Combina efeitos locais quando uma transformação alimenta outra.
- Aproximação local
- Usa inclinação e curvatura próximas para estimar como a função se comporta.
O que a retropropagação faz
Uma rede é uma composição de funções. A retropropagação aplica a regra da cadeia da saída para a entrada e calcula o quanto cada parâmetro influenciou a perda. Ela calcula gradientes. O otimizador usa esses gradientes para decidir a atualização.
Gradiente zero não garante mínimo. Pode ser máximo ou ponto de sela. O gradiente também é informação local, não um mapa completo.
Prática guiada
Construa a intuição antes da regra
- Faça uma tabela de L(w) para w igual a 0, 1, 2, 3, 4, 5 e 6.
- Desenhe aproximadamente a curva.
- Marque onde a inclinação é negativa, zero e positiva.
- Explique por que seguir o gradiente aumentaria L, enquanto seguir o gradiente negativo tende a diminuir L.
Teste rápido: Em uma rede neural, qual componente usa a regra da cadeia para calcular sensibilidades?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
Mas afinal, o que é a Derivada?!
Núcleo. Constrói a derivada como inclinação e taxa instantânea de mudança.
Abrir no YouTubeLIMITE: a Ideia Fundamental do Cálculo [LIMITES]
Opcional. A parte intuitiva é útil; a formalização rigorosa vai além do necessário na primeira passagem.
Abrir no YouTubeFundamento 3
Probabilidade e estatística
Aprender com amostras e medir incerteza. Estatística ajuda a separar sinal, ruído, viés e variação, além de avaliar se um modelo generaliza para casos novos.
- Separarpopulação, amostra, treino, validação e teste
- Medirmédia, dispersão, erro e incerteza
- Avaliarmatriz de confusão, precisão, revocação e calibração
O modelo aprende com uma amostra, não com o mundo inteiro
A população é o conjunto sobre o qual queremos concluir. A amostra é o que realmente observamos. Se a amostra não representa a população, uma conta perfeita ainda pode produzir uma conclusão ruim.
Média resume centro; variância e desvio-padrão resumem dispersão. Duas coleções podem ter a mesma média e comportamentos totalmente diferentes. Correlação mostra associação, não prova causalidade. Uma terceira variável pode influenciar as duas.
- Treino
- Dados usados para ajustar os parâmetros.
- Validação
- Dados usados para escolher configuração, limiar e momento de parar.
- Teste
- Dados preservados para estimar desempenho final em exemplos ainda não usados.
- Precisão
- Entre os alertas positivos, quantos estavam corretos.
- Revocação
- Entre os positivos reais, quantos foram encontrados.
- Calibração
- Quando previsões de 70% se confirmam perto de 70% em muitos casos comparáveis.
Sobreajuste
Um modelo sobreajustado memoriza particularidades do treino e perde desempenho em dados novos. Um modelo subajustado é simples demais ou foi treinado de forma insuficiente. O objetivo é generalizar, não apenas reduzir a perda de treino.
Vazamento de dados: qualquer informação do futuro ou do conjunto de teste que influencia o treinamento produz uma avaliação otimista e enganosa.
Prática guiada
Escolha a métrica pelo custo do erro
- Calcule a acurácia do exemplo de spam.
- Imagine que um falso positivo bloqueia uma mensagem urgente. Você priorizaria precisão ou revocação? Justifique.
- Agora imagine triagem de uma doença grave em uma etapa inicial. O que muda?
- Explique por que o limiar de decisão deve ser escolhido com validação, não com o teste final.
Teste rápido: Entre todos os casos realmente positivos, qual métrica mede a proporção encontrada pelo modelo?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
Introdução ML: Treinamento, Teste e Validação
Núcleo. Mostra por que treino, validação e teste têm funções diferentes.
Abrir no YouTubeO que é Overfitting e Underfitting? (Introdução a Machine Learning - Aula 4)
Núcleo. Explica subajuste, sobreajuste e generalização com exemplos visuais.
Abrir no YouTubePrecision e recall
Núcleo. Use junto ao exemplo de spam para separar precisão de revocação.
Abrir no YouTubeTUDO que você precisa saber sobre Matriz de Confusão!
Núcleo. Organiza verdadeiros e falsos positivos e negativos em uma matriz de confusão.
Abrir no YouTubeFundamento 4
Otimização
Escolher parâmetros para atingir um objetivo. A função de perda transforma desempenho em um número; o algoritmo de otimização procura parâmetros que reduzam esse número sem confundir memorização com aprendizagem.
- Definirparâmetros, objetivo, restrições e regularização
- Executarpassos simples de descida do gradiente
- Diagnosticarpasso grande, passo pequeno e parada
Treinar é procurar, não programar cada resposta
Parâmetros são os números ajustáveis do modelo. A função objetivo mede o que queremos melhorar. Restrições limitam as escolhas. A regularização adiciona uma preferência, como soluções mais simples ou pesos menores.
θ* = arg minθ L(θ)
A descida do gradiente atualiza os parâmetros na direção oposta à subida local. A taxa de aprendizagem α controla o tamanho do passo.
θt+1 = θt - α∇L(θt)
- Mínimo local
- Melhor ponto em uma vizinhança. Não precisa ser o melhor de todo o espaço.
- Convexidade
- Geometria que oferece garantias fortes. Redes profundas costumam ser não convexas.
- Minibatch
- Pequeno grupo de exemplos usado para estimar o gradiente com custo menor e algum ruído.
- Regularização
- Preferência adicional que ajuda a controlar complexidade e sobreajuste.
- Parada antecipada
- Interrompe o treino quando a validação deixa de melhorar.
Menor perda de treino não implica melhor modelo futuro. O modelo pode apenas memorizar os exemplos usados para ajustar os parâmetros.
Prática guiada
Compare taxas de aprendizagem
- Repita o exemplo com taxa 0,1 por quatro passos.
- Repita com taxa 0,5 por dois passos.
- Descreva o que acontece quando a taxa é pequena demais.
- Descreva o que pode acontecer quando a taxa é grande demais.
Teste rápido: Qual componente decide o tamanho da atualização usando o gradiente calculado?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
BackPropagation - O que é? Como aplicar no R em Redes Neurais
Intermediário. Veja depois de derivadas, gradiente e função de perda; a demonstração usa R.
Abrir no YouTubePonte para sistemas reais
Do problema ao modelo monitorado
Um bom algoritmo não conserta um objetivo mal definido, dados ruins ou avaliação vazada. O ciclo de vida de machine learning começa antes do treino e continua depois da publicação.
- Enquadrarclassificação, regressão e agrupamento
- Construirbaseline, divisão de dados e métrica alinhada ao risco
- Monitorarderiva, falhas, custo e impacto depois do lançamento
Primeiro defina a decisão
Classificação escolhe uma categoria. Regressão prevê um número. Agrupamento procura estruturas sem rótulos prontos. Aprendizado supervisionado usa exemplos com respostas; não supervisionado procura padrões; reforço aprende por interação e recompensas.
- Problema: qual decisão será apoiada e qual erro é mais caro?
- Dados: de onde vieram, quem ficou de fora e quais rótulos podem estar errados?
- Baseline: uma regra simples que o modelo precisa superar.
- Treino: ajuste de parâmetros somente com os dados permitidos.
- Validação: escolha de configuração, limiar e parada.
- Teste: estimativa final, usada com parcimônia.
- Publicação: integração com limites, fallback e supervisão.
- Monitoramento: qualidade, latência, custo, deriva e impacto por grupo.
Treinamento não é inferência
No treinamento, o sistema ajusta parâmetros usando exemplos. Na inferência, usa os parâmetros já ajustados para produzir uma saída. Um modelo de linguagem costuma prever o próximo token condicionado ao contexto. Isso não garante verdade, intenção ou compreensão humana.
Baseline honesto: se uma regra simples obtém 90% porque 90% dos casos pertencem à mesma classe, um modelo com 91% pode não justificar o custo e o risco adicionais.
Prática guiada
Desenhe um sistema antes de escolher o algoritmo
- Escolha um problema simples de classificação do seu cotidiano.
- Defina entrada, saída, rótulo e momento exato da previsão.
- Crie um baseline sem machine learning.
- Liste um risco de vazamento e um grupo que pode ser prejudicado por erros.
- Escolha uma métrica e justifique pelo custo do erro.
Teste rápido: Qual conjunto deve ficar preservado para a estimativa final?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
Aprendizado de Máquina: Supervisionado e Não Supervisionado
Núcleo. Distingue aprendizado supervisionado e não supervisionado de forma curta.
Abrir no YouTubeIntrodução ML: Treinamento, Teste e Validação
Núcleo. Mostra por que treino, validação e teste têm funções diferentes.
Abrir no YouTubeO que é Overfitting e Underfitting? (Introdução a Machine Learning - Aula 4)
Núcleo. Explica subajuste, sobreajuste e generalização com exemplos visuais.
Abrir no YouTubeAplicação integradora
Deep learning
Deep learning não é um quinto ramo matemático. É uma família de modelos que integra álgebra linear, cálculo, probabilidade, estatística e otimização em composições de muitas camadas.
- Percorrerpropagação direta, perda, gradientes e atualização
- Explicarpor que a não linearidade é necessária
- DistinguirMLP, CNN e Transformer em nível conceitual
Uma rede é uma função parametrizada
ŷ = fθ(x)
Cada camada recebe uma representação, combina seus componentes com pesos e viés, aplica uma função não linear e entrega outra representação. Sem não linearidade, várias camadas lineares seriam equivalentes a uma única transformação linear.
- Propagação direta: calcula a previsão.
- Perda: compara previsão e alvo.
- Retropropagação: calcula gradientes pela regra da cadeia.
- Otimizador: atualiza os parâmetros.
- Validação: verifica se o modelo melhora fora do treino.
- MLP
- Camadas densas. Bom ponto de partida para entender a mecânica geral.
- CNN
- Explora estrutura local e compartilhamento de pesos, muito usada em imagens.
- Transformer
- Usa atenção para combinar informações de diferentes posições; domina muitos sistemas de linguagem.
- Logits
- Escores antes da conversão em distribuição. Softmax não garante calibração nem verdade.
- Época e lote
- Época percorre o conjunto de treino; lote é o grupo processado por atualização.
Evite antropomorfizar. Neurônios artificiais são operações matemáticas, não cópias fiéis de células biológicas. Prever tokens não equivale automaticamente a pensar, compreender ou dizer a verdade.
Prática guiada
Mapeie cada fundamento
- Calcule a rede para x = (2, 0).
- Troque o limiar de classe de 0 para 2 e observe a decisão.
- Aponte onde aparece álgebra linear.
- Explique onde cálculo, probabilidade e otimização entrariam durante o treino.
- Diga por que empilhar apenas funções lineares não cria o mesmo poder de representação.
Teste rápido: Quem atualiza os pesos depois que os gradientes foram calculados?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
COMO FUNCIONAM AS REDES NEURAIS?
Núcleo conceitual. Assista lembrando que uma rede artificial não replica literalmente um cérebro.
Abrir no YouTubeBackPropagation - O que é? Como aplicar no R em Redes Neurais
Intermediário. Veja depois de derivadas, gradiente e função de perda; a demonstração usa R.
Abrir no YouTubeEmbeddings e Vector Search para IA Generativa - O que são, como gerar e usar | Samuel Matioli
Intermediário. Mostra embeddings e busca vetorial com código e uma ferramenta específica.
Abrir no YouTubeTransformers Explicado: Como o ChatGPT Realmente Pensa e Funciona
Avançado. Aula longa sobre Transformers. O título antropomorfiza: prever tokens não é pensar como uma pessoa.
Abrir no YouTubeCamada obrigatória
IA responsável
Desempenho médio não basta. Um sistema útil precisa considerar viés, privacidade, segurança, transparência, direitos, supervisão humana e impactos diferentes entre grupos.
- Investigarorigem, cobertura e limitações dos dados
- Compararerros e impactos por grupos relevantes
- Governarlimites, revisão humana, documentação e contestação
A matemática mede o que escolhemos medir
Uma função de perda transforma objetivos humanos em números. Essa tradução sempre deixa algo de fora. Se os rótulos refletem decisões históricas injustas, o modelo pode aprender e ampliar o padrão. Se alguns grupos aparecem pouco nos dados, a média geral pode esconder falhas graves.
- Viés de dados
- Amostragem, medição ou rótulo representam grupos e situações de forma desigual.
- Equidade
- Não existe uma única métrica universal. Critérios diferentes podem entrar em conflito.
- Privacidade
- Minimizar coleta, controlar acesso, definir retenção e avaliar risco de reidentificação.
- Segurança
- Tratar abuso, entradas adversariais, vazamento de dados e dependências externas.
- Supervisão
- Definir quando uma pessoa revisa, corrige, contesta e interrompe o sistema.
Perguntas antes de publicar
- Quem recebe o benefício e quem assume o risco?
- Quais pessoas não estão representadas nos dados?
- Qual erro exige revisão humana obrigatória?
- Existe rota de contestação e correção?
- O sistema registra versões, fontes e limitações?
- Como detectar deriva e retirar o modelo do ar?
Transparência honesta: explique finalidade, dados permitidos, métricas, limitações e responsável. Não prometa neutralidade, objetividade ou ausência de erro.
Prática guiada
Faça uma revisão de risco
- Escolha o sistema desenhado no módulo anterior.
- Liste quem pode ser afetado por falso positivo e falso negativo.
- Defina duas métricas por grupo, não só uma média global.
- Escreva uma limitação que deve aparecer para o usuário.
- Defina quando uma pessoa pode revisar, contestar e desfazer a decisão.
Teste rápido: Um modelo tem ótima média geral. Isso basta para declarar o sistema justo?
Aulas em português
Assista depois de ler
Os vídeos complementam a explicação. Cada cartão informa o nível ou a ressalva pedagógica. Se o player estiver indisponível, use o link direto.
Implicações éticas e sociais da inteligência artificial - Dora Kaufman - USP Talks #48
Aprofundamento. Discussão institucional sobre impactos sociais, poder e responsabilidade.
Abrir no YouTubeBase acadêmica
Fontes e limites
As explicações foram organizadas para iniciantes a partir de referências acadêmicas abertas e materiais institucionais. Os vídeos são complementos de terceiros e foram verificados como públicos em 24 de agosto de 2026.
- Mathematics for Machine Learning
Deisenroth, Faisal e Ong. Estrutura aberta de álgebra linear, cálculo, probabilidade e otimização antes das aplicações.
https://mml-book.github.io/ - MIT OpenCourseWare: Linear Algebra
Gilbert Strang. Sistemas, espaços vetoriais, autovalores e matrizes.
https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/ - MIT OpenCourseWare: Single Variable Calculus
Derivadas, integrais, aproximação e otimização elementar.
https://ocw.mit.edu/courses/18-01sc-single-variable-calculus-fall-2010/ - MIT OpenCourseWare: Multivariable Calculus
Derivadas parciais, regra da cadeia, gradiente e otimização.
https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/ - MIT OpenCourseWare: Introduction to Probability and Statistics
Variáveis aleatórias, distribuições, Bayes, inferência e regressão.
https://ocw.mit.edu/courses/18-05-introduction-to-probability-and-statistics-spring-2022/ - Convex Optimization
Boyd e Vandenberghe. Referência aberta para uma segunda passagem em otimização.
https://web.stanford.edu/~boyd/cvxbook/ - Deep Learning
Goodfellow, Bengio e Courville. Livro aberto sobre fundamentos, redes, regularização e otimização.
https://www.deeplearningbook.org/ - Curso intensivo de Machine Learning do Google
Material em português sobre dados, modelos, generalização, métricas e IA responsável.
https://developers.google.com/machine-learning/crash-course?hl=pt-br
Limite editorial: a trilha ensina fundamentos e interpretação. Ela não substitui um curso formal completo, não oferece certificação e não transforma métricas em garantias. Ferramentas, interfaces e exemplos de produto podem mudar; os conceitos matemáticos e as referências canônicas são o eixo durável.