Abertura · Cap. 00

Introdução

O que é aprender de dados, e como usar este livro.

◐ essencial🕒 estado da arte 2026-08revisão 2026-08-01📖 ~11 min de leitura🎯 3 exercícios🎬 1 vídeos⬇ md

Objetivos de aprendizagem

  • O1. Explicar o que distingue Machine Learning de programação convencional, em termos de onde mora a regra.
  • O2. Reconhecer quando um problema é candidato a ML — e quando não é.
  • O3. Usar as três superfícies deste livro (texto, exercícios, construção) de forma deliberada, e não por acaso.

O problema: a regra que ninguém consegue escrever

Programar é escrever a regra. Você sabe que um CPF válido tem 11 dígitos e um dígito verificador calculado de certo jeito, então escreve isso, e o computador executa. A regra existe na sua cabeça antes de existir no arquivo.

Agora tente escrever a regra que distingue a foto de um gato da foto de um cachorro. Você reconhece a diferença em vinte milissegundos e não consegue enunciá-la. "Orelha pontuda" falha no gato de orelha caída e no pastor alemão. "Focinho comprido" falha no boxer e no gato siamês. Cada regra que você escreve morre no primeiro contraexemplo, e a lista de exceções cresce mais rápido que a lista de regras.

Machine Learning é o que se faz quando a regra existe mas ninguém consegue escrevê-la. Em vez de codificar a regra, você mostra exemplos e deixa que um procedimento de otimização encontre uma regra que os explique — na esperança de que ela também explique exemplos que você ainda não viu.

Essa esperança tem nome: generalização. É o assunto do capítulo 01, e é o problema central de todo o resto do livro. Quase todo erro caro em ML é, no fundo, uma falha de generalização disfarçada de outra coisa.

O que muda quando a regra é aprendida

Programação convencional Machine Learning
Onde mora a regra no código que você escreveu nos parâmetros, ajustados a partir de dados
Como se corrige edita-se o código muda-se o dado, o objetivo ou o modelo
Como se sabe que está certo testes: entrada conhecida → saída esperada métricas sobre dados que o modelo nunca viu
O que dá errado bug: o programa faz o que você escreveu, não o que você quis o modelo aprende algo que era verdade nos seus dados e não é verdade no mundo
Como envelhece envelhece quando o requisito muda envelhece sozinho, quando o mundo muda (drift)

A última linha é a que pega as equipes desprevenidas. Um sistema convencional que funcionou ontem funciona amanhã. Um modelo que funcionou ontem pode estar errado amanhã sem que uma linha de código tenha mudado — porque quem mudou foi o mundo do qual ele aprendeu. É por isso que o capítulo 16 existe.

Quando não usar Machine Learning

Um livro de ML que não diz isso na primeira página está vendendo, não ensinando. Não use ML quando:

  • A regra é escrevível. Se você consegue enunciar a regra, escreva-a. Ela será mais rápida, mais barata, auditável e não vai degradar sozinha. "Aprender" uma regra que você já sabe é engenharia ao contrário.
  • Errar é inaceitável. Modelos erram por construção — a questão nunca é se, é quanto e em quê. Onde o erro é catastrófico e não há revisão humana no caminho, o custo do erro precisa ser projetado antes do modelo.
  • Você não tem exemplos. Não há ML sem dados rotulados, medidos ou observados do fenômeno certo. Dado emprestado de outro contexto é a origem mais comum de fracasso silencioso (capítulo 02).
  • Ninguém consegue dizer o que é "bom". Se a equipe não consegue definir a métrica antes de treinar, o projeto vai otimizar o que for fácil de medir — e isso raramente é o que importa (capítulo 04).

Os quatro casos acima são, empiricamente, mais comuns do que os projetos que de fato precisam de ML. Reconhecê-los é uma habilidade, não um obstáculo.

Exercício00-e1escolha uma

Uma equipe precisa validar se um número de cartão de crédito é sintaticamente válido antes de enviá-lo ao adquirente. Alguém propõe treinar um classificador com milhões de cartões válidos e inválidos. Qual é a melhor avaliação dessa proposta?

Exercício00-e2escolha todas que valem

Quais afirmações descrevem diferenças estruturais entre um sistema aprendido e um sistema programado? (marque todas que valem)

Como este livro funciona

Este é um livro vivo e um livro interativo. As duas palavras têm significado técnico aqui.

Vivo quer dizer que ele declara sua própria data de validade. Cada capítulo carrega um selo de "estado da arte capturado em AAAA-MM", e cada afirmação sensível ao tempo vive sob esse selo. O Histórico registra as edições e mantém um placar de expiração: as previsões que o livro fez, pontuadas contra a realidade. Um livro técnico que não faz isso finge ser atemporal — e envelhece mentindo.

Interativo quer dizer três superfícies, que se usam juntas:

Superfície O que é Quando usar
O texto os capítulos, no esqueleto v4 (objetivos → problema → fundamentos → estado da arte → prática) para entender
Os exercícios corrigidos no servidor, com feedback que explica o erro e devolve você à seção certa para descobrir que você não entendeu
A construção ml-zero um sistema de ML completo, escrito do zero, uma etapa por capítulo para saber de verdade

Há ainda um tutor (o botão 💬 no canto): um assistente que responde a partir do texto do livro, sabe em que capítulo você está e o que você já resolveu. Ele não entrega gabarito de exercício em aberto — dá a pista, não a resposta.

A ordem que funciona

A tentação é ler tudo e praticar depois. A pesquisa sobre carga cognitiva diz o contrário, e este livro é construído para o contrário:

  1. Leia os objetivos do capítulo. Eles são o contrato.
  2. Leia o corpo até a seção "Mão na massa".
  3. Faça os exercícios antes de achar que entendeu. Errar aqui é barato e informativo; errar em produção não é. O feedback do primeiro erro é deliberadamente uma pista, não a resposta — a segunda tentativa ainda é sua.
  4. Faça a etapa do ml-zero. É onde o conceito vira código que roda.
  5. Volte à seção "Verificação" e responda em voz alta. Se travar, o capítulo não terminou.

Ler sem praticar produz a sensação de competência sem a competência. É o modo de falha mais comum do estudo técnico, e o único que o leitor não consegue detectar sozinho — porque a sensação é idêntica.

Exercício00-e3responda com suas palavras

Descreva um problema do seu trabalho ou da sua área de interesse que você acredita ser candidato a Machine Learning. Diga qual regra ninguém consegue escrever, que exemplos existiriam para aprender com eles, e o que significaria "funcionar" — em termos de uma medida, não de uma impressão.

Assista

VídeoA Gentle Introduction to Machine LearningStatQuest with Josh Starmer6 min

Uma visão geral de seis minutos que fixa o vocabulário — treino, teste, predição — antes de qualquer formalismo. Vale como aquecimento: o texto acima explica por que ML existe; o vídeo mostra como se parece uma tarefa de ML na prática, com um exemplo visual único do começo ao fim.

O vídeo só é pedido ao servidor de origem depois deste clique.

O caminho pela frente

O livro é dividido em três partes, com uma progressão deliberada de andaime — cada parte remove um apoio que a anterior oferecia.

Parte I — O ciclo do aprendizado supervisionado (caps. 02–07). O núcleo. Dados, representação, avaliação, modelos lineares, otimização, ensembles. Ao final desta parte você resolve, do começo ao fim e com honestidade metodológica, a maioria dos problemas reais de ML que aparecem em empresas — que são tabulares, não são deep learning, e falham por causa de dados, não de modelo.

Parte II — Sem rótulo, e profundo (caps. 08–12). Agrupamento e redução de dimensionalidade; depois redes neurais construídas em NumPy, visão, sequências e a chegada dos modelos de fundação. O objetivo aqui não é competir com bibliotecas — é você ter visto o motor antes de dirigir o carro.

Parte III — Machine Learning no mundo real (caps. 13–17). Reforço, interpretabilidade e justiça, design de sistemas, MLOps, e a fronteira. É a parte que separa "treinei um modelo" de "opero um sistema que aprende".

Em paralelo, a trilha ml-zero constrói, etapa por etapa, um sistema completo: dado bruto → linha de base → avaliação honesta → modelo → serviço com API → monitoramento. Uma etapa por capítulo, tudo em CPU, sem chave paga (Princípio VI — custo zero é requisito, não cortesia).

Síntese — o que levar

  • ML é a resposta a regras que existem e ninguém consegue escrever. Onde a regra é escrevível, escreva-a.
  • O problema central não é acertar nos dados que você tem; é generalizar para os que virão.
  • Modelos envelhecem sozinhos. Isso não é defeito de implementação — é a natureza da coisa, e precisa ser projetado.
  • Neste livro: leia os objetivos, leia o corpo, erre nos exercícios, construa a etapa, volte à verificação.

Verificação

  1. Dê um exemplo de problema em que ML é a escolha errada e explique por quê, sem usar a palavra "dados".
  2. Um modelo em produção começa a errar mais, sem que nenhum código tenha mudado. Cite duas explicações possíveis e diga como você distinguiria uma da outra.
  3. Por que este livro insiste que você faça os exercícios antes de sentir que entendeu o capítulo?