Histórico — o livro vivo #

Este livro declara sua própria data de validade. Aqui ficam as edições datadas, o snapshot por capítulo e o registro de expiração — o placar das previsões que o livro fez, pontuadas contra a realidade.

Toda edição registra também a versão do modelo de IA usada. Saídas de modelo de linguagem são não-determinísticas; sem esse registro, o resultado não é reproduzível nem auditável (Princípio IV).

Edições #

Edição 1.0 — 2026-08-10 · A primeira versão completa (spec 006) #

Os 28 capítulos existem, e nenhum finge ser mais do que é.

O livro saiu de 8 capítulos com corpo para 28, todos no nível essencial e todos dizendo isso ao leitor no próprio cabeçalho. Os exercícios foram de 31 para 91. As duas disciplinas que o autor ministra têm material em todos os tópicos da ementa.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-10.

O que mudou de método, e é o que importa. A emenda 1.2.0 criou o Princípio X — nenhum método cai do céu —, e a 1.3.0 acrescentou o selo ✓ᵃ. Mas a decisão que mais mudou o resultado foi mecânica: o gate no build. Um capítulo de método em nível essencial sem a seção histórica e sem tabela de selos não compila, e o alfabeto de selos é lido da própria constituição, falhando em qualquer símbolo desconhecido.

O gate reordenou o plano sozinho. O ADR 0004 mandava escrever os capítulos novos antes de consertar os antigos; declarar o nível dos capítulos com corpo deixou o build vermelho na hora, e nada novo pôde ser publicado antes de a dívida velha ser paga. É a diferença entre dívida registrada e dívida cobrada.

A pesquisa histórica em sessão única pagou o que prometia. Cinco passadas produziram ligações que a pesquisa capítulo a capítulo teria perdido — e uma delas reescreveu a tese central. O livro vinha dizendo "crédito segue comunicação"; o k-means corrigiu para crédito segue o vocabulário. Com seis pretendentes em quatro campos que não conversavam, e o nome cunhado por MacQueen para um algoritmo diferente, não vence quem descobre nem quem publica: vence quem nomeia. O caso do MLOps fechou o argumento pelo extremo oposto — ali o campo não tinha um autor para o nome e fabricou um retroativamente.

Três lendas foram testadas com instrução de não forçá-las a fechar. As três quebraram. "Cerveja e fraldas" é verdadeira até a descoberta e inventada a partir da ação. A origem do nome dynamic programming tem citação autêntica de Bellman e cronologia impossível. E "MLOps foi cunhado por Sculley et al." caiu por verificação negativa no texto primário — a palavra não aparece uma vez sequer.

A auditoria adversarial reprovou o livro, e foi o melhor dinheiro gasto. Em contexto fresco, com instrução de derrubar em vez de revisar, ela achou seis defeitos altos que nenhum gate pegaria: um prenome inventado, duas seções sem lastro na nota de pesquisa, um selo inflado, três capítulos reivindicando "o maior intervalo do livro", um erro de data e uma seção narrando como fato o que a tabela marcava como dúvida. Todos corrigidos; o relatório fica registrado. Pedir "revise" produz elogio; pedir "tente derrubar" produz achado.

A dívida que fica, declarada. A maior é a D10: em vários capítulos, uma fonte selada ✓ᵐ sustenta no corpo uma afirmação sobre o que a obra argumenta por dentro. Havia duas saídas — ler as fontes, ou pôr hedge em cada frase. A escolha registrada é ler, no ciclo de aprofundamento, porque hedge mascara o problema com linguagem. A fila de verificação das notas de pesquisa, ordenada por dúvida fechada por unidade de esforço, é o plano de pagamento.

O que esta edição deliberadamente não fez: nenhum capítulo foi promovido a completo; nenhum experimento próprio novo entrou no ml-zero; e o backend continua sem publicar, o que mantém os exercícios dormentes e os laboratórios funcionando.

Edição 0.6 — 2026-08-10 · Emenda 1.2.0: nenhum método cai do céu #

Uma emenda à constituição, e a mais consequente até aqui para como os capítulos são escritos.

O novo Princípio X. Todo método deste livro foi inventado por alguém, preso num problema concreto, numa data, com meios limitados. Um capítulo que dá o método sem essa história entrega um procedimento — e procedimento se decora. Passa a ser obrigatória, em todo capítulo de método a partir do nível essencial, a seção "De onde isto veio": o aperto · o que se fazia antes · a virada · a ideia reaproveitável · o nome.

O quarto elemento é o que justifica a seção. Todo artifício técnico declara a ideia reaproveitável que há por trás dele — artifício sem ideia é truque, e truque não se transfere. Quem sabe que problema forçou o método a existir reconhece o mesmo tipo de aperto anos depois, noutro contexto; quem só executa o procedimento tem uma habilidade que expira com a prova.

Selos de proveniência por afirmação histórica (✓ · ✓ᵐ · ⏳ · ❌ · 📖). História é o terreno mais fácil do livro para inventar, porque história inventada soa bem — uma data errada e uma atribuição plausível passam por qualquer revisão apressada. Inventar história é pior do que omiti-la, justamente porque convence.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-10.

De onde veio a distinção ✓ / ✓ᵐ. Ela não é preciosismo de escrivão: nasceu de um caso desta obra, três dias atrás. Ao conferir o DOI do neocognitron para o capítulo 18, o registro do Crossref devolveu 1980 — e o capítulo dizia 1979. O DOI provava que o artigo existe, quem assina e quando saiu; não provava nada sobre o que ele afirma por dentro. São duas perguntas diferentes, e um selo só não distinguia as duas. Agora conferir identificador dá ✓ᵐ; ✓ exige ter aberto o texto.

Uma dívida criada de propósito. A emenda torna 8 capítulos não-conformes no instante em que é ratificada — nenhum dos que têm corpo traz a seção, porque todos são anteriores a ela. Isso está registrado como D8 no roadmap, com o retrofit em C8, e nenhum deles sobe de nível sem pagá-la. Emendar a lei e declarar retroativamente que tudo já estava conforme seria o oposto do que o princípio pede.

Edição 0.5.1 — 2026-08-08 · O capítulo 18 ganha história, imagem e código executável (sem spec) #

Uma rodada curta e inteira dedicada a um capítulo só — o 18 —, a pedido de quem dá a aula. Nada de escopo novo: profundidade no que já existia.

O que entrou:

• Histórico com as fontes reais. A linha do tempo 1943–1986 deixou de citar de memória: cada marco leva DOI ou link verificável. McCulloch & Pitts (doi:10.1007/BF02478259), Rosenblatt (doi:10.1037/h0042519), Fukushima (doi:10.1007/BF00344251), Rumelhart–Hinton–Williams (doi:10.1038/323533a0).
• A imagem do neurônio. Diagrama próprio (SVG, tema claro/escuro, descrito para leitor de tela): entradas → pesos → soma → comparação com o limiar → saída.
• Duas notas de contexto. Quando a IA ainda não se chamava assim: o relatório de Turing de 1948, o artigo na Mind de 1950 e a proposta de Dartmouth de 31 de agosto de 1955, que cunhou o termo. E a nota sobre a prioridade do backpropagation.
• Código para baixar e rodar. ml-zero/etapa-18/neuronio.py e um caderno pronto para o Colab. O NeuronioMP não tem fit — a ausência é o conteúdo: em 1943 não havia aprendizado. O Perceptron, ao lado, tem.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-08.

A nota que não fechou, e por que ela ficou assim. O pedido incluía checar uma lembrança: que o backpropagation teria sido desenvolvido por um italiano, em 1979. A busca não confirmou. O que existe, e está no capítulo com fonte: Seppo Linnainmaa (finlandês, 1970) publicou o modo reverso da diferenciação automática — a matemática do algoritmo; Paul Werbos (americano) o aplicou a redes na tese de 1974, com publicações no fim dos anos 1970; Kunihiko Fukushima (japonês) publicou o Neocognitron em 1979. Nenhum italiano apareceu. O capítulo diz exatamente isso — inclusive que não achamos —, porque inventar uma atribuição plausível é o erro que o Princípio I existe para impedir. Se a lembrança tiver fonte, ela entra e esta nota é corrigida.

Uma dívida de processo desta edição. Ela foi feita a pedido direto, sem passar pelo ciclo spec → plan → tasks que o Princípio VII exige para a raia plena — um capítulo revisado, código novo e um blueprint de deploy não são raia leve. A versão original deste registro dizia "spec 006", uma spec que nunca existiu; a correção está aqui em vez de apagada, porque um livro que mantém placar das próprias previsões não pode maquiar o próprio histórico.

O que o NeuronioMP sem fit ensina. Um estudante que baixa o arquivo procura o método de treino e não encontra. Essa frustração de trinta segundos ensina o recorte histórico melhor que o parágrafo que o antecede: o modelo de 1943 é um circuito, não um aprendiz. Rosenblatt levou quinze anos para dar-lhe uma regra de aprendizado, e ela está no arquivo ao lado, para comparação direta.

Edição 0.5 — 2026-08-08 · Novo escopo: três disciplinas, trilhas e o primeiro laboratório (spec 005) #

A mudança mais profunda desde a fundação. O livro deixou de ser sobre Machine Learning e passou a ser Ciência de Dados e Aprendizado de Máquina, para servir a três disciplinas reais de Engenharia de Software.

O que entrou:

• Novo escopo e novo título. De 18 para 28 capítulos, em cinco partes: Ciência de Dados, Análise Preditiva, Redes e Deep Learning, Além do Supervisionado, e No Mundo Real.
• Trilhas de disciplina. Três páginas que ordenam os capítulos por curso, mapeadas unidade a unidade das ementas. O número do capítulo virou identificador estável; a ordem vive nas trilhas. É isso que permite um capítulo servir a duas disciplinas com pesos diferentes.
• Capítulo 18 — O Neurônio Artificial, nível essencial: McCulloch–Pitts, o perceptron, o inverno da IA, e o XOR.
• Laboratórios interativos — a terceira superfície do livro. O primeiro é o neurônio de McCulloch–Pitts: o estudante põe os pesos à mão, vê a reta de decisão se mover sobre a tabela-verdade, e descobre sozinho que o XOR é impossível.
• Nove capítulos-esqueleto novos cobrindo o que faltava das ementas: ciclo CRISP-DM, coleta e integração, análise exploratória, visualização e storytelling, análise multidimensional, séries temporais, do modelo à decisão, treinar redes profundas, e IA simbólica/fuzzy/evolutiva.
• Constituição emendada para 1.1.0: níveis de maturidade (esqueleto / essencial / completo), laboratório reconhecido como mídia, e o portão de exercícios passando a valer na promoção a completo.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-08.

A decisão de método. Servir a disciplinas em curso exige cobertura antes de profundidade — e cobertura sem rigor é o que este projeto recusa. A conciliação foi declarar o nível de cada capítulo ao leitor, no próprio cabeçalho. Baixar o rigor em silêncio seria fraude; declarar cria a dívida visível que o roadmap cobra.

Por que o laboratório importa. O XOR é o caso em que o formato se justifica sozinho: nenhuma frase entrega o que travar em 3 de 4 entrega. O leitor tenta, tenta de novo, e descobre a impossibilidade — que é exatamente como Minsky e Papert a apresentaram em 1969. E, por rodar no navegador, o laboratório funciona mesmo com o backend fora do ar: é a superfície mais robusta do livro.

Edição 0.4 — 2026-08-05 · Lineares e otimização: três achados que vieram de testes que falharam (spec 004) #

O que entrou:

• Capítulo 05 — Modelos Lineares (3 exercícios, 1 vídeo): erro quadrático por conveniência e não por virtude, o logito como o que de fato é linear, as quatro coisas que um coeficiente não diz, e quando o linear é a escolha certa — reparando a impressão que o capítulo 07 deixa.
• Capítulo 06 — Otimização e Regularização (4 exercícios, 1 vídeo): gradiente como procedimento, diagnóstico pela curva de perda, L1 × L2 explicado pelo gradiente da penalidade, e early stopping.
• Etapa 05–06 do ml-zero: Padronizador, RegressaoLinear com solução fechada e gradiente, RegressaoLogistica com L1/L2, e o otimizador isolado do modelo. 22 testes.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-05.

Os três achados. Todos vieram de testes que falharam, e todos entraram no texto porque são úteis ao leitor:

1. Perda logística é limitada. Taxa 500 na logística não diverge — satura. Erro quadrático a taxa 50 explode. "Não explodiu" não prova que a taxa está boa.
2. Early stopping monitorando treino nunca dispara em dado separável, porque a perda de treino cai indefinidamente. O critério precisa observar validação — e a primeira versão da nossa implementação estava errada.
3. Um instrumento de diagnóstico pressupõe que o problema exista. Testar early stopping em dado limpo e separável não valida nada: não há ponto a partir do qual ajustar mais piore.

Decisão registrada: NumPy foi adiado para a etapa 09. O plano da spec 001 o previa a partir da 05; biblioteca padrão bastou, e adicionar dependência sem que o algoritmo exija é a estrutura antecipada que a regra 2 da construção proíbe.

Edição 0.3 — 2026-08-05 · Árvores e ensembles: o que bagging e boosting realmente atacam (spec 003) #

O que entrou:

• Capítulo 07 — Árvores e Ensembles, com 5 exercícios e 1 vídeo: como a árvore escolhe cada corte, por que uma árvore sozinha tem variância alta, a distinção entre bagging (variância) e boosting (viés), a ordem de ajuste de hiperparâmetros que economiza tempo, e a evidência sobre tabular × deep learning.
• Etapa 07 do ml-zero: Arvore (Gini + MSE), Floresta, Boosting e auc por postos, em ~250 linhas de biblioteca padrão. Mais linear.py como régua declarada. 21 testes.
• Breiman (2001) e Grinsztajn, Oyallon & Varoquaux (2022) conferidos e promovidos a ✓.
• Nota de estudo sobre a medição que mudou o desenho do experimento.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-05.

O achado do caminho. A primeira versão do experimento reusou o dado da etapa 00 e os quatro modelos terminaram empilhados entre 0,55 e 0,57 de AUC. Em vez de mexer no código, medimos o teto: o classificador de Bayes daquele dado alcança 0,5895 — o boosting já estava em 96% do máximo possível. Os modelos estavam certos; o instrumento é que não media. A etapa 07 passou a gerar o próprio dado, e a etapa 00 não foi tocada — sua lição depende daquele dado e já está publicada.

Nota de honestidade. O dado da etapa 07 foi construído com uma regra que favorece árvores por construção, e o capítulo diz isso em destaque, antes de qualquer número. A ilustração mostra o mecanismo; a evidência de que dado tabular real tem essa forma é do paper, não nossa.

Edição 0.2 — 2026-08-05 · Dados: o vazamento e as divisões que respeitam a estrutura (spec 002) #

O primeiro capítulo de conteúdo depois da fundação, e não por acaso: vazamento de dados é o erro mais caro e mais silencioso de Machine Learning.

O que entrou:

• Capítulo 02 — Dados, no esqueleto v4: as três fontes de vazamento (alvo disfarçado, pré-processamento antes da divisão, duplicata entre conjuntos), a divisão que respeita tempo e grupo, a ficha de dataset em sete perguntas e o viés de seleção. 4 exercícios e 1 vídeo.
• Etapa 02 do ml-zero: detector de vazamento com dois sinais independentes, divisão por grupo, divisão por tempo com intervalo de guarda, checagem de duplicatas e a FichaDeDataset como portão executável — o pipeline recusa dataset com ficha incompleta ou com dado pessoal declarado. 28 testes.
• Carregador de módulos por etapa (ml-zero/tests/conftest.py): etapas autocontidas têm arquivos homônimos, e sys.path cru fazia a primeira importação vencer silenciosamente.
• Gebru et al. (2021) conferido na fonte e promovido a ✓.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-05.

Nota de método: a lição central do capítulo — "embaralhar por linha vaza o sujeito" — é uma asserção executável na suíte de testes, não apenas uma frase no texto. É o Princípio II levado ao limite: o argumento do livro falha o build se deixar de ser verdade.

Edição 0.1 — 2026-08-01 · Fundação: maquinaria, estrutura e a camada interativa (spec 001) #

O repositório nasce com a máquina inteira funcionando e o conteúdo em construção — deliberadamente nessa ordem, para que nenhum capítulo seja escrito fora do formato que o livro exige de si mesmo.

O que entrou:

• Governança — constituição de 9 princípios, fundindo a didática e o ciclo spec-driven do livro de Engenharia de Harness com o processo de desenvolvimento do Maestro (raias, DoD verificável, skills-primeiro, ADR, gate de CHANGELOG).
• Estrutura do livro — 18 capítulos em 3 partes, mais o aparato. Todos com objetivos de aprendizagem declarados (Backward Design: os objetivos vêm antes do corpo).
• Capítulos escritos — 00 Introdução, 01 Fundamentos e 04 Avaliação (o piloto do esqueleto v4). Os demais são esqueletos com objetivos e problema definidos.
• Camada interativa — exercícios em 5 tipos (múltipla, múltipla-multi, numérica, completar, aberta por rubrica) corrigidos no servidor, com feedback explicativo e revelação de gabarito só na 2ª tentativa; vídeos curados com player de fachada (nada é pedido a terceiros antes do clique).
• Backend — tutor com busca no texto do livro, correção de exercícios, progresso anônimo e telemetria consentida. 23 testes verdes.
• Motor de publicação — Markdown → site navegável, com gate de links internos e gate do banco de exercícios.

Modelo de IA usado: Claude (Anthropic), via Claude Code, sessão de 2026-08-01. Autoria, curadoria e responsabilidade humanas — ver Autor.

O que ficou de fora, e por quê: os 15 capítulos-esqueleto não têm corpo, exercícios nem vídeos. Escrevê-los agora, fora do ciclo spec-driven, violaria o Princípio VII — cada um entra por sua própria spec, com sua rodada de pesquisa verificada. A bibliografia reflete isso: 5 referências ✓ e as demais ⏳, honestamente marcadas.

Snapshot por capítulo #

Níveis (constituição 1.1.0): esqueleto = objetivos e problema · essencial = corpo ensinável e prática · completo = o portão dos sete itens.

Os capítulos 19–27, criados na edição 0.5, estão todos em esqueleto. O 18 está em essencial.

Registro de expiração — o placar das previsões #

Cada capítulo declara uma cláusula de expiração: o que, ali, tem prazo. Aqui elas são acompanhadas.

| E3 | Gradient boosting é a escolha padrão para tabular de porte médio (Grinsztajn et al., 2022). Gatilho de revisão: um benchmark independente, com igual rigor de busca de hiperparâmetros, mostrando vantagem consistente de método não-árvore nesse regime. | 07 | 2026-08 | 🔵 aberta | — |

Legenda: 🔵 aberta (ainda em pé, sem evidência de mudança) · 🟡 em curso (há sinais, mas não conclusivos) · 🟢 confirmada (o previsto aconteceu) · 🔴 refutada (o livro errou — e isso é a notícia mais importante de uma edição)

Cadência #

• Janela trimestral (próxima: 2026-11): reconferir vídeos, reexecutar os experimentos com as versões correntes das bibliotecas, atualizar o placar acima e as datas de revisão.
• Gatilho extraordinário: qualquer evento que invalide uma "Síntese — o que levar" dispara revisão pontual do capítulo afetado, sem esperar a janela.
• Gatilho por telemetria: exercício com taxa de acerto baixa e volume relevante é sinal de texto mal escrito. Ele entra na fila de revisão — ver Uso do livro.