Programar é: dados + regras → resposta. Precificar casa, reconhecer cara, entender português — regras manuais não dão conta. O Machine Learning inverte a conta: dados + respostas de exemplo → o modelo (as regras). Este texto segue o curso How Machine Learning Works, End to End do KodeKloud: da planilha ao ChatGPT, o ciclo é o mesmo.
O neurônio está no post do 3Blue1Brown; o mapa de DL no crash course do freeCodeCamp. Aqui o fio é o pipeline inteiro.
Regras vs exemplos
clássico: Dados + Regras → Respostas
ML: Dados + Respostas → Regras (o modelo)
CRUD e fatura cabem no if. Imóvel com 40 variáveis subjetivas, não. Você alimenta o algoritmo com histórico; ele acha a relação e prevê o que ainda não viu.
Planilha: feature, label, sujeira
área m² | quartos | bairro | preço (y)
120 | 3 | Centro | 650.000
85 | 2 | Jardins | 720.000
45 | 1 | Subúrbio | 280.000
- X (features): o que entra — área, quarto, bairro, idade.
- y (label): o que se quer prever — o preço.
- Amostra: cada linha.
Antes de treinar: nulo (média/mediana ou drop), outlier, texto → número (one-hot no bairro), escala (m² não pode esmagar “nº de quartos” só porque o número é maior).
Treino vs inferência
Treino: o modelo olha milhares de exemplos e gira peso/viés até o erro cair. Come GPU, hora, cluster. Inferência: pesos congelados; dado novo entra e a resposta sai em milissegundo.
O caso mais burro — uma variável:
ŷ = w · x + b
w é quanto o preço sobe por m²; b é o piso (terreno “de área zero”). Uma rede profunda é essa reta empilhada, com não-linearidade no meio — a GPU do post GPU vs TPU não faz outra coisa.
Loss e o vale
Erro de uma casa: y − ŷ. MSE tira a média dos quadrados:
MSE = (1/N) · Σ (y − ŷ)²
Quadrado deixa tudo positivo ( +100 e −100 não se anulam) e pune aberração: errar R$ 50 mil dói quatro vezes mais que errar 25 mil.
Gradient descent: começa com peso aleatório, calcula a inclinação da curva de erro, dá um passo na direção oposta. O tamanho do passo é o learning rate α:
w_novo = w − α · ∂Loss/∂w
α alto: o modelo pula a tigela e não pousa. α baixo: formiga, e ainda pode ficar num buraco local.
Generalizar — e não vazar o teste
Nota 10 no treino não vale. O que importa é dado novo.
- Treino ~80% — ajusta peso.
- Validação ~10% — escolhe algoritmo e hiperparâmetro.
- Teste ~10% — o vestibular, intocado.
Underfit: reta num seno. Erra treino e teste. Overfit: árvore profunda que decora o ruído. 99% no treino, 50% no cliente real.
Data leakage: informação do teste entra no treino. Clássico: normalizar com a média global antes do split. No imóvel: coluna “comissão do corretor”, que só existe porque a casa já vendeu por aquele preço. O laboratório fica lindo; produção quebra.
O mapa dos problemas
Machine Learning
├─ supervisionado (tem y)
│ ├─ regressão (preço, temperatura)
│ └─ classificação (spam, churn, benigno/maligno)
└─ não-supervisionado (sem y)
├─ clustering (K-Means, perfil de cliente)
└─ dimensionalidade (PCA)
Do ŷ = wx+b ao ChatGPT
O ciclo não muda: forward → loss → backprop → descent. No LLM só empilha bilhões de parâmetros em cima de texto.
- Token + embedding: texto vira pedaço, pedaço vira vetor. “Linux” e “Unix” ficam perto.
- Pré-treino: prever o próximo token em trilhões de palavras. Vira o autocompletar do universo — ainda não é assistente, só continua o texto no estilo da web.
- SFT: milhares de pares pergunta/resposta. Aprende a obedecer instrução.
- RLHF / DPO: humanos ranqueiam respostas; um reward model + reforço puxa para útil, honesto, recusar o danoso.
Em 2026 o extra é atenção (Transformer), multimodal (texto+imagem+áudio) e agente (tool calling, script no terminal, loop ReAct). No Linux do bolso, o mesmo ciclo cabe no Ollama.
Referências
- Curso: KodeKloud — How Machine Learning Works, End to End
- O que é uma rede neural?
- Deep Learning para iniciantes
- GPU vs TPU
Planilha, loss, gradiente, split. O ChatGPT é isso com mais zero na conta. Sem magia — e com leakage, o laboratório mente.