{"id":415,"date":"2026-09-05T21:40:50","date_gmt":"2026-09-06T00:40:50","guid":{"rendered":"https:\/\/www.linuxpro.com.br\/2026\/09\/machine-learning-ponta-a-ponta\/"},"modified":"2026-09-08T05:23:38","modified_gmt":"2026-09-08T08:23:38","slug":"machine-learning-ponta-a-ponta","status":"publish","type":"post","link":"https:\/\/www.linuxpro.com.br\/es\/2026\/09\/machine-learning-ponta-a-ponta\/","title":{"rendered":"Machine Learning de ponta a ponta"},"content":{"rendered":"<p><img loading=\"lazy\" decoding=\"async\" alt=\"Mascote do LinuxPro alimentando dados na pipeline ML\" src=\"\/wp-content\/uploads\/2026\/09\/machine-learning-v3.webp\" width=\"1052\" height=\"652\" \/><\/p>\n<p class=\"translation-block\">Programar \u00e9: dados + regras \u2192 resposta. Precificar casa, reconhecer cara, entender portugu\u00eas \u2014 regras manuais n\u00e3o d\u00e3o conta. O <strong>Machine Learning<\/strong> inverte a conta: dados + respostas de exemplo \u2192 o modelo (as regras). Este texto segue o curso <a href=\"https:\/\/www.youtube.com\/watch?v=du1B6633-hU\">How Machine Learning Works, End to End<\/a> do <strong>KodeKloud<\/strong>: da planilha ao ChatGPT, o ciclo \u00e9 o mesmo.<\/p>\n<p><!-- more --><\/p>\n<div style=\"position:relative;padding-bottom:56.25%;height:0;overflow:hidden;margin:1.5em 0\">\n<iframe src=\"https:\/\/www.youtube.com\/embed\/du1B6633-hU\" title=\"How Machine Learning Works, End to End \u2014 KodeKloud\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" allowfullscreen style=\"position:absolute;top:0;left:0;width:100%;height:100%;border:0\"><\/iframe>\n<\/div>\n<p>O neur\u00f4nio est\u00e1 no <a href=\"\/es\/2026\/09\/o-que-e-uma-rede-neural\/\">post do 3Blue1Brown<\/a>; o mapa de DL no <a href=\"\/es\/2026\/09\/deep-learning-para-iniciantes\/\">crash course do freeCodeCamp<\/a>. Aqui o fio \u00e9 o pipeline inteiro.<\/p>\n<h2>Regras vs exemplos<\/h2>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">cl\u00e1ssico:     Dados + Regras     \u2192  Respostas\nML:           Dados + Respostas  \u2192  Regras (o modelo)\n<\/code><\/pre>\n<p>CRUD e fatura cabem no <code data-no-translation=\"\">if<\/code>. Im\u00f3vel com 40 vari\u00e1veis subjetivas, n\u00e3o. Voc\u00ea alimenta o algoritmo com hist\u00f3rico; ele acha a rela\u00e7\u00e3o e prev\u00ea o que ainda n\u00e3o viu.<\/p>\n<h2>Planilha: feature, label, sujeira<\/h2>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">\u00e1rea m\u00b2 | quartos | bairro   | pre\u00e7o (y)\n120     | 3       | Centro   | 650.000\n 85     | 2       | Jardins  | 720.000\n 45     | 1       | Sub\u00farbio | 280.000\n<\/code><\/pre>\n<ul>\n<li><strong>X (features):<\/strong> o que entra \u2014 \u00e1rea, quarto, bairro, idade.<\/li>\n<li><strong>y (label):<\/strong> o que se quer prever \u2014 o pre\u00e7o.<\/li>\n<li><strong>Amostra:<\/strong> cada linha.<\/li>\n<\/ul>\n<p>Antes de treinar: nulo (m\u00e9dia\/mediana ou drop), outlier, texto \u2192 n\u00famero (one-hot no bairro), escala (m\u00b2 n\u00e3o pode esmagar \u201cn\u00ba de quartos\u201d s\u00f3 porque o n\u00famero \u00e9 maior).<\/p>\n<h2>Treino vs infer\u00eancia<\/h2>\n<p><strong>Treino:<\/strong> o modelo olha milhares de exemplos e gira peso\/vi\u00e9s at\u00e9 o erro cair. Come GPU, hora, cluster. <strong>Infer\u00eancia:<\/strong> pesos congelados; dado novo entra e a resposta sai em milissegundo.<\/p>\n<p>O caso mais burro \u2014 uma vari\u00e1vel:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">\u0177 = w \u00b7 x + b\n<\/code><\/pre>\n<p><code data-no-translation=\"\">w<\/code> \u00e9 quanto o pre\u00e7o sobe por m\u00b2; <code data-no-translation=\"\">b<\/code> \u00e9 o piso (terreno \u201cde \u00e1rea zero\u201d). Uma rede profunda \u00e9 essa reta empilhada, com n\u00e3o-linearidade no meio \u2014 a GPU do <a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">post GPU vs TPU<\/a> n\u00e3o faz outra coisa.<\/p>\n<h2>Loss e o vale<\/h2>\n<p>Erro de uma casa: <code data-no-translation=\"\">y \u2212 \u0177<\/code>. MSE tira a m\u00e9dia dos quadrados:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">MSE = (1\/N) \u00b7 \u03a3 (y \u2212 \u0177)\u00b2\n<\/code><\/pre>\n<p>Quadrado deixa tudo positivo ( +100 e \u2212100 n\u00e3o se anulam) e pune aberra\u00e7\u00e3o: errar R$ 50 mil d\u00f3i quatro vezes mais que errar 25 mil.<\/p>\n<p class=\"translation-block\"><strong>Gradient descent:<\/strong> come\u00e7a com peso aleat\u00f3rio, calcula a inclina\u00e7\u00e3o da curva de erro, d\u00e1 um passo na dire\u00e7\u00e3o <em>oposta<\/em>. O tamanho do passo \u00e9 o learning rate <code>\u03b1<\/code>:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">w_novo = w \u2212 \u03b1 \u00b7 \u2202Loss\/\u2202w\n<\/code><\/pre>\n<p>\u03b1 alto: o modelo pula a tigela e n\u00e3o pousa. \u03b1 baixo: formiga, e ainda pode ficar num buraco local.<\/p>\n<h2>Generalizar \u2014 e n\u00e3o vazar o teste<\/h2>\n<p>Nota 10 no treino n\u00e3o vale. O que importa \u00e9 dado <em>novo<\/em>.<\/p>\n<ul>\n<li>Treino ~80% \u2014 ajusta peso.<\/li>\n<li>Valida\u00e7\u00e3o ~10% \u2014 escolhe algoritmo e hiperpar\u00e2metro.<\/li>\n<li>Teste ~10% \u2014 o vestibular, intocado.<\/li>\n<\/ul>\n<p><strong>Underfit:<\/strong> reta num seno. Erra treino e teste. <strong>Overfit:<\/strong> \u00e1rvore profunda que decora o ru\u00eddo. 99% no treino, 50% no cliente real.<\/p>\n<p><strong>Data leakage:<\/strong> informa\u00e7\u00e3o do teste entra no treino. Cl\u00e1ssico: normalizar com a m\u00e9dia <em>global<\/em> antes do split. No im\u00f3vel: coluna \u201ccomiss\u00e3o do corretor\u201d, que s\u00f3 existe porque a casa j\u00e1 vendeu por aquele pre\u00e7o. O laborat\u00f3rio fica lindo; produ\u00e7\u00e3o quebra.<\/p>\n<h2>O mapa dos problemas<\/h2>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">Machine Learning\n \u251c\u2500 supervisionado (tem y)\n \u2502    \u251c\u2500 regress\u00e3o      (pre\u00e7o, temperatura)\n \u2502    \u2514\u2500 classifica\u00e7\u00e3o  (spam, churn, benigno\/maligno)\n \u2514\u2500 n\u00e3o-supervisionado (sem y)\n      \u251c\u2500 clustering     (K-Means, perfil de cliente)\n      \u2514\u2500 dimensionalidade (PCA)\n<\/code><\/pre>\n<h2>Do \u0177 = wx+b ao ChatGPT<\/h2>\n<p>O ciclo n\u00e3o muda: forward \u2192 loss \u2192 backprop \u2192 descent. No LLM s\u00f3 empilha bilh\u00f5es de par\u00e2metros em cima de texto.<\/p>\n<ol>\n<li><strong>Token + embedding:<\/strong> texto vira peda\u00e7o, peda\u00e7o vira vetor. \u201cLinux\u201d e \u201cUnix\u201d ficam perto.<\/li>\n<li><strong>Pr\u00e9-treino:<\/strong> prever o pr\u00f3ximo token em trilh\u00f5es de palavras. Vira o autocompletar do universo \u2014 ainda n\u00e3o \u00e9 assistente, s\u00f3 continua o texto no estilo da web.<\/li>\n<li><strong>SFT:<\/strong> milhares de pares pergunta\/resposta. Aprende a obedecer instru\u00e7\u00e3o.<\/li>\n<li><strong>RLHF \/ DPO:<\/strong> humanos ranqueiam respostas; um reward model + refor\u00e7o puxa para \u00fatil, honesto, recusar o danoso.<\/li>\n<\/ol>\n<p>Em 2026 o extra \u00e9 aten\u00e7\u00e3o (Transformer), multimodal (texto+imagem+\u00e1udio) e agente (tool calling, script no terminal, loop ReAct). No Linux do bolso, o mesmo ciclo cabe no <a href=\"\/es\/2026\/09\/rodando-ia-local-no-linux-com-ollama\/\">Ollama<\/a>.<\/p>\n<h2>Referencias<\/h2>\n<ul>\n<li>Curso: <a href=\"https:\/\/www.youtube.com\/watch?v=du1B6633-hU\">KodeKloud \u2014 How Machine Learning Works, End to End<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/o-que-e-uma-rede-neural\/\">O que \u00e9 uma rede neural?<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/deep-learning-para-iniciantes\/\">Deep Learning para iniciantes<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">GPU vs TPU<\/a><\/li>\n<\/ul>\n<p>Planilha, loss, gradiente, split. O ChatGPT \u00e9 isso com mais zero na conta. Sem magia \u2014 e com leakage, o laborat\u00f3rio mente.<\/p>","protected":false},"excerpt":{"rendered":"<p>Programar \u00e9: dados + regras \u2192 resposta. Precificar casa, reconhecer cara, entender portugu\u00eas \u2014 regras manuais n\u00e3o d\u00e3o conta. O Machine Learning inverte a conta: dados + respostas de exemplo \u2192 o modelo (as regras). Este texto segue o curso How Machine Learning Works, End to End do KodeKloud: da planilha ao ChatGPT, o ciclo &#8230; <a title=\"Machine Learning de ponta a ponta\" class=\"read-more\" href=\"https:\/\/www.linuxpro.com.br\/es\/2026\/09\/machine-learning-ponta-a-ponta\/\" aria-label=\"Read more about Machine Learning de ponta a ponta\">Read more<\/a><\/p>","protected":false},"author":0,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[13,115,2],"tags":[116,168,128,167],"class_list":["post-415","post","type-post","status-publish","format-standard","hentry","category-cursos","category-ia","category-linux","tag-ia","tag-kodekloud","tag-llm","tag-machine-learning"],"_links":{"self":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/415","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/comments?post=415"}],"version-history":[{"count":2,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/415\/revisions"}],"predecessor-version":[{"id":1135,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/415\/revisions\/1135"}],"wp:attachment":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/media?parent=415"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/categories?post=415"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/tags?post=415"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}