Portfólio em ciência de dados não é coleção de notebooks ou algoritmos empilhados. É mostrar como você pensa: formular perguntas, testar hipóteses e transformar dados em argumentos claros. O diferencial está na narrativa e na maturidade analítica, não na repetição de cases.
A inferência bayesiana transforma estimativas em distribuições, quantificando a incerteza. Isso distingue predições confiáveis de casos de alta incerteza. Com essa informação, decisões podem ser mais granulares e estratégicas. O resultado: mais assertividade usando a incerteza como vantagem.
Os Transformers transformaram a IA com o poder do multi-head attention, capaz de capturar múltiplas relações linguísticas em paralelo. Neste estudo de caso, implemento a arquitetura do zero e aplico em análise de sentimentos em português.
Em marketing digital, growth e otimização de produtos, testes A/B são tratados como instrumentos de precisão cirúrgica. Um botão azul contra um verde. Uma cópia com verbo direto contra uma mais emocional. Basta rodar o experimento, olhar o p-valor e decidir. Mas quando as taxas de conversão são baixas
Neste artigo, você vai entender o que é atenção escalada — o mecanismo central dos Transformers. Da álgebra ao código, explico como modelos modernos aprendem a focar nas palavras certas e gerar linguagem com contexto.
Inferência causal é um dos pilares mais desafiadores e fascinantes da análise de dados: diferenciar correlação de causalidade e entender como cada decisão afeta diretamente os resultados. Em contextos onde existe uma segmentação de público, como em campanhas de marketing, saber como alocar cada usuário no grupo certo pode ser
A computação quântica continua atraindo muita minha atenção por seu potencial em resolver problemas que são desafiadores para a computação clássica. Comecei a colocar a bola no chão e tentar explorar de forma mais prática como seria o mundo em que criamos algoritmos voltados para computadores quânticos. O Algoritmo de
O LangGraph é framework projetado para construir e visualizar modelos de linguagem complexos através de grafos estruturados. Com o LangGraph, é possível criar agentes LLM sofisticados que conectam por meio de arestas, melhorando a capacidade dos agentes de processar e responder a diversos inputs. Neste post quero explorar alguns fundamentos
Nos últimos tempos tenho sido bastante atingido por notícias sobre LLM-agents e como eles serão responsáveis pelo próximo grande passo das IAs. Especialmente no que se refere ao LangGraph para criação de multi-agent workflows. Desenvolvi algumas coisas e estou bastante animado pra continuar explorando. LangGraph é uma biblioteca para construir
No campo do Machine Learning, é comum trabalhar com dataframes compostos por inúmeras linhas de features, que são utilizadas para treinar modelos visando prever rótulos com a máxima acurácia possível. Um desafio adicional é a construção de features a partir de dados brutos para aprimorar o desempenho do modelo. Frequentemente,
Computação Quântica é um tópico que sempre me deixou curioso, mas a única coisa que eu sabia era: na computação quântica, coisas podiam acontecer ao mesmo tempo. Confesso que nunca entendi de forma prática o impacto disso, ai decidi estudar. Embora eu quisesse uma abordagem mais prática para entender o
Decidi quebrar o gelo com a API da OpenAI e decidi começar com a funcionalidade de embeddings usando o GPT. Nesse artigo vamos construir um classificador bem simples no melhor estilo POC a partir de um dataset para análise de sentimentos que encontrei no kaggle. Para começar, fiz alguns ajustes