# Fundamentos de Machine Learning

Giorgio Learn · Roteiro de exercícios

## Pré-requisitos
Python básico, médias, probabilidade condicional e leitura de tabelas.

## 1. Formulação estatística, leakage e desenho de distribuição

Uma variável chega cinco minutos após a compra. Ela pode entrar em um detector que decide em um segundo?

Minha resposta:

Prática: Escreva uma especificação de uma página para um problema de ML: entrada, saída, baseline, métrica primária e três modos de falha.

Evidências e limitações:

## 2. Likelihood, otimização, regularização e generalização

Repita com taxa 0,2.

Minha resposta:

Prática: Calcule à mão uma atualização de gradiente para uma função quadrática e explique o efeito de dobrar o learning rate.

Evidências e limitações:

## 3. Inductive bias, ensembles e seleção sob restrições

C tem recall 0,82 e p95 de 15 ms. C domina A?

Minha resposta:

Prática: Treine mentalmente um ranking de três modelos para fraude tabular e justifique qual você colocaria primeiro em produção.

Evidências e limitações:

## 4. Sistemas de treinamento, lineage e reproducibilidade

Onde ajustar o normalizador durante validação cruzada?

Minha resposta:

Prática: Desenhe um pipeline com ingestão, validação, split temporal, treino, avaliação, registro e monitoramento.

Evidências e limitações:

## 5. Avaliação decision-aware, calibração e uncertainty

Outro limiar produz FP=6 e FN=1. Qual custa menos?

Minha resposta:

Prática: Monte uma matriz de confusão e escolha um limiar diferente para dois cenários com custos de erro opostos.

Evidências e limitações:

## Projeto: Pipeline de classificação com validação temporal

- [ ] Separe dados sintéticos em treino, validação e teste por tempo; registre as datas de corte.
- [ ] Compare uma regra simples e um modelo; ajuste transformações apenas no treino.
- [ ] Entregue matriz de confusão, custo por decisão e análise de dois subgrupos no teste reservado.

## Referência
https://scikit-learn.org/stable/common_pitfalls.html