Machine Learning: como ENSINAR a MÁQUINA

Quem tá pronto aí levanta a mão no chat então o seguinte galera Bom dia eh muito feliz de poder fazer mais um curso aqui com vocês ao vivo mais um curso no nosso canal no nosso projeto tmu Hoje vamos falar sobre machine learning então a gente fez todo aí desde o começo do ano desde lá de Janeiro a gente ensinou Git ensinou Python ensinou pandas ensinou estatística ensinou como coletar dados como manipular dados e agora Chegamos no Momento de aprender algumas técnicas de machine learning os conceitos básicos de machine learning então tô muito feliz de

conseguir entregar aí né pra comunidade uma trilha que a gente tem construído juntos né todo mundo aí muita gente apoiando muita gente contribuindo também então chegou o momento da gente falar sobre machine learning para poneys Então por que que a gente escolheu esse nome né a gente vê que tem uma galera que às vezes é é muito iniciante né tá entrando Na área de dados bem assim embrionária não sabe exatamente muito bem o que que é isso o que que é machine learning ou não faz questão às vezes de aprender acha que não não faz

sentido então a gente quer desmistificar essa parada mostrar que qualquer poneizinho qualquer pessoa consegue aprender machine learning com exemplos aí didáticos e também com mão na massa então o nosso curso aqui ele não vai ser só na na base do PPT Nós também teremos aí coisas Hand On coisas mão na massa para todo mundo poder acompanhar e executar beleza esse curso aqui é um oferecimento também do Instituto aon Schwartz aonde eu sou instrutor e também parceiro do Instituto aon Schwartz e eu vou contar também já já para vocês mais algumas parcerias que a gente fez

como por exemplo a parceria da stc tecnologias e também data hackers tá já vou falar um pouquinho mais sobre essas duas outras parcerias também beleza Ah E aí vamos lá a gente vai Falar sobre essas principais técnicas Mas vamos lá deixa eu colocar aqui p pronto meu antes da gente começar logo de cara deixa eu contar para vocês rapidão a minha história porque pode ser que tenha gente que não sabe quem eu sou pode ter gente achando que eu sou um trambiqueiro um vendedor de cursos ou que eu tô querendo te enganar e não é

nada disso a questão é que eu sou um otário mesmo eu tô aqui para fazer curso de graça de qualidade para geral porque Eu quero que você tenha melhores condições de vida que você consiga alcançar os seus objetivos financeiros seus objetivos pessoais e prof Demorou então eu tenho uma longa jornada né aí dentro da carreira de dados trabalho com dados desde 2014 lá no meu estágio na Editora Abril e sempre com o viés de análise preditiva e modelos de machine learning construção de algoritmos de machine learning passei por startups passei por consultoria Passei pelas maiores

empresas de varejo que a gente tem no Brasil empresas de cosméticos que a gente tem no Brasil então assim passei por várias empresas diferentes e de de 2019 existe essa iniciativa aqui na Twitch do telm Tá e agora recentemente agora no mês de março nós conseguimos virar Partner da Twitch então é oficialmente agora somos Partner da Twitch com uma com reconhecimento bacana do nosso trabalho Demorou e também atuo dentro da eh da escola da Adriana Silva SN a SN rocks fazendo um trabalho lá dando aula de Python skell Machine learning e enfim várias outras questões

lá de disciplinas no curso de longa duração e sou membro instrutor do Instituto aon Schwartz desde 2023 atualmente eu me dedico integralmente a este projeto de ensino Beleza então estou aí desde o começo do ano Desde janeiro focado 100% aqui com a comunidade entregando o que eu sei de melhor beleza para vocês todos e todas Consegir irem alcançar o objetivo de vocês né pelo menos tentar ajudar dentro da área de dados Demorou então bora lá galera agora vamos fazer alguns combinados beleza vamos fazer alguns combinados galera tá perguntando no chat já chegou perguntando várias coisas

então vou tentar responder muita coisa aqui é o seguinte primeiro a gente vai começar todos os dias às 9 da manhã todos os dias às 9 da manhã e vamos aí em média até 11:20 beleza 11:20 porque a Minha filha volta da escola e eu preciso ir lá correr fazer o almoço Então umas 11:20 acho que tá tá go de 2 horas 2 horas e pouquinho de aprendizado diário aí eu acho que tá Safe Beleza a gente pretende pausar às 10 se a gente ver que o negócio tá andando gostosinho tá tá indo Safe tá

indo fluído cara a gente vai ignorar essa pausa mas eu tô prevendo aí uma pausa de 15 minutinhos pra gente tomar uma água respirar e tal beleza como Já falei a gente removeu as Notificações Então as notificações eh eu adoraria que vocês continuassem apoiando o nosso canal podem mandar sub podem mandar doação a única questão é que eu vou tirar isso agora por conta realmente do nosso curso continuar aí andando de uma forma mais fluida Demorou Outro ponto a gente aqui na Twitch tem e advertising né a gente tem as famosas propagandas Então como a

gente tem propaganda no momento que acontece a propaganda a gente dá uma pausa no Conteúdo para que ninguém perca o fio da miada Beleza então a gente vocês me avisam aí quando tomarem AD que a gente eh consegue consegue parar explicação e a gente segue a vida demorou um outro ponto galera eu sei que tem gente nova aqui na na Twitch tem gente que talvez não saiba como é que funciona não tá acostumado com Live E então vou dar algumas dicas primeiro ficar spamando coisas aí no chat beleza evite ficar Perguntando a mesma coisa Sempre

se você fez uma pergunta e talvez eu não respondi Talvez é porque eu vou explicar isso mais no futuro ou até mesmo eu já expliquei E aí alguém do chat vai responder para você tá bom não fique spamando não fique aí gritando no chat beleza e também galera a gente aqui não dá tiro de advertência a gente aqui se você fizer algum comentário bizarro algum comentário Tosco algum comentário machista algum comentário racista a Gente vai banir Beleza então não tem aviso se a gente vê que a sua mensagem aí foi uma mensagem babaca a gente

tem aí moderadores no chat que vão te banir E aí depois você vem chorar as Pitanga falando que não era nada daquilo não tem problema a gente conversa para entender aí eu vou ver qual foi a mensagem e aí qualquer coisa eu te desban mas na dúvida Não comente merda beleza essa é dica a gente tá aqui para fazer um ambiente seguro para todo mundo para que Todo mundo possa acompanhar então se tiver comentário babaca a gente vai banir beleza sem desculpa e e se você quer aí acompanhar o nosso o nosso material tem um

material aí e bacaninha para você todo esse PPT que tá aqui na tela ele também está disponível tá então é só você dar exclamação PPT que você vai ter aí acesso ao nosso noss PowerPoint beleza com todas as informações etc e vamos lá tem mais avisos né no último Dia no último dia do nosso curso lá no último dia na sexta-feira eu espero que a gente vá até sexta-feira tá bom se escorregar mais alguma coisa se a gente eh tiver algum tipo de problema aí ou eu vou priorizar sempre o conhecimento vou priorizar sempre a

didática Então se a gente se estender não tem problema a gente continua dando curso mas é previsto para sexta-feira que a gente realize tanto sorteio de livros pra galera que tiver acompanhando e também a Gente liberar acesso a uma provinha de certificado quem que vai ter acesso a essa provinha quem for sub no canal então a gente continua com toda a educação gratuita mas os o certificado em si você precisa ser sub aqui na Twitch para poder fazer a sua provinha tá E essa provinha vai custar 1500 data points beleza 1500 data points Ah não

sei o que que é data points dá uma exclamação pontos aí que você vai entender como é que funciona essa parada De pontos mas basicamente é basta assistir você quando assiste a nossa Live você ganha pontos quando você interage na nossa Live você ganha pontos beleza e quando o uma pessoa D exclamação pontos você não precisa dar beleza é só uma pessoa é suficiente já vai aparecer ali qualquer coisa que eu falar se falar exclamação pontos exclamação PPT exclamação qualquer coisa vai já aparecer o link não precisa ficar digitando Exclamação pontos toda hora Demorou tá

claro isso galera então dá uma lidinha aí como é que funciona esses pontos mas você assistindo as lives você consegue juntar pontos beleza e aí é só você ser sub para conseguir fazer a sua provinha de certificado beleza Tá bom ok então tá bom Espero que sim ah agora vamos lá o nosso foco sempre vai ser o básico bem feito beleza sempre vai ser a gente trazer né o conhecimento básico para que você depois consiga Andar com as próprias pernas consiga fazer as coisas aí é de forma mais independente consiga ir atrás do conhecimento do

seu conhecimento do conhecimento que você quer de forma mais autônoma Tá bom então a gente não vai fazer um curso completo de machine learning no sentido de todas as técnicas de machine learning todas as métricas todas as bibliotecas não é isso o nosso curso Ele tem começo meio e fim mas um escopo bem definido para que você depois Consiga buscar as outras né a parte complementar com outras técnicas com outras coisas Demorou então só para trazer esse contexto você tá expectativas com você e a gente tá sempre evoluindo então como eu disse esse curso aqui

ele foi totalmente remodelado ano passado a gente deu ele de uma forma eu remodele ele de uma forma bem diferente esse ano e e eu espero eu imagino que a cada ano que passa a cada versão a gente esteja Melhorando tá bom outro ponto se tem algo que eu não abordei se tem algo que você explicaria diferente se tem algo que é muito complexo e eu acabei não trazendo E você acha que valeria fica a dica vai lá e faz um material escreve um texto faz um post um LinkedIn faz um vídeo eu terei o

maior prazer de compartilhar Beleza então fica aí mais uma ideia para vocês poderem também e estarem junto com a gente tá bom ã vamos lá e aí galera um agradecimento especial Aos nossos patrocinadores então Nosso principal patrocinador quem mais apoia aqui a gente tá constantemente com a gente Desde o ano passado é o Instituto aon Schwartz então se você quer conhecer um pouco mais sobre o Instituto aon Schwartz eu vou deixar o link aí no chat para vocês Tá bom então conheça mais sobre o Instituto aon shorts conheça mais sobre o nosso site conheça mais

sobre os nossos valores eh conheça mais sobre tudo aquilo que a gente tem feito Para a comunidade Beleza então tá aí E além disso a gente tem agora patrocinadores que estão apoiando a gente eh de uma forma mais direta Vamos colocar assim né Eh que é a stc tecnologias está com a gente já faz aí três meses apoiando o nosso canal com apoio financeiro bem forte tá E então conheça aí sobre a stc a stc é uma empresa de consultoria em dados e i e que vai vai te ajudar vai ajudar sua empresa a alavancar

os projetos de Machine learning os projetos analíticos os projetos de dados dentro da sua empresa Então pode dar uma exclamação stack aí para conhecer um pouco mais sobre a stack sobre o que que eles têm para oferecer pra sua empresa Beleza vou deixar também todos os links pra galera do YouTube vai tá na descrição aí do vídeo beleza e por fim data hackers então data hackers é uma comunidade a maior comunidade de data Science do Brasil Então se inscreva Aí na newsletter a newsletter deles Acabei de receber hoje a newsletter deles que é ah foi

fantástica na verdade achei muito da hora vários tópicos bacanas muita coisa sobre a muita coisa sobre llm então dá uma olhada aí no exclamação hacker exclamação hacker você pode se inscrever na newsletter do data hackers se inscreva pelo nosso link beleza Eh porque vai ter muita coisa legal para você acompanhar por lá demorou então conheça mais sobre a maior Comunidade de data Science do Brasil chamada data hackers Beleza então bora lá ã outra coisa para finalizar prometo é a última coisa é último aviso só pra gente começar eh seguinte a gente galera como eu falei

a gente tem esses patrocínios mas de verdade verdadeira o nosso maior patrocinador são vocês então são as pessoas que nos apoiam e é a pessoa na pessoa física aí que nos apoia né então todo sub que vocês dão todo membro lá no YouTube todo pix todo apoia-se todo Live pix isso contribui demais é para vocês que a gente gera esse conteúdo então eu agradeço sempre muito vocês apoiando a gente estamos aqui com 900 quase pessoas nos apoiando na na Twitch né 890 pessoas nos apoiando na Twitch eu agradeço demais muito obrigado mesmo a todos os

apoiadores a todas as pessoas então se você tá aí pela primeira vez ainda não conhece muito bem como é que é meu trabalho dá uma olhada vamos ver eh Acompanhe o curso se você sentir aí no seu coraçãozinho que vale a pena apoiar esse tipo de iniciativa Não deixe de apoiar é extremamente importante pra gente ter este apoio Demorou então tem vários canais aí para você apoiar a gente Ok é isso então o seguinte vamos falar do nosso curso hoje nós vamos falar um pouco sobre introdução área de dados pode ter gente que não sabe

exatamente qual que é todo o potencial dessa área De dados Quais são os US cases vamos falar disso eh também sobre ML na prática aí a gente vai descobrir algumas coisas vamos aplicar algum ah tanto da parte eh teórica né conceitual quanto também no código depois vamos falar sobre um Case específico do Star Wars não sei quantos aí são nerdolas e curtem Star Wars também sobre tipos de aprendizado eh O que que é classificação o que que é regressão ciclo analítico de uma forma muito mais superficial para Depois a gente entrar em cada etapa tanto

nos modelos de regressão quanto nos modelos de classificação beleza e por fim lá no último nós vamos falar sobre um projeto um projeto utilizando os nossos próprios dados os dados aí da nossa comunidade para prever Ch de usuário Tá bom quem é que tá acompanhando Nossa Live depois parou de acompanhar desencanou Será que a gente consegue prever com base nas características dessas pessoas né no Comportamento delas durante as lives Será que elas estão mais engajadas menos engajadas mas mais propensão a deixar de de acompanhar a nossa iniciativa Essa é a ideia Demorou a gente vai

ver isso lá nos últimos dias demorou demorou e obrigadão aí todo mundo que tá apoiando nosso canal descarregando subs gosto demais muito bom ter o apoio de vocês galera [ __ ] Bom vamos lá galera um pouco sobre área de dados né então primeira coisa quando a gente fala de dados assim Quando a gente pensa quando fala qualquer coisa que envolva dados Qual que é a primeira coisa que vem na cabeça de vocês Qual que é a primeira coisa que você tipo para e pensa puf dados não vale falar RPG não vale falar Cassino pensa

em banco de dados informação né A galera tá falando de informação aí no chat e Bi banco de dados Excel Excel é uma boa Excel é excelente né porque se você for parar para pensar uma lista de compras é Por exemplo representa né dados uma lista de compras é a acaba representando dado você vai ter por exemplo o o nome da do produto que você quer comprar e talvez do lado desse produto a quantidade Isso já é uma planilha Isso já é uma tabela Isso já é uma base de dados feita ali com papel e

caneta mas é né lista telefônica Jesus Cristo Será que alguém sabe o que que é lista telefônica no chat eu não sei né Se alguém sabe mas beleza então por que que Vocês acham que é importante ter dados né Por que que a galera coleta dados por que se fala sobre por exemplo legislação de dados porque que apareceu a lei geral de proteção de dados né Por que que as empresas estão interessadas em coletar dados dos seus usuários né Então vão refletindo sobre essas questões e uma dúvida e aí você pode digitar aí no chat

Que tipo de dados Você conhece tá Que tipo de dados que vocês conhecem vocês já ouviram falar que vocês têm contato No dia a dia de vocês lista telefônica a galera aí é mais velha que eu mano é isso bom demais eu lista telefônica era GPS do momento Total total imagens ó lá dados de imagens temos dados de imagens vídeos áudios boa histórico de compra de cliente G G é is telemark informações de clientes estruturados Não estruturados semiestruturados não a galera já táo mais técnica aí né abci do abastecimento De alimentos Supermercado dados de processos

industriais tem bastante coisa né dado de combustível o seu painel do carro né o painel do seu carro né ou não sei se você tem carro mas sei lá o painel do buzão que você pega ou a informação do metrô quantos dados né não existem aí n em todas essas questões que tem no nosso dia a dia dados de saúde exatamente então tem muita coisa então vamos mostrar um pouquinho disso né então por exemplo dados de navegação Dados que você tem aí no seu GPS quando você às vezes vai sair de um lugar para o

outro seja pegando Uber ou seja com o próprio carro ou seja pé você tem aí dados por exemplo de navegação Imagine só a quantidade de dados no Instagram cada curtida que você dá cada post que você faz cada vez que você sobe a tela que você arrasta a tela para cima cada vez que você vai de americanas ali o quanto de dado que não é gerado para saber se você por exemplo curtiu ou não Se você se engajou ou não com aquele vídeo né dados de navegação pensa no no próprio Google Chrome aí no seu

navegador Predileto o quanto de informações que ele não sabe por onde que você está passando por onde você passou para onde você eh acessou as coisas os cliques que você deu né Eh isso aqui é também muito utilizado por exemplo em experiência de usuário dentro das plataformas né como que algumas empresas conseguem melhorar experiência Do usuário dentro do serviço que ela oferece com base na navegação do próprio usuário quantos aí já foram na farmácia e a pessoa nem te dá bom dia ela te pergunta CPF então também é algo extremamente forte cada vez mais a

Indústria Farmacêutica indústria aí das drogarias coletando dados os usuários para entender perfil de consumo para entender que tipo de informação né Que tipo de medicamento que essas pessoas estão consumindo né E ela vai lá e te dá Desconto te dá uma promoção esse tipo de coisa então dentro das Farmácias também é algo extremamente forte essa questão de de dados hoje beleza Eh setor bancário né quem nunca aí precisou pedir limite no cartão de crédito abrir uma conta no banco Como que o banco sabe se você seria um bom pagador né uma boa pagadora ã ou

se não né Será que você vai ser inadimplente Ou você quer fazer um financiamento do da sua casinha né Eu tô Doido para montar uma casinha para montar um terreno subir uma casa eu tenho que ir lá no banco agora ver se ele vai aprovar um financiamento ou não então pô é isso né você pode pensar que o banco também é um de dados aí de muitos dados para entender se vale a pena ou não eh recomendar um crédito definir limite de crédito né uma um um canal de crédito para aquela para aquele usuário para

aquela pessoa e tal né e Netflix Netflix streaming então tanto Aqui na Twitch a gente pode pensar em streaming de forma geral mas Netflix Amazon eh HB Max eh Disney starplus Twitch YouTube todos esses serviços tambémm armazenam muitos dados dados tanto que eles geram por exemplo os filmes os vídeos e tal mas também dados que o usuário gera então quantos cliques leva até a pessoa escolher um filme quantos cliques leva até a pessoa encontrar aquele conteúdo que ela gostaria né então tem esse tipo de coisa Ou quanto tempo de filme que a pessoa assistiu a

pessoa abandonou uma série no meio ou não então com base nessas informações que o próprio usuário tá gerando também é possível fazer e uma um sistema por exemplo de recomendação beleza sem cliques eu acho o filme Pois é tem a gente às vezes gasta mais tempo encontrando o filme ideal do que assistindo não é mesmo e por fim acho que o Peter louco falou aí né sobre Dados de consumo então pô dados de consumo de tipos de produto que as pessoas compram no supermercado na Amazon no Mercado Livre e assim por diante né aquela famosa

cestinha de compras pra gente poder eh entender perfil de consumo ou até mesmo fazer algumas outras coisas por exemplo abastecimento como é que eu faço uma previsão de abastecimento das minhas gôndulas ou do meu estoque posso usar também análise de consumo Demorou então Nossa tô falando para [ __ ] mas tá claro isso eu tô tentando dar vários exemplos para vocês entenderem aí tudo que cerca o mundo dos dados Demorou então bora bora lá bom galera e aí a gente fala também de outros tipos de coleta de dados que às vezes a gente pá se

esquece né O que a gente não não ouve falar tanto que são algo extremamente importante né são alguns eh meios de qual dado extremamente relevantes extremamente importantes que são as Pesquisas de mercado ou as pesquisas eleitorais ou os censos Beleza então Existem algumas instituições governamentais ou não que fazem esse tipo de pesquisa tá trouxe aqui alguns exemplos IBGE então a gente teve o Censo aí 2023 é extremamente importante para que norteiem as nossas políticas públicas é extremamente importante a gente ter conhecimento sobre a nossa população eh a nilsen por exemplo cantar eh Datafolha Ipsus são

outras agências são outros tipos de empresa que também fazem pesquisa de mercado né quando Você às vezes compra um carro lá na Volkswagen depois de um tempo você vai receber por e-mail ou um telefone de uma dessas empresas aí te consultando como é que foi a sua experiência de compra de carro então é é algo que também aparece muito então a gente tá muito acostumado Nossa bolha de desenvolvimento acostumada a falar de dados como se fossem só bancos De dados né E que o eh o digital gera mais dado né e apenas isso mas a

gente também tem coleta de dados de forma analógica Vamos colocar assim né aonde as pessoas tem que ir a Campo tem que ir lá na cidade tem que ir lá trocar ideia pra galera eh trazer a opinião pública Beleza então e é na real a forma menos viesada Vamos colocar assim porque você consegue garantir certa aleatoriedade já na internet é muito mais complicado fazer Isso mas aí é um debate muito mais extenso que a gente tem aqui de tempo Beleza tamo junto E aí galera algumas possibilidades de dados eu não quero estressar tanto isso aqui

também acho que muita gente já ouviu eh a gente tem aqui uma cacetada de possibilidades previsão de venda tempo de garantia [ __ ] como é que a galera sabe que um computador pifa Qual que é o tempo que eu tenho que dar de garantia o Por que as empresas vendem garantia estendida né Limite de crédito igual a gente falou manutenção de equipamento industrial pô como é que a galera sabe que eu tenho que fazer uma manutenção preditiva uma manutenção são que e eu consigo detectar antecipadamente que um motor vai falhar que o equipamento vai

falhar né e recomendação de produtos a gente já falou como é que eu faço um Carrossel de produtos de quem viu também viu quem comprou também comprou esse tipo de coisa definição de metas como é que as Empresas definem metas a serem atingidas no próximo Quarter no próximo ano olhando para o passado olhando para métricas passadas olhando para o desempenho histórico né Eh PLN que é algo que tá cada vez mais na moda processamento de linguagem natural com as llms agora mais ainda né então importante dizer que eh com dados Não tão estruturados assim a

gente também tem avançado definição de cluster de Clientes como é que eu agrupo os meus clientes de diferentes em diferentes perfis em diferentes grupos para fazer ações direcionadas para cada grupo validar produtos com usuário então como eu disse pô inventei algo inventei algo aqui super específico né um produto eu quero saber e como que o usuário usa isso se ele tá usando da forma correta ou qual que a experiência que ele tá tendo com aquilo beleza e vai dar produtos que usuário acabei de falar Entender sazonalidade pô Será que existe o que a gente tá

vivendo agora nesse momento com o Rio Grande do Sul será que toda aquela aquele volume de água é era um volume de água esperado sazional já aconteceria no passado se eu tivesse condições de observar o passado né de todos os eventos aí climáticos Será que já era algo esperado que a gente poderia ter se prevenido esse tipo de coisa então sazonalidade não só de clima mas até de Vendas imagina o que que acontece com Dia das Mães nas floriculturas nas lojas de cosméticos nos nas lojas de chocolate será que é esperado um volume de vendas

a mais Então esse tipo de coisa eh a parte de sazonalidade é extremamente importante Belê visão computacional a gente também tá falando muito disso sobre reconhecimento de imagem reconhecimento de padrões visuais é criação de imagem performance de atletas a gente tem visto também muita Coisa assim bacana no Linkedin tem algumas vagas que eu já visto de cientistas de dados na área de esporte então se você quer ali fazer por exemplo trabalhar dentro do de uma coisa que você curte Como por exemplo o próprio Esporte ou Esporte eletrônico também é algo bem bacana também que tem

crescido e algo que eu gostaria de trazer que é extremamente relevante Principalmente nos últimos 4 anos aí que a gente viveu a eficácia né e eficiência de vacinas e Medicamentos tá então a base de comparar aí se uma vacina ela realmente é good se ela faz bem ou se ela tá sendo eficiente eficácia eh é com base em é com base em experimentação e geração de dados Demorou então tô falando para [ __ ] mas basicamente Se a gente pudesse resumir tudo isso daqui a ideia é que todas essas questões tem como objetivo tomar melhores

decisões sejam decisões de negócio Para viabilizar o negócio para potencializar o negócio mas Também para pesquisa então você pode melhores decisões na sua pesquisa científica eh ou na construção de algo novo utilizando dados beleza é isso aqui um exemplo do que a gente fez até olhando para até questões de políticas públicas isso aqui são os dados da dos candidatos 2022 e a gente agrupou os partidos políticos com base na diversidade em relação à raça e também a taxa de mulheres olha só que que visualização bacana que você consegue Identificar rapidamente Quais são os partidos que

T maior né taxa de mulheres e maiores taxas de pessoas pretas dentro desses partidos como candidatos então é é algo simples que só com os dados públicos que estão disponíveis na internet você consegue traçar esse tipo de análise Demorou ã E aí algo também que é pra gente entender que tem muita gente que pergunta os tipos de profissionais de dados Então hoje a gente tem se eu Pudesse definir eh três uma Tríade né de profissionais que você pode eh atuar dentro do mercado de trabalho seria engenharia de dados análise de dados e ciência de dados

a galera de engenharia de dados vai ser muito mais responsável por fornecer os dados tá Li tá ligado coletar os dados de diferentes sistemas de diferentes fontes de dados consolidar e disponibilizar isso de uma forma centralizada e acessível beleza e claro Da melhor forma possível com a maior qualidade né já a galera de análise de dados e cências de dados é quem vai consumir este dado vai est ali buscando essas informações para tomar alguma decisão de negócio para gerar algum relatório para mostrar uma fotografia do que que está acontecendo com a nossa operação do nos

da nossa empresa e assim por diante e ciência de dados vai est olhando isso muito mais com o viés preditivo Pô o que que pode acontecer Com base no histórico o que pode acontecer o que pode dar certo o que pode dar errado eu consigo identificar eh eh perfis de usuários consigo identificar aqui uma uma uma um forecast será que eu consigo fazer uma previsão aí pros próximos meses do nosso estoque e assim por diante Então é eu gosto de trazer um pouco essa essa Tríade aí para vocês entenderem a atuação né que a gente

pode ter dentro da área de dados Ok e hoje a gente vai focar mais na Ciência de dados né Por Conta do curso de machine learning aqui uma fotografia e do state of data State of data 2023 é para vocês entenderem aí a galera falar ah mas engenheiro de dados ganha muito mais Ah e cientistas de dados e pipipi pó então de fato a gente vê que engenharia de dados é é onde vão ter os maiores salários mas não é tão discrepante assim para ciência de dados e a aqui se vocês quiserem pode dar um

print aí nessa foto eh quem fez quem Responsável por essa por essa análise aqui por essa pesquisa é o data hackers também tá eh e aí tem ali o link da fonte que eu tô tirando E aí tem ali todas as faixas desde o nível Júnior até o nível sênior para cada um desses profissionais análise ciência e engenharia Demorou aí vocês podem ter uma noção do quanto que essa galerinha ganha por mês Demorou Ufa Agora Sim depois que eu falei para caramba Tô vendendo para vocês a área agora a gente vai falar sobre o tal

do machine learning Demorou Bora lá tá tudo bem até aqui bora começar quem tá vivo aí no chat me dá um salve pelo amor de Deus sensacional Então bora lá galera Então vamos pensar o que que é machine learning agora vamos entrar Realmente vamos entrar realmente no que interessa então machine learning eu queria Primeiro trazer para vocês o exercício de Pô e como que a gente consegue descobrir por exemplo qual que é uma fruta que o t gosta de comer eu não curto muito fruta não tá sendo bem real assim é Eu evito bastante o

meu negócio é mais comer porcaria mesmo uma batata frita um bife um churrasquinho um arroz mas vamos supor que exista uma fruta que eu curta comer tá bom e qual que seria essa fruta Então eu queria que vocês pensassem assim ao acaso de forma Totalmente aleatória tá sem ter informação alguma sem ter informação alguma qual que é a chance de vocês acertarem a fruta que eu como com base nas que estão aí claro né com base nas que estão aí baixa né uma em sete então eu tenho 1 2 3 4 4 5 6 7

temos S beleza aí eu vou começar a dar algumas dicas PR ver se a gente melhora a nossa previsão então falei olha é redonda e esférica e agora qual que é a nossa chance de acertar qual que a nossa probabilidade De acerto seria uma em CCO perfeito Se eu der mais dicas vocês concordam que cada vez mais a gente vai restringindo o nosso espaço de possibilidades Olha só vermelha tá lá e por fim 12 Então agora eu saio de um entre sete e Caio uma entre duas isso aqui tem tudo a ver com o nosso

curso de probabilidade nosso curso de estatística nosso curso de estatística que e fala sobre probabilidade condicional Beleza então o nosso nosso Curso de probabilidade adicional eh fala basicamente sobre isso daqui a gente vai ganhando informação e com base nesse ganho de informação a gente começa a fazer um zoom no nosso eh no nosso espaço de de possibilidades tá claro isso galera e Vocês conseguem para vocês vocês acham que é muito melhor errar Entre uma e duas do que uma em sete certo tô maluco bom demais bom demais e aí como que isso fica em vias

de dados Será que eu consigo representar isso aqui por meio de dados Então olha só que legal aquelas frutas que estavam lá agora eu tô representando elas num formato de tabela num formato de planilha Então olha só eu tenho aqui cada coluna uma uma informação a respeito da fruta e cada linha eu tenho uma fruta diferente Demorou tá claro então cada linha aqui eu tenho uma fruta diferente e cada coluna eu tenho aqui uma característica Desta fruta o nome que a gente dá para essas coisinhas aqui para essa parte arredondada suculenta vermelha doce é atributo

ou covariável ou variáveis explicativas preditoras Independentes beleza é o nome que a gente dá para esse tipo de coisa aqui e aqui do lado a gente dá o nome variável alvo ou resposta ou dependente Então olha só eu peguei aquelas frutas que elas estavam eh totalmente aleatórias lá e transformei e abst aí aquelas Informações para uma tabela para dados eu construir dados a partir daquela imagem daquelas imagens né então eu tenho aqui se ela é arredondada ou não se ela é suculenta ou não se ela é vermelha ou não se ela é doce ou não

e o que a gente chama que a gente quer prever que é a variável target ou alvo ou resposta Demorou tá claro isso a gente separou cada linha continua sendo uma fruta Eu tenho algumas características dessa Fruta eu tenho o nome da fruta tem gente chama de Label isso aqui então a gente tem aqui a Label da minha fruta e as características dela a ideia de qualquer algoritmo de aprendizado de de máquina é descobrir algumas regras algumas características alguns padrões que consigam separar discriminar as os nossos objetos beleza e aí me fala uma coisa teria

alguma chance teria alguma chance dela recomendar por exemplo desse algoritmo Aprender o que que é uma melancia teria alguma possibilidade de eu falar olha é uma fruta redondada suculenta não é vermelha é doce teria a possibilidade dela me recomendar uma melancia não teria né Por quê porque a máquina não sabe o que que é uma melancia ainda ela só sabe o que é morango O que é limão o que é pera O que é banana O que é cereja O que é tomate o que que é maçã então perceba galera que a a coisa mais

importante uma das coisas mais Importantes eu di que é a coisa mais importante que a gente tem em qualquer modelo de aprendizado de máquina são os dados entendeu são a entrada é a matériaprima é como eu ensino a má da mesma gente da mesma forma que a gente só conhece aquilo que a gente observou que a gente estudou que a gente sabe que existe né que a gente conhece que a gente passa a conhecer que nos é apresentado pra máquina também se você não apresentar para ela se a gente não Apresentar para ela alguma coisa

ela não vai saber que aquilo existe E aí não tem como ela fazer uma predição em cima de algo que ela não observou tá claro isso tá claro isso e tá Claro Então por que que por exemplo o open ai quer varrer a internet inteira quer pegar toda a internet colocar dentro da máquina tá passar pel um aprendizado de máquina é isso Beleza excelente então agora trazendo uma definição um pouco mais formal né a Ideia do aprendizado automático né É É realmente fazer o reconhecimento de padrões beleza e isso é o que a gente também

chama né então é é um isso é um subconjunto do que a gente chama de Inteligência Artificial Inteligência Artificial é algo mais amplo e a gente tem uma fatia dentro da Inteligência Artificial chamado aprendizado de máquina tá bom eh e aí a gente define né como esse aprendizado de máquina como um campo de estudo que dá ao computador a Habilidade de aprender sem ser explicitamente programado a gente vai fazer exatamente isso eu quero mostrar para vocês como que a gente vai construir isso daqui de uma forma de de forma explícita programando mesmo e depois de

uma forma da máquina aprendendo o que que é cada uma das eh frutas sem que eu precise dizer para ela explicitamente ela só ter acesso aos dados e ela vai aprender aspas sozinha como aprender em cima como que é cada Fruta o que que cada fruta representa Beleza a gente vai fazer isso hoje já Já demorou então tá claro para vocês o que que é aprendizar de máquina é basicamente eu não precisar Um Ser humano não precisar digitar código a código explicando o que que cada coisa é mas sim eu fornecer uma massa de dados

para que o computador aprenda a partir desses dados beleza e aí você tem vários algoritmos várias técnicas de aprendizado nós vamos passar por algumas Aqui dentro do nosso curso ok e vocês perceberam uma um ponto importante vocês perceberam a gente vai falar disso mais adiante mas tudo que a gente vai falar sobre aprendizado de im isso também se reflete nos modelos mais recentes de llm etc é com base em probabilidade probabilidade ela sempre vai fazer a recomendação mais provável de acontecer não necessariamente essa essa recomendação é a correta só é a que ele tem mais

chance de ser correta Entende a diferença então é sempre uma tanto é que você pode pedir pro chat GPT refazer a resposta aí ele vai mudar um pouco as coisas mas sempre é com base em termos probabilísticos beleza isso é importante tá E aí nada melhor do que cerveja pra gente aprender o que que é aprendizado de máquina tá eh e aí nós vamos construir o nosso algoritmo de aprendizado de máquina Essa é a real isso aqui que a gente tá trazendo agora Para você é fazer um algoritmo de aprendizar de máquina na mão nós

vamos fazer na mão e depois a gente vai pro código fazer a mesma coisa Demorou mas primeiro vamos fazer na mão sem eu falar para vocês o nome do algoritmo sem eu falar nada disso vamos fazer juntos e aí depois a gente vai pro código fazer a mesma coisa Demorou então cerveja né é a a fonte de todo o conhecimento a fonte de toda alegria que a gente tem muitas vezes Então vamos entender como aplicar algo voltado aí a aprendizado de máquina utilizando cervejinha Então pense que a gente tem três tipos de cerveja beleza três

tipos de cerveja a gente tem a cerveja pe a gente tem a vice Bear e a gente tem a pilen beleza são três tipos de cerveja cerveja va cerveja pilsen e a pe beleza três tipos e cada uma dessas cervejas cada um desses tipos tem algumas características né a gente tem por Exemplo vocês podem observar aí algumas coisas vamos perguntar primeiro né O que que que vocês enxergam aí vou peguei aqui a vibar que que que vocês enxergam de características da mesma forma que a gente tinha lá nas frutas que a gente viu as características

das frutas cor formato se é doce ou não que que a gente tá enxergando aqui nas cervejas tá cor espuma eh copo colarinho boa tipo de Copo beleza E tem também Essa paradinha aqui ó Essa paradinha é um gelinho né Eu como como estatístico sou um ótimo designer isso aqui é a temperatura que ela deve ser servida beleza temperatura que ela deve ser servida Tá bom então vamos lá ó a gente tem de fato aí a temperatura que é o gelinho a gente tem aí o tipo de copo que ela tem que ser servida a

gente tem a espuma se ela é servida com espuma ou sem espuma e a cor a tonalidade dela né se ela é clara ou Escura Demorou então olha só que bacana a gente tem essas quatro características observando aqui desse jeito as nossas cervejas Demorou Qual que é o nosso objetivo galera nosso objetivo é o seguinte mano olhando olhando para essas características olhando para essas características pro copo pra temperatura pra cor pra cerveja pra PR espuma será será que eu consigo separar essas cervejas os tipos dessa cerveja Então vamos lá aqui tão todas as minhas Cervejas

todas as cervejas tem 12 cervejas aqui se eu não me engano acho que é 12 É 12 É 1 2 3 5 9 12 beleza temos 12 cervejas eu quero separar elas eu quero colocar peo para um lado vib pro outro lado e psin pro outro mas considerando as características dela então por exemplo vou dar um exemplo aqui se eu pegar a temperatura se eu pegar escolhir a temperatura e vou pegar todo mundo que tá com gelinho Azul vai para um lado Todo mundo que tá com gelinho Amarelo vai pro outro eu consigo separar elas

Deu para entender a gincana E aí eu quero que vocês façam alguma sugestão quero que vocês faem alguma sugestão aí por onde que a gente pode começar por onde que a gente pode começar digita aí pelo copo olha só se eu separar pelo copo a p vai ficar sozinha junto com algumas vice Bear e a pilsen vai ficar sozinha com algumas vi Bear Então já separei certo pelo menos Eu já separei aqui a payway ou da pilsen né pay eu só tenho esse copo pilsen eu só tenho esse copo ainda vai ficar misturado pay com

vi e pilsen com vi mas já tá separado se eu for pela cor eu ainda vou ter ó payway das duas cores pilsen das duas cores vi Bear das duas cores a cor não ajuda muito a a cor já não ajuda muito vocês concordam que o copo separa melhor quem acha que o copo separa melhor que a cor a temperatura também não ajuda muito não vamos um de Cada vez Vamos um de cada vez ó Então vamos lá ó eu peguei o copo escolhi o copo beleza e aí eu separei Olha só todo mundo que

é do do copo do tipo Mug foi para um lado e quem é do tipo Pain foi pro o outro beleza olha só que belezinha separei em dois grupos Beleza agora vamos olhar para cá ó para essa parte aqui para essa parte do Mug aqui do lado do lado esquerdo aqui ó que que eu posso separar agora que que eu posso usar para separar essas Essas cervejas aqui que deixa elas mais sozinhas aí vamos lá se eu separar pela temperatura se eu separar pela temperatura agora eu tenho um nó que a gente chama de Puro

eu tenho nó puro olha só aqui nesse Nozinho aqui só tem pilsen então se eu falar para vocês mano olha só peguei uma cerveja aqui que ela veio num copo do tipo Mug e ela foi servida mais ou menos menos 1 grau Belê que cerveja que é essa Deu para entender Me servi iram um copo do tipo Mug uma caneca gostosona e ela tava mais ou menos a menos 1 grau que cerveja que era essa era uma pcin Demorou E agora como é que eu separo essa pcin dessa V como é que eu posso separar

essas duas aqui pela cor então se eu falar para você mano é uma Me serviram aqui uma cerveja numa Caneca chamada Mug ela tá -5 gra e ela é clarinha que cerveja que é essa é pen então vocês perceberam que a gente foi Fando os nossos dados aqui legal e agora me fala aqui em cima ó aqui em cima no pint como é que eu faço para separar essas duas cervejas aqui a temperatura resolve Olha só belê a temperatura ali já resolve E aí agora eu tenho só nós puros 1 2 3 4 5 6

7 8 9 10 11 12 tá certinho beleza tá claro aí galera então com base nessa estrutura aqui a gente consegue prever qualquer cerveja com base nas Características dela então se chega uma cerveja para mim num pint bonitão tá ligado num Pain e ela tá trincando de gelada mano tá muito gelada tá muito gelada que cerveja que é essa veio um Pain aqui para mim trincando de gelada que cerveja que é essa pe beleza é gelada Beleza se ela tá trincando de gelada tá Men 5 gra então é uma p tá bom Beleza o nome

disso daqui galera o nome dessa paradinha aqui é ávore de decisão o nome que a gente acabou de fazer isso daqui é árvore decisão e como que a gente fez essa árvore de decisão vocês concordam que a gente sempre foi buscando a pureza do nosso nó o nome disso daqui é nó ou Folha quando a gente tá na última aqui chama folha a gente não sempre foi buscando a pureza então quanto mais puro significa que melhor eu separei aquela Variável aquela característica foi melhor aproveitada ela discrimina mais os nossos dados ela fatia melhor os nossos

dados Deu para entender é isso que uma árvore de decisão busca É só isso que ela busca a pureza dos nós beleza e aí Pergunta para vocês pergunta A Espuma ajudou alguma coisa aqui eu saber se a cerveja tinha espuma ou não ajudou alguma coisa e eu descobr que que cerveja que é só que o Garçom é [Risadas] ruim exatamente então perceba galera que vão ter variáveis que a gente vai querer utilizar no nosso problema de aprendizado de máquina que não ajudam a gente a utilizar o nosso algoritmo ou a nossa predição percebe mas como

utilizar como escolher o atributo Inicial né você não sabe e é para mim isso é a coisa mais bacana do Mundo velho a a coisa mais bacana do mundo é você ser criativo você exercitar criatividade para pensar nas variáveis e depois testar as variáveis tá ligado Você vai testar as variáveis Então você vai olhar para um problema de negócio você vai pensar num problema da sua empresa e você vai sair criando variáveis pensar em variáveis e depois você vai testar e descobrir quais variáveis ajudam mais a entender qual que separa qual que melhora o seu

Algoritmo Deu para entender é isso isso para mim é o que a inteligência artificial ainda não não vai conseguir alcançar tão cedo a criatividade humana a criatividade de pegar um problema do mundo real e abstrair e pensar em quais variáveis podem ser utilizadas para resolver esse problema tá bom então é isso que eu acho mais Goe de tudo beleza nó puro no sentido de caminho único exatamente então quando a gente fala nó puro quando fala nó puro significa que Naquele Nozinho naquele quadradinho nesse retangulo Zinho só existem e cervejas do mesmo tipo Beleza beleza é

isso Ficou claro galera curtiram então demos o primeiro passo rumo ao aprendizado de máquina Ok e como que a gente representa isso como que a gente representa isso no em vias computacionais em dados Olha só olha só que da hora a gente vai representar desse jeito aqui a gente tem Cada linha uma cerveja cada linha uma cerveja cada coluna uma característica então da mesma forma com as frutas da mesma forma que as frutas a gente tem aqui as características da cerveja e o que eu quero e o que eu quero prever que é a nossa

variável alvo que é que tipo de cerveja que é Beleza a gente vai falar a gente vai entrar na parte teórica da e árvore decisão amanhã beleza Hoje eu quero e mostrar para vocês o como E aí Amanhã a gente vai entrar no detalhe Beleza hoou a gente vai aprender só a árvore e amanhã tem nos slides tem muita coisa teórica aí pra gente ver tem demonstrações aí pra gente ver beleza tem visualizações pra gente enxergar depois a gente vai ver isso com calma tá bom hoje por enquanto só confia beleza beleza tá claro então

agora chegamos aí na metade da aula é isso então vamos lá galera e disponibilizei para vocês aí da Exclamação PPT tem o link do na no slide 4 tem o link do repositório e o link dos dados tá primeira coisa que vocês vão fazer tá primeira coisa vocês vão baixar o repositório tá só baixar o repositório então clica ali em você pode fazer download com Zip ou download de outra forma aí que você queira tá basta baixar os dados tá bom então é isso baixe os dados não desculpa o Repositório belê Ok obrigadão aí pelo

Sub viu éco Valeu demais mano obrigado cara só não vou L agora porque a gente tá meio do curso mas Obrigadão viu É nós eh Então galera Pode baixar o dado aí pode baixar ó download é Zip vou fazer junto com vocês ó clica aqui em code acessa esse link que eu tô mandando acessa o link que eu tô Mandando clica aí em code download zip download Zip clica aí download Zip ele vai baixar eu vou migrar ele para outro lugar então control x vou colocar na minha área de trabalho tá ó área de trabalho

tá na minha área de trabalho coloque na área de trabalho porque fica mais fácil Clica com o botão direito extrair aqui e pronto então eu tenho agora a minha pastinha aqui ó essa minha pastinha chamada Ml4 pones tro M Belê todo mundo conseguiu baixar fala comigo pelo amor de Deus vai o chat tá mudo fala comigo todo mundo conseguiu baixar aí repositório Beleza a gente tem aula sobre Git lá no YouTube também se tiver perdido tem aí aula de Git lá no YouTube demorou é isso OK agora que que nós vamos fazer agora nós vamos

baixar os dados então nós precisamos dos dados aonde que estão os dados aqui no repositório no meso Repositório tem aqui ó readme lá embaixo desce tudo desce tudo tem assim ó basta com os dados de exemplo para aplicação prática clica no link basta clicar no link Você pode baixar tudo isso aqui pode baixar tudo tá ó seleciona tudo seleciona tudo clica aqui ó seleciona tudo e vai lá download download download aonde que você vai fazer o download desse cara faço o download na mesma pasta Beleza vou mostrar aqui ele tá tá terminando ó Então tá

aqui ele foi parar lá no meu no meu downloads tá aqui ó Foi parar lá no meu downloads eu vou dar um control x nisso aqui e vou jogar lá na minha área de trabalho dentro da área de trabalho ml for pones E aí aqui dentro tem assim ó data tem uma pasta chamada data Você joga lá dentro da pasta chamada data e aí você pode extrair aqui tá vou até tirar aqui colocar aqui beleza então a única coisa que você precisa fazer é Baixar os dados baixar o repositório e colocar todos os dados dentro

da pasta data dentro da pasta data do seu repositório que você baixou tá bom beleza deu para entender então tem que tá essa cara aqui ó o seu repositório que você baixou vai tá lá dentro de área de trabalho E aí dentro da pasta dados data vai ter tudo isso daqui Ok então tá Bom então agora galera eu vou abrir o visual Studio code vou abrir aqui o visual Studio code deixa eu fechar esse cara deixa eu abrir ele aqui abre visual Studio code ó tá vazio aqui o meu visual Studio code vocês estão vendo

não tem nada dentro dele tá completamente vazio vou dar um zooms aqui para vocês enxergarem melhor tá aqui Belê E aí vou ali no Explorer clicou no Explorer vai ter Open folder então vou clicar em Open folder vou lá na minha área de trabalho ml Abrir pay tá aqui Belê tá aí então tem aí agora dentro do vs code o nosso projeto tá bom dentro do vest code tem o nosso projeto vamos no dia 01 no dia 01 E aí aqui nesse dia 0 a gente tem dois Cer a gente tem dois scpt vamos abrir

o frutas frutas PP todo mundo aí no frutas P pai Demorou E aí eu do jeito que tá aí do jeito que tá aí coloca o cursor aqui na linha TR coloca cursor na linha 3 e control enter beleza contol enter ih Pera aí Ah pera aí que eu tô com outro cara aqui pera aí eu tenho que tá no ML pera aí mais alguém deu esse erro Também mais alguém deu ess Serro deu tá tá você vai digitar o seguinte aí galera ó vamos lá seguinte galera Ó e vocês vão baixar o repositório baixou

o repositório dá exclamação PPT aí para ver tudo que tem lá no no link do quarto slide vai baixar o repositório vai baixar os dados aí você vai colocar os dados dentro do repositório Belê seguinte deu problema aí não conseguiu Importar você vai fazer o seguinte ó você vai abrir o terminal do vest code vai abrir o terminal do vest code beleza abre o terminal aí do vest code aqui embaixo pode clicar lá em terminal se você quiser e dar um New terminal alguma coisa assim e você vai digitar PIP install menos R requirements desse

jeito tá desse jeitinho que tá aqui desse jeitinho aqui ó pay beleza desse jeitinho que tá aí pode Pode pode pode pode desse jeito tá aí ó aí você vai dar um enter Belê e só aí pode ser que dê algum erro tá pode ser que dê algum erro aí vê aí se dê algum erro no meu aqui deu um erro mas é é é outra coisa é outra coisa tá bom É na 3.1 né É três ponto um aí vamos ver se vai agora aí pronto agora vai aí galera quem terminou de fazer isso

vai ter que inst vai ter que fazer mais uma coisinha vai ter que digitar exclamação Exclamação não PIP install isso aqui Belê ó isso aí demorou como faço para verificar eu tenho Python na [ __ ] Eh cara dá um [ __ ] espaço info ó [ __ ] info envis desse jeito vê se tem alguma coisa aí belê e se você não tiver tem vídeo nosso ensinando a como instalar pandas e os tudo Demorou quem tá comigo aí galera quem conseguiu ler o arquivo aí esse esse arquivo aqui quem conseguiu ler isso aqui e

abrir o terminal embaixo aí você tem que clicar aqui ó bem aqui quando você for passar o mouse aqui embaixo ó aqui embaixo vai aparecer essa setinha aqui ó pay E aí você clica e arrasta para cima tá bom é isso então vamos lá olha só a gente tem aqui os nossos dados certo os dados das frutas igualzinho igualzinho que a gente Tinha lá no PowerPoint não mudou nada É o mesmo dado E aí qual que é a ordem que a gente viu lá que a gente viu lá no PowerPoint a ordem das dicas Cadê

a ordem das dicas como é qual que era a ordem das dicas que a gente teve a gente vai fazer do mesmo jeito na mão então primeira Sera redonda e em formato de esfera Então qual que é a ideia vamos fazer a mesma ginc só que olhando para aquilo lá então Tem aqui ó arredondada como que a gente verifica se ela é arredondada ou não com base nisso que tá aqui o zer É não arredondada e o 1 é arredondada certo então a gente pode fazer o seguinte com pandas só pandas tem curso de pandas

nosso YouTube DF na posição arredondada igual igual a um quando a gente faz isso olha só ele vai retornar true e false então novamente Olha só se Eu não tenho nenhuma informação eu vou pegar qualquer uma delas ao acaso eu tenho uma em S para acertar se eu coloco um filtro filtro Redonda desse jeito e eu filtro os meus dados ó DF na posição filtro Redonda Agora eu tenho quanto qual que é o tamanho disso aqui ó eu tinha sete agora eu tenho Fala comigo meu povo que que a gente tá fazendo aqui na unha

a gente tá Reduzindo o espaço amostral certo não estamos reduzindo o número de possibilidades aplicando um filtro chamei isso aqui de filtro redonda e eu apliquei beleza é só esse filtro que a gente vai ter é só esse filtro que a gente vai ter não a gente também tem o filtro de suculenta então eu posso pegar o filtro suculenta suculenta e colocar aqui ó Suculenta E aí agora eu adiciono mais esse filtro aqui eu vou colocar suculenta deste jeito será que vai dar certo Olha só agora eu tenho quantas Eu tenho quatro que mais que

eu tenho aqui vermelha então vermelha Vamos repetir aqui filtro underline vermelha vai ser igual a DF Vermelha igual igual a 1 então filtro vermelha e e vermelha tá aqui quantas que eu tenho agora três certo e por último a 12 então vou até copiar aqui aqui ó 12 e aí a gente filtrou e aí eu tenho isso daqui tenho duas vocês perceberam que a gente teve que eh e definindo filtro por filtro filtro Por filtro escrevendo filtro por filtro certo tivemos que escrever cada um desses filtros conseguiria fazer tudo no mesmo filtro conseguiria só que

aí você ia ter que encadear tudo isso você fez tudo no mesmo filtro você fez tudo isso no mesmo filtro né a diferença de escrever assim e diretamente é que você ia ter que colocar desse jeito ó você ia ter que colocar assim aqui aí Isso aqui ia ficar um pouco mais horripilante Ó você tem Que fazer desse jeito tá E aí isso aqui não é muito legal ó você tem que fazer desse jeito e colocando isso aqui dá na mesma ó funciona do mesmo jeito ISO aqui é meio ripilante então a gente deixa desse

jeito Belê tá claro galera isso aqui então a gente de maneira intuitiva de maneira eh né mais de deve sem sem ser tão analítico assim a gente definiu todos os filtros e a Gente executou certo vamos aprender como que a máquina aprende isso vamos aprender como a máquina aprende é boa vamos entender como é que a máquina aprende a o mesmo dado vou usar o mesmo dado beleza e aí vamos fazer o seguinte a gente vai usar uma biblioteca a gente vai usar uma biblioteca chamada p kit learning então Import from né na verdade from

from sk learning Import Tree Então essa daqui é a biblioteca que nós vamos usar Para fazer a nossa árvore decisão E aí primeira coisa galera a gente vai ter que definir Quais são as nossas variáveis lembra que a gente falou sobre atributos atributos variáveis variáveis explicativas quem que são essas variáveis né quem que são essas coisas que vão ajudar a gente a entender são justamente esses campos aqui ó esses campos aqui então nós vamos definir uma lista desses caras aí que eu vou chamar De features desse jeito Olha só então eu tenho a minha feature

chamada arredondada a minha feature chamada suculenta a minha feature chamada vermelha e a minha feature chamada doce tá aqui e quem que é a minha target também podemos chamar de nós não nós é outra coisa nós é outra coisa e quem que é minha variável target quem que eu quero prever quem que eu quero que a máquina aprenda o que que é O quê é a tal da fruta correto não é a fruta que eu quero que ela entenda Então Eu Vou Chamar esse cara aqui de ig a Opa bruta desse jeito Eu imagino que

vocês estão querendo executar o código junto aí né estão querendo aprender então eu vou ir na maciota para ninguém ficar para trás Demorou então o que que a gente fez até agora a gente definiu quais são a lista né Qual é a Lista das características das minhas frutas que é arredondada suculenta ele é doce e a Target Beleza a gente dá o nome de X para as variáveis Então se a gente pegar aqui features desse jeito ó e mostrar o x Quem que é o x olha só agora eu tenho um Data Frame Eu tenho

um Data Frame que tem só quem tem só as caracter Beleza tem só as características a galera que tiver dando pipoco dá um Exclamação discord aí vai lá no nosso discord depois troca uma ideia e vai ter gente que consegue te ajudar Demorou e agora eu posso também fazer o y que vai ser DF na posição target então em programação em em em machine learning é muito comum você ter o x que é as nossas variáveis e o y que é o que eu quero prever Belê tá claro isso Tá bonitinho Deu para entender bo

aqui Beleza e agora por fim nós vamos ensinar a máquina nós vamos falar pra máquina aprender com esses dados Então nós vamos definir a nossa árvore vou chamar aqui ó árvore vai ser igual a 3. decision 3 classif Fire desse jeito e árvore ponto Fit e vamos colocar x e y então o que que é isso galera eu tô definindo um objeto no Python como se fosse uma lista como se fosse uma tupla como se fosse um Dicionário como se fosse um Data Frame só que que que objeto que é esse esse objeto é um

objeto do tipo decision 3 classifier então lá dentro da biblioteca do py kit learning existe um módulo chamado tri e dentro desse módulo chamado tri existe um objeto Chamado decision 3 classifier que aí eu tô invocando ele aqui e aí depois eu tô pegando esse objeto e usando o método dele chamado Fit que que é o método Fit o método Fit é o método aprenda Ei Árvore decisão Aprenda com esses dados que dados o meu x que são as minhas variáveis são as as características que eu tenho da minha fruta e o y que é

a fruta propriamente beleza tranquilo é isso tá claro tá claro até aqui beleza e agora eu vou executar 1 2 3 e 1 do 3i ele executou não deu problema ele Exibiu Essa paradinha aqui ele ajustou então agora isso aqui galera Sabe aquele exercício que a gente fez na mão que a gente foi pegando e separando os nós e quebrando e e sabe tudo aquilo que a gente fez toda aquela parada que a gente fez com a cerveja aquela slide por slide que a gente foi descobrindo as variáveis separando e tal quem qu faz isso

é esse cara aqui ó essa linha de comando chamado ponto Fit É que vai fazer aquilo lá que vai Construir aquela estrutura tá ligado é ela então esse ponto Fit é exatamente aquilo que a gente como ser humano saiu fazendo na mão e definindo aquela estrutura quem faz isso aqui no Python é esse cara chamado ponto Fit beleza é isso E aí agora olha só que legal agora a gente pode desenhar essa árvore a gente pode desenhar essa árvore Então eu só ver aqui ó p kit learning Plot tá é aqui mesmo então olha só

a gente vai fazer assim ó tri ponto árvore a a gente pode coloc aqui ó o Class names vai ser igual a ávore p classes e features é features features names vai ser igual a pictures eu vou eu vou diminuir aqui para vocês enxergarem tá desse jeito e tem o filled igual a true ó então o que que eu tô fazendo aqui eu tô pegando só a a o mesmo módulo chamado tri e vou chamar um método Chamado plot TRE eu passo para esse método A árvore A árvore que a gente treinou que a gente

ajustou então a gente não falou machine learning O machine learning é isso aqui é a gente passar os dados pra máquina e ela aprender com esses dados e aqui eu tô pedindo para ela mostrar pra gente o que ela aprendeu Vamos ver que que acontece ó Olha só que coisa bonita vocês estão conseguindo enxergar Aí eu acho que dá para eu melhorar isso deixa eu fazer aqui ó Import Mat plot Lib ponto P plot é Opa plt pon ah vamos ver se melhora ó lá Melhorou tá dando para enxergar tá dando para enxergar olha só

que legal olha só que legal então ele primeira pergunta que ele faz primeira pergunta que ele faz aqui em cima ó vamos entender o que que É isso vamos entender o que que é isso ele tá fazendo o seguinte ó essa árvore aí essa essa essa que que significa essa árvore vamos entender o que significa essa árvore aqui no primeiro nó estão todos os dados aqui nesse primeiro nó tão todos os dados tá todo mundo lembra na cerveja que a gente fez ão todos os dados beleza Tá vendo esse value aqui tá vendo o que

que é esse value esse um um um um um um um que que é isso é o tipo de fruta que eu Tenho de cada uma Então eu tenho uma banana uma maçã uma um tomate e assim por diante beleza é a lista de valores Aí eu pergunto é tomate Esse é é desculpa desculpa desculpa é vermelha Então a gente tem a sinalização de vermelha se é zero ou um zer ou um zer ou um não tem é vermelha ou não é vermelha menor ou igual do que 5 o que que é menor ou igual

do que 5 do que 0.5 o que que é isso significa que ela É que ela não é vermelha certo então o que que acontece se ela for vermelha se ela for vermelha ela vai vir para cá e se ela não for vermelha ela vai vir para cá então percebe que no nó de baixo aqui eu já tenho 0 1 0 1 1 0 1 por quê Porque veio para cá Só quem é vermelha beleza só veio para cá quem é vermelha Aí eu pergunto ela é doce ela é Doce se ela for doce eu

venho para cá se ela não for doce eu venho para cá Olha que legal eu coloquei dpi 600 é esse código aqui ó Quem tá perguntando a qualidade é esse código aqui deu para entender galera Deu para entender como é que a árvore fez isso E aí a cor do nó a cor do nó é o nível de pureza do nó se o nó é branco ele não é Puro se o nó é branco ele não é puro quando o nó fica colorido ele é puro então aqui eu só tenho tomate nesse lugar Eu só

tenho tomate nesse lugar Eu só tenho limão nesse lugar só tenho banana nesse lugar só tenho perira nesse lugar Eu só tenho morango e aqui aqui eu tenho a cereja e a maçã e por ol alfabética ele escolheu a cereja Deu para entender não é legal demais pô Então se a gente replicar o mesmo Filtro que a gente fez aqui em cima ó a gente chega no mesmo lugar ó vermelha veio para cá depois doce veio para cá depois arredondada veio para cá God né eles agrup por falta de critério para conseguir separar a cerveja

e a maçã Exatamente exatamente não tem nada que consiga me dizer nos dados não existe nada nos dados que consiga me dizer como que eu separo a cereja da Maçã tá ligado É isso aí você fala T Mas beleza essa é a árvore Como que eu faço novas como é que eu faço novas predições então a gente pode fazer um clf CL não árvore árvore pon predict E aí eu posso passar aqui para ela uma lista de valores Então eu tenho quantos aqui 1 2 3 4 então eu tenho tudo isso daqui né ó eu

vou passar para cá ó só que eu tenho que passar essas coisas como zeros e uns então vamos falar eu Quero uma que é arredondada arredondada ela é suculenta ela é vermelha e ela é doce olha só ele tá me falando que é cereja agora no lugar da arredondada no lugar da arredondada vou deixar isso aqui como colinha pra gente olha só vou colocar como colinha no lugar da arredondada eu vou colocar zero aqui ó zero que que será que ele vai me recomendar Morango ó God precisa de um Sid pro mesmo resultado provavelmente coloca

aqui ó Random state iG 42 tá que aí vai dar na mesa Belê ó lá vai dar na mesa Belê Belê d na mesma Por que que vai dar na mesma porque ele escolhe os cortes as variáveis de forma aleatória tá aí depois ele vai fatiando vai refati Beleza então Olha só você consegue fazer A predição Só que essa predição aqui ela tá me dando um nível de incerteza ela tá me dando nível de incerteza essa predição não tá ela é igual o chat GPT ela não me dá um nível de incerteza ela só tá

me falando é morango mas eu não sei com quanto nível de confiança tô te falando que é morango Qual que é a probabilidade de ser morango certo então tem uma outra forma que a gente pode fazer que é fazer o predict Underline pra desse jeito que que é isso aqui galera que que é isso aqui isso daqui agora é uma lista de probabilidades Isso aqui é uma lista de probabilidades uma probabilidade para cada classe uma probabilidade para cada fruta tá ligado Então o predict ele só vai te dar a fruta e [ __ ] e

o predict proba ele vai te dar uma lista com a probabilidade de cada fruta sacou ele vai te dar uma lista de Probabilidade para cada fruta então a gente pode até armazenar isso e falar assim ó probas probas vou colocar desse jeito e aí aqui probas na cada para cada eh só paraa primeira aqui tá porque ele vai retornar uma lista de listas ali e aí para deixar isso mais bonito eu posso fazer pd pon séries desse jeito depois eu passo o código para vocês tá index igual a árvore pon classes desse jeito Ó que

lindo olha que delicinha massa não conhecia esse fiz para features exatamente agora vamos fazer igual o CSS Alisson aí fez olha só que da hora se a gente colocar um um e um que é o nosso caso do exemplo lá do PowerPoint que é arredondada vermelha doce suculenta que que acontece a gente tem meio pra cereja e meio PR probabilidade meio pra cereja probabilidade meio pra maçã só que no Predict Só nesse predict aqui a ele vai ter que devolver um rótulo só Então qual que ele qual que ele retorna pra gente ele vai retornar

por ordem alfabética se eu tiver empate na probabilidade ele vai retornar o de ordem alfabética beleza safe tamos junto fala comigo fala comigo como mudar o critério de desempate cara Até onde eu sei não Ó vai ter intervalo agora vamos segurar Beleza vai ter intervalo agora vão falando aí comigo se tem alguma dúvida que eu aproveito agora o intervalo Zinho o Ed para responder top não tem como amar seus cursos estamos junto li meu acabou dando erro triplot T entender o motivo aqui vai lá no discord vê se no discord consegue te ajudar mano você

pode retornar a lista de probabilidade de fazer um có novo para Mudar a lógica exatamente o modelo essa lógica você não eda dentro do modelo dentro do algoritmo você depois você trata isso da forma como você quiser trabalha com a probabilidade então e aí depois você define com a probabilidade de alguma outra coisa tá ligado de boas então ô Mateus é o que eu acabei de falar se você se tiver empate você você já tem aqui o dado para trabalhar do jeito que você quer Ele tá te falando deu 50% cerveja cerveja cereja e 50%

Maçã ele te deu a probabilidade agora você escolhe o que que você vai fazer com isso tá ligado tá ligado vai ficar tudo salvo aqui na Twitch tá tudo salvo aqui na Twitch vocês podem rever Depois assiste de novo sem problema vai estar salvo na Twitch para os subs e também no YouTube para os membros E aí semana que vem a gente vai liberar acesso para todo mundo uma cerveja nem é vermelha Pois É como entra nesse discord exclamação discord té consigo alterar a profundidade da árvore mas se eu fizer isso muda a relação conf

as muda a gente vai falar da Árvore dos parâmetros da árvore mais para frente eu tô no na primeira A aula é só para tipo assim coisa mais básica para depois a gente entrar nos parâmetros eu nem queria mostrar o Random ali o Random state porque a gente vai discutir isso mais para frente eu queria mais mostrar como Que a gente sai do PPT e mostra aqui no código O que que a representação da á se a gente digitar um if beleza só para dar um gostinho é tá Safe tá Safe tá Safe consegue subir

um pouco código para ver as features Sim claro tá aqui ó Belê e esse código vai pro github também já posso até mandar ele pro Git Hub para vocês verem ele ok travei na parte da entropia vamos falar da entropia esse caso de empate o recomendado seria eu procurar mais Critérios é que dificilmente vai dar empate tá dificilmente vai dar empate por porque você não vai ter só s unidades amostrais entendeu dificilmente você vai ter um empate na probabilidade ISO aqui é só um exemplo de brinquedo tá É muito raro É muito raro sa dizer

qual que mel bibloteca para falar muito do P carae é depois que você entende como issoo funciona porque matizar algumas coisas eu não recomendo ir direto para o p carot primeiro Aprenda a fazer aprende a fazer na mão depois aprende a fazer no s kit depois aprende a fazer de forma automática no P carage beleza e galera estamos junto podemos avançar consegui convencer vocês de um jeito legal a ensinar a máquina então perceba aquele slide que a gente fez é isso aqui ó dois linhas de código duas linhaz de código a gente define Quais são

as features define Qual que é a Target define Só um objeto novo aqui chamado x chamado y e ensina a máquina depois que a gente ensina a máquina a gente pode ver como que ela aprendeu E aí eu plotei aqui a árvore para vocês verem a A Árvore como um todo depois a gente aprendeu aqui a passar para ela uma lista de valores que representam Justamente a feature pra gente ver o que que ela tá tornando pra gente de e de predição e por fim a gente conheceu o predict proba que ela vai retornar a

Probabilidade associada a cada classe Legal então se você quiser ir lá no Linkedin atualizar e colocar lá data Scientist Pode colocar que agora você sabe o básico de dat Science beleza tranquilo vai ter num pai também não não vamos falar num pai ml engeneer exatamente coloca lá Machine engeneer Belê É isso aí galera Vamos pro próximo aqui Pra gente encerrar por hoje vamos falar da cerveja então eu esse daqui tá pronto tá ess tá pronto eu vou subir lá para vocês para vocês verem Agora vamos pra cervejinha então novamente vamos importar os dados da cervejinha

lá embaixo eu vou trocar vou colocar ml tá aqui vamos ver o dado da cervejinha Olha só o dado da cervejinha tá aqui esse aqui vai ser um pouco mais complexo pra gente tá Por que que vai ser complexo porque no pikit a gente não Pode usar esses dados desse jeito ó esses dados desse jeito a gente tem tem que transformar isso para números tem que transformar isso para números então novamente vamos lá ó quem que são as minhas variáveis as minhas variáveis são essas daqui temperatura copo espuma e cor Então vamos colocar aqui ó

features vai ser igual a isso daqui pay estamos aqui beleza e a minha target a minha target é A classe que que a gente faz com ID que que a gente faz com esse cara aqui chamado ID esse cara ID ele não vai servir pra gente por quê Porque ele é só um identificador a gente não usa ele para treinar algoritmo pelo amor de Deus eu já vi gente usando tipo e CPF às vezes telefone para treinar não usa ele beleza não usa ele então o meu x vai ser DF na posição features e o

meu Y vai ser igual a DF na posição target desse jeito tá Então tá aqui agora como eu falei a gente precisa transformar esses caras aqui para zeros e uns porque eu se a gente tentar ajustar né fazer lá ó Import from né from sk learn Import Tree e a gente tentar ajustar aqui ó arvore igual a TRE pon decision Tree a gente vai ter árvore pfit só vou mostrar para vocês que dá erro mesmo beleza vamos ver ó dá erro tá vendo ó ele dá erro por quê Porque ele fala que Ele não consegue

converter essa string para um float não consegue converter o Mod para float então o que que a gente tem que fazer de novo isso aqui é só finalidade didática depois a gente vai aprender a melhor forma de fazer isso mas a gente vai fazer o seguinte x vai ser igual a x replace E aí a gente vai transformar o quê tudo que for Mood vai ser um Tudo o que for pint vai ser zero a gente pode colocar desse jeito ó tudo o que for sim vai virar um tudo que for não vai virar Zero

Isso aqui é só isso aqui é só apenas pandas cor a cor aqui vai ser pura igual a 1 e Clara zero desse jeito tá desse jeito então só pra gente ver ó eu tô só alterando os dados Olha só como Ficou ficou desse jeito tá vendo ó então o Mood é um o pint é zero o sim é um o não é zero o escuro é um o Claro é zero beleza tudo bem beleza e aí agora a gente pode treinar nossa árvore Olha só treinou a árvore árvore aprendeu a gente pode agora plotar

a árvore então tri P plot aí a gente vai colocar aqui a nossa árvore Vamos colocar aqui o as nossas Classes que vai ser ávore pon Class e features vai ser igual a features e filled filled ig true vamos melhorar o dpi Import matplotlib p plots plt galera não precisa sair tentando escrever o código aqui junto comigo vai ficar tudo salvo tá vai ficar tudo salvo bonitinho Então não precisa ficar maluco aí tentando fazer o código agora tá bom Mas olha só que lindo olha que coisa linda olha que coisa linda olha que coisa linda

por que que no primeiro no coloca ping vamos entender essa árvore aqui por que no primeiro no coloca psin se eu fosse parar no primeiro copo ou seja vem uma cerveja aleatória para mim na mesa não sei nada sobre ela tô vendado eu tô vendado e vem uma cerveja aleatória Por que que ele escolhe peling porque é a que tem maior Quantidade em relação ao Total Beleza não tem nada a ver com isso não plugzinho é a que mais tem então tá vendo esses números aqui ó 3 5 e 4 o cinco é a peling

Então se tem mais pcin peay vou pegar pcin aí se eu consigo separar por copo se o copo um vem para cá que é o Mug se o copo um vem para cá que é o Mug eu ainda agora tenho o qu tenho CC pilsen e duas que vai ser a Vaz certo duas V então ele fica ainda tá vendo que ele Ficou com uma corzinha mais forte por que que ele ficou com uma corzinha mais forte do que essa daqui aqui eu tenho um um um verdez inho bem bem fraquinho aqui o meu verde

tá um pouco mais confiante por quê Porque eu já não tenho P aqui entendeu eu não tenho P aqui então percebe que tá mais puro esse nó tá mais puro do que o de cima porque aqui eu já não tenho pe tá ligado E aí quando eu vou pro de Baixo ele fica mais puro ainda tá vendo que a tonalidade dele ficou mais forte ainda por qu porque agora sim eu tenho nó totalmente puro e aí quando eu venho para cá pro Vi Bear Olha só eu tenho dois para um então ele vai classificar como

V certo e aí quando eu tenho só V é um roxão aqui o roxo da Twitch aí E o verdinho aqui igual o de cima god god e a mesma coisa lá pro outro lado para Curtiram curtiram é a mesma árvore que a gente fez lá no PPT exatamente a mesma árvore certo ele começou pelo copo aí depois ele separou pela temperatura Aí depois ele separou pela cor até quanto mais puro mais forte a cor Exatamente exatamente tá exatamente Então galera assim vocês perceberam que a gente não colocou nenhuma regra lembra da nossa definição lembra

nessa definição aqui ó Lembra Nossa definição de de machine learning que era sobre a gente falar sobre aprendizado de máquina como campo de estudo que dá computador habilidade de aprender sem serem explicitamente programados a gente usou dois dados diferentes e o computador aprendeu aspas com os dois dados olha só ele reconheceu o padrão dos dois dados tá ligado Beleza então tá aqui o padrão e a gente pode fazer a mesma coisa que a gente fez de forma preditiva aqui embaixo olha só Que da hora então eu posso pegar a minha árvore e fazer um predict

proba tá aqui e vamos colocar a lista ó temperatura temperatura Vamos colocar aqui ó A temperatura vai ser Vamos colocar o menos um né É -3 Vamos colocar -3 men-1 né no caso -1 Vamos colocar aqui que o copo vai ser o Mug A Espuma vai ser zero e a cor vai ser escura olha só que massa ele retornou 0 1 0 eu posso transformar isso Daqui para uma lista e transformar isso aqui numa séries para ficar melhor probas index igual árvore P classes olha só que da hora tá aqui a minha piling 100% beleza

por que -1 porque as minhas variáveis elas são desse jeito aqui ó -5 e -1 eu tenho variáveis binárias Mas eu também tenho variáveis aqui -5 -1 eu posso colocar -5 se eu quiser ó -5 não tem problema tá aqui ó ah ele trocou Agora ele foi vi Bear Beleza beleza podemos usar Random state pode pode colocar aqui ó vamos colocar aqui ó Random state = 42 aí a gente garante que tá todo mundo vendo a mesma árvore ó lá ó a gente vai explicar o que que é isso ainda que que é esse Random

state Belê e se você colocar ent um valor entre -1 e -5 a regra que ele fez o ponto de corte foi como aqui ó a regra da temperatura foi quanto ele colocou -3 para cá e -3 para cá Belê Então o ponto que ele encontrou encontrou que melhor separa é dividir em -3 ou seja se for -3.1 vai tá mais próximo de men 0.5 né de de de -5.0 e se for maior do que isso aquilo então quem vai definir Isso vai ser o ponto de corte que a árvore encontrou beleza a árvore encontrou

que o melhor ponto de corte para separar é esse os3 tanto aqui quanto colá mas os dois são exatamente os dois são mas a primeira fatia a primeira Separação foi no copo a primeira separação foi no copo Beleza o modelo só consegue prever classes binárias ou tipo seria possível exemplo três cores tipo cara a gente tá com três aqui a gente tá com três são três tipos de cerveja e no exemplo passado a gente viu Sete Tipos de fruta então tipo não importa Quantas classes você tem beleza galera são 11:08 Quero ouvir vocês para um

primeiro dia e eu tava com medo de ser pouco mas Eu acho que a gente conseguiu trazer bastante coisa fala comigo que que vocês acharam desse primeiro dia Lembrando que é só o primeiro dia tá a gente vai entrar no nos dias seguintes em coisas mais profundas Beleza o ponto de corte é média mediana nenhuma das duas é o que ele encontrar que melhor separa tá é isso seguinte então eu vou o vod vai ficar na íntegra aqui se você quiser assistir E aí durante a período da tarde Eu vou editar e subir pro YouTube

até de noite aí mais tardar de madrugada vai est disponível no YouTube Belê gost demais então é isso galera por hoje muito obrigado mesmo a gente viu bastante coisa eu vou subir todo o código lá pro Git agradeço demais a presença é para vocês que a gente faz essa [ __ ] toda aqui é para vocês que a gente tenta ser mais didático possível trazer aí um conteúdo legal totalmente Gratuito vai continuar gratuito aí para vocês tá Agradeço também os patrocinadores steack data hackers se inscreve lá no data hackers vai que a galera tá querendo

aumentar a base da newsletter dá exclamação hacker aí no no chat se inscreve lá para ficar por dentro das novidades que tem tá na newsletter deles e a gente se vê novamente amanhã às 9 da manhã Demorou a gente se vê às 9 da manhã para brincar mais com coisas novas aí demorou é isso Galera um beijo no coração de todos vocês fico muito feliz que vocês vieram aí colaram estão aprendendo junto com a gente e por favor voltem amanhã voltem amanhã hoje foi só o primeiro dia foi só