Tutoriais de Ciência de Dados

Como o random forest regression funciona, onde falha e como avaliar, ajustar e interpretar. Inclui implementação em Python e framework de comparação de modelos.

O GGUF reúne pesos do modelo, dados do tokenizador e metadados em um único arquivo portátil. Saiba como escolher o nível certo de quantização e começar com o Ollama.

Veja como um pipeline de MLOps ponta a ponta prevê os resultados da Copa 2026, do retreinamento automático e DVC a uma simulação de Monte Carlo com 10.000 execuções do chaveamento.

Aprenda a usar o Cofounder 2 para transformar uma ideia inicial em uma empresa estruturada com plano de negócios, brand kit, tarefas de engenharia, campanhas de marketing e fluxos de vendas com agentes de IA especializados.

Aprenda como as rotinas do Claude Code executam seu agente de código na nuvem em um agendamento ou evento do GitHub, para que revisões de PR e auditorias terminem com seu notebook fechado.

Aprenda a acelerar a inferência local do Gemma 4 31B em uma única RTX 4090 usando DFlash (decodificação especulativa) e Flash Attention em comparação a um baseline.

Um tutorial completo sobre como usar ferramentas nativas em Python para operações CRUD assíncronas e interatividade com HTMX.

A estimativa de densidade por kernel é um método não paramétrico para estimar o formato de uma distribuição de dados sem assumir um modelo fixo. Aprenda a fórmula, a seleção de largura de banda e a implementação prática em Python e R.

Um guia prático sobre regressão spline, cobrindo como polinômios por partes e nós modelam relações não lineares, os principais tipos de spline e como ajustá-los em Python e R.

Um passo a passo prático dos pressupostos por trás da regressão logística, dos diagnósticos que detectam violações em Python e R e das alternativas quando os pressupostos não se sustentam.

Um guia prático de GLMs — o que são, como seus três componentes funcionam juntos e como ajustá-los e interpretá-los em Python e R.

Um passo a passo detalhado sobre overfitting e underfitting em machine learning: como identificar cada falha, por que acontecem e como corrigi-las via trade-off viés-variância.