Joga CS ou já jogou o CS em alguma época da.......

O problema que o material coloca

O material abre a restrição assim: Fala pessoal, boa noite, olha quanta gente legal aí, boa noite Lucas, Ricardo, Lara, Maka, meu Deus, boa noite, socorro, boa, e aí pessoal, como é que vocês estão, tudo bem? Olha, tem Luciano aí também, tem mais uma galera legal, vai falando oi aí para eu ver quem está aí hoje, pessoal, Amira, nome diferente, Ricardo, bom, e aí pessoal, como é que vocês estão, tudo bem, tudo tranquilo? A pessoa que eu trouxe para a gente conversar aqui, que vai mostrar um case, que vai mostrar muita coisa legal, mão na massa mesmo, é uma pessoa que não usa minoxidil, que não é patrocinado pela Manual e que está muito popular hoje aí nas redes sociais, fazendo um trabalho excelente.

Joga CS ou já jogou o CS em alguma época da vida, eu fiquei sabendo que esse cara que eu vou chamar aqui no palco agora já trabalhou na GC e ele conhece tudo, ele sabe como que faz pra você ir pro level 20 de uma forma mais rápida, tá? Bom, Tel, primeiro, então, obrigado por você ter topado esse papo aqui com a gente, né? E a gente era considerado, tinha um termo no mercado que chamavam a gente que era modeleiros, que é a galera que cria funções matemáticas por meio dos dados que eram utilizados, às vezes dados planilhados ou dados que eram coletados em questionário e tal, para definir uma equação matemática que representasse aqueles dados.

Ir para essa área chamada de modelagem, modelagem estatística, modelagem de aprendizado de máquina e assim vai. Então, por exemplo, o skill level lá da GC, o quanto que você ganhava de pontos quando você ganhava uma partida e o quanto que você perdia de pontos quando você perdia uma partida, a gente implementou um modelo de Machine Learning para definir esses pontos. Isso está extremamente associado ao seu negócio, porque você quer identificar quais são aquelas pessoas que têm maior chance de te pagar de volta e aquelas que têm menos para você, por exemplo, não emprestar dinheiro para quem vai te dar um calote.

Para `dados-exemplo-learning-machine-modelo-pessoa`, preserve só o que muda uma decisão observável esta semana. Se o trecho for opinião, rotule como opinião — não fabrique métrica ausente do áudio.

Como o fluxo aparece na prática

No miolo do episódio, o mecanismo fica explícito: Então, isso é, por exemplo, está extremamente atrelado ao seu business, ao seu negócio. Muito obrigado aí pela oportunidade e valeu demais pela presença também, quem está assistindo a gente, quem está com a gente aí no YouTube e também quem estiver assistindo depois. Eu gosto de trazer esses carinhas aqui debaixo, porque para mim, esses são algumas conquistas que a gente teve com a comunidade.

A nossa comunidade tem crescido muito e, graças a ela, nós somos hoje Twitch Partner, que, para mim, é um reconhecimento muito, muito massa, que ajuda muito a gente conseguir alcançar mais e mais vidas e transformar essas vidas por meio do ensino. E mais recentemente, fui convidado para participar também do GitHub Stars, onde são 78 pessoas no mundo que têm a oportunidade de participar desse programa, e sou muito feliz e grato também pelo reconhecimento dado todo o material aberto que a gente disponibiliza pela comunidade, para a comunidade, e também os nossos repositórios de projetos abertos. Seguinte, aqui um pouco sobre a minha trajetória, a ideia não é eu ficar focado nisso daqui, não é a gente ficar trazendo a minha vida, mas é só para vocês terem ideia de há quanto tempo que eu estou trabalhando na área de dados.

Eu tive a chance de construir áreas de dados, então na Gamers Club, como a gente mencionou aqui, tive a chance de construir e moldar a área de dados do zero, construindo todo o parque analítico dentro da AGC, contratando pessoas, desenvolvendo pessoas, liderando. Então, eu olhava tanto para a parte analítica, que era onde eu tinha um background mais forte, mas também fui para a parte de engenharia de dados, construindo realmente todo o parque de Data Lake, Lake House, todas essas firulas que a gente acaba ouvindo muito hoje. Mas, cara, se fosse olhar assim, né, para as frutas que estão aí, qual que é a chance de vocês acertarem?

Para `dados-exemplo-learning-machine-modelo-pessoa`, preserve só o que muda uma decisão observável esta semana. Se o trecho for opinião, rotule como opinião — não fabrique métrica ausente do áudio.

Decisões e trade-offs do episódio

As decisões práticas que aparecem no áudio: Isso aí, 1 sobre 5, perfeito Aí vou dar mais uma dica Ela é suculenta E aí eu sei, vai ter gente no chat Falando, tá, mas não sei que tal fruta é suculenta ou não Beleza, vamos brincar que eu estou tirando aqui as certas, beleza? E o que a gente fez aqui, galera? E se a gente pudesse dividir então essa tabela, a gente pode chamar essa galerinha aqui de atributos, é um termo que normalmente a galera usa, a galera mais da computação usa esse nome, que em inglês é feature, ou galera estatística chama isso de co-variável, ou variáveis explicativas preditoras independentes.

Então, esses termos aqui é a galera da estatística que gosta de usar, esses termos aqui de baixo, esses dois termos aqui, a galera da estatística gosta de usar e a galera da computação gosta de usar isso. Será que a máquina poderia me sugerir uma melancia com base nesses dados aqui? Mas é muito provável que ela fale maçã, porque é redonda, é vermelha, é do tamanho mais ou menos de uma maçã, talvez um pouquinho menor, um pouquinho, não sei, textura talvez um pouco diferente, mas ela só conhece o que foi apresentado para ela.

Ele vai ter que ser retreinado com aquela documentação nova. Um deles é o que a gente chama de aprendizado de máquina, tá? Então eu não preciso programar e definir vários ifs, eu escrever os ifs, eu deixo com que a máquina descubra quais são esses ifs, e a gente vai fazer isso junto, tenho certeza que todo mundo vai entender, e a gente vai fazer da melhor forma possível, que é tomando cerveja, beleza?

Para `dados-exemplo-learning-machine-modelo-pessoa`, preserve só o que muda uma decisão observável esta semana. Se o trecho for opinião, rotule como opinião — não fabrique métrica ausente do áudio.

Armadilhas que o transcript revela

Onde o fluxo costuma quebrar, segundo a fonte: Tá, a gente falou que tá com presença ou não de espuma, beleza. Né, tem o copo se é mug ou se é um pint, tem a textura ali, a coloração, né, o formato do copo, a cor, a espuma, beleza, e tem uma, essa quente e frio é boa, né, ô Thaís, Thaís, eu como estatístico, eu sou um excelente designer, então isso aqui é o gelinho, de fato, você acertou, é a temperatura que a gente tá servindo, né, tem uma que tá mais geladinha e uma que tá menos geladinha. E vai colocar aqui só que a gente consegue separar consigo porque tem características diferentes exatamente exatamente mas qual característica e qual características será é mesmo que você falou ainda consigo olhar para cor a cor é diferente eu já descarto algumas igual você fez lá pô né tá um vai aparecer mas eu não sei onde você quer chegar agora mas vamos lá então me ajuda aqui se a gente pegar a cor você.

Só olhando pra cor, só olhando pra cor. Todo mundo quer do copo ali que parece um paint né a nossa tulipinha famosa tulipa colocar para um lado e as que são ali a caneca mandar para o outro não separa melhor do que a cor que você acha é uma categoria diferente Ok pode ser também pode ser porque se eu colocar todas as que são mais densas aqui né para um lado eu vou ter dos três tipos ainda certo e as amarelas também agora se eu Tchau. Temperatura é God A temperatura Todo mundo que é um pouquinho mais quente Vai pra um lado Aqui eu tenho 100% da pilsen Ou seja, só tem pilsen Só tem pilsen aqui desse lado Se eu chegar pra você então no bar E eu ver que um copo O formato do copo é uma uma caneca, e não está tão gelada assim, o que você vai me dizer?

Só a temperatura, gole demais Então a temperatura ali A Weissbier vai ali pro menos 1 E a Pale Ale vai pros menos 5 Então se eu tenho Um copo que é minha tulipinha lá O pint E tá trincando de gelado Que cerveja que é essa? De ficar separando, testando cada um dos nossos atributos e ver se separa ou não, isso acaba virando um algoritmo, uma sequência de passos que você vai ficar iterando e separando. E aí depois, no final do resultado, o que você tem?

Para `dados-exemplo-learning-machine-modelo-pessoa`, preserve só o que muda uma decisão observável esta semana. Se o trecho for opinião, rotule como opinião — não fabrique métrica ausente do áudio.

Como levar isso para o seu contexto

Traduzindo o trecho para um time que não viu o vídeo: Isso que é muito da hora, porque a gente quando for querer prever churn, quando a gente for querer prever, por exemplo, inadimplência, se a pessoa vai ser inadimplente ou não, se a pessoa vai fazer, sei lá, alguma ação, ou qualquer outra coisa que a gente for querer criar uma fórmula, vai ter informação que não vai ajudar a gente. Para fazer um monte de gincana ali e tentar trazer mais informação do usuário, quando a gente chega na hora de construir um modelo, a gente fala, pô, são poucas as variáveis que estão ajudando a gente a realmente entender por que o usuário não está avançando no curso, por que o usuário ainda está cancelando a assinatura e assim por diante. Então, se eu tivesse escolhido outras características da cerveja, eu poderia ter um resultado diferente do que está aqui.

Não não é isso sempre fechado fechado então vamos lá opa mesmo mesmo uma coisa Bora para o código acho que esse daqui eu vou passar esqueci de tirar a gente pode ir para o código é que eu não sei se eu tô com os dados que eu tô com os dados aqui mas eu posso mostrar como que a máquina queria aquilo lá show aí manda ela tem uma pergunta aqui ó o o fei perguntou sempre a gente todas as características até o final,. E uma outra opção, que é uma galera mais, digamos, artesanal faz, é antes de rodar o algoritmo, faz umas análises de correlação e de associação para descobrir quais são as variáveis que realmente podem ajudar o meu modelo. E já descarta elas antes de entrar no modelo.

Mas a gente vai ver que dá para a gente também usar a máquina, esse tipo, essa mesma técnica, chamada árvore de decisão, para descobrir associações, descobrir também, por exemplo, uma descrição do nosso dado, saber o que existe no nosso dado que pode ter algumas relações que estão passando despercebidas. E aí a gente quer entender o que está acontecendo por meio dos dados. E aí vamos lá, então a gente tem aqui o nosso dataset, o dataset é gigante, acho que ele tem mais de meio milhão de linhas, eu posso depois divulgar ele para vocês também, isso aqui foi um processo seletivo que eu fiz lá em 2017, 2018, sei lá.

Para `dados-exemplo-learning-machine-modelo-pessoa`, preserve só o que muda uma decisão observável esta semana. Se o trecho for opinião, rotule como opinião — não fabrique métrica ausente do áudio.

Sinais de que a aplicação funcionou

Para fechar o ciclo com evidência do próprio material: Ou seja, é o mesmo problema que a gente estava vendo. Ou seja, são esses dois Generais Jedi que estão, cada um com 50% de todos os clones. E aí, logo que eu pego a massa desses clones e falo mano, a massa é menor do que 83.405, 405.

Fala pessoal, boa noite, olha quanta gente legal aí, boa noite Lucas, Ricardo, Lara, Maka, meu Deus, boa noite, socorro, boa, e aí pessoal, como é que vocês estão, tudo bem? Olha, tem Luciano aí também, tem mais uma galera legal, vai falando oi aí para eu ver quem está aí hoje, pessoal, Amira, nome diferente, Ricardo, bom, e aí pessoal, como é que vocês estão, tudo bem, tudo tranquilo? A pessoa que eu trouxe para a gente conversar aqui, que vai mostrar um case, que vai mostrar muita coisa legal, mão na massa mesmo, é uma pessoa que não usa minoxidil, que não é patrocinado pela Manual e que está muito popular hoje aí nas redes sociais, fazendo um trabalho excelente.

Joga CS ou já jogou o CS em alguma época da vida, eu fiquei sabendo que esse cara que eu vou chamar aqui no palco agora já trabalhou na GC e ele conhece tudo, ele sabe como que faz pra você ir pro level 20 de uma forma mais rápida, tá? Bom, Tel, primeiro, então, obrigado por você ter topado esse papo aqui com a gente, né? E a gente era considerado, tinha um termo no mercado que chamavam a gente que era modeleiros, que é a galera que cria funções matemáticas por meio dos dados que eram utilizados, às vezes dados planilhados ou dados que eram coletados em questionário e tal, para definir uma equação matemática que representasse aqueles dados.

Para `dados-exemplo-learning-machine-modelo-pessoa`, preserve só o que muda uma decisão observável esta semana. Se o trecho for opinião, rotule como opinião — não fabrique métrica ausente do áudio.

Recortes adicionais da fonte

Estes trechos reforçam o raciocínio sem resumir genérico:

Fala pessoal, boa noite, olha quanta gente legal aí, boa noite Lucas, Ricardo, Lara, Maka, meu Deus, boa noite, socorro, boa, e aí pessoal, como é que vocês estão, tudo bem? Olha, tem Luciano aí também, tem mais uma galera legal, vai falando oi aí para eu ver quem está aí hoje, pessoal, Amira, nome diferente, Ricardo, bom, e aí pessoal, como é que vocês estão, tudo bem, tudo tranquilo? A pessoa que eu trouxe para a gente conversar aqui, que vai mostrar um case, que vai mostrar muita coisa legal, mão na massa mesmo, é uma pessoa que não usa minoxidil, que não é patrocinado pela Manual e que está muito popular hoje aí nas redes sociais, fazendo um trabalho excelente.

Joga CS ou já jogou o CS em alguma época da vida, eu fiquei sabendo que esse cara que eu vou chamar aqui no palco agora já trabalhou na GC e ele conhece tudo, ele sabe como que faz pra você ir pro level 20 de uma forma mais rápida, tá? Bom, Tel, primeiro, então, obrigado por você ter topado esse papo aqui com a gente, né? E a gente era considerado, tinha um termo no mercado que chamavam a gente que era modeleiros, que é a galera que cria funções matemáticas por meio dos dados que eram utilizados, às vezes dados planilhados ou dados que eram coletados em questionário e tal, para definir uma equação matemática que representasse aqueles dados.

Ir para essa área chamada de modelagem, modelagem estatística, modelagem de aprendizado de máquina e assim vai. Então, por exemplo, o skill level lá da GC, o quanto que você ganhava de pontos quando você ganhava uma partida e o quanto que você perdia de pontos quando você perdia uma partida, a gente implementou um modelo de Machine Learning para definir esses pontos. Isso está extremamente associado ao seu negócio, porque você quer identificar quais são aquelas pessoas que têm maior chance de te pagar de volta e aquelas que têm menos para você, por exemplo, não emprestar dinheiro para quem vai te dar um calote.

Então, isso é, por exemplo, está extremamente atrelado ao seu business, ao seu negócio. Muito obrigado aí pela oportunidade e valeu demais pela presença também, quem está assistindo a gente, quem está com a gente aí no YouTube e também quem estiver assistindo depois. Eu gosto de trazer esses carinhas aqui debaixo, porque para mim, esses são algumas conquistas que a gente teve com a comunidade.

A nossa comunidade tem crescido muito e, graças a ela, nós somos hoje Twitch Partner, que, para mim, é um reconhecimento muito, muito massa, que ajuda muito a gente conseguir alcançar mais e mais vidas e transformar essas vidas por meio do ensino. E mais recentemente, fui convidado para participar também do GitHub Stars, onde são 78 pessoas no mundo que têm a oportunidade de participar desse programa, e sou muito feliz e grato também pelo reconhecimento dado todo o material aberto que a gente disponibiliza pela comunidade, para a comunidade, e também os nossos repositórios de projetos abertos. Seguinte, aqui um pouco sobre a minha trajetória, a ideia não é eu ficar focado nisso daqui, não é a gente ficar trazendo a minha vida, mas é só para vocês terem ideia de há quanto tempo que eu estou trabalhando na área de dados.

Eu tive a chance de construir áreas de dados, então na Gamers Club, como a gente mencionou aqui, tive a chance de construir e moldar a área de dados do zero, construindo todo o parque analítico dentro da AGC, contratando pessoas, desenvolvendo pessoas, liderando. Então, eu olhava tanto para a parte analítica, que era onde eu tinha um background mais forte, mas também fui para a parte de engenharia de dados, construindo realmente todo o parque de Data Lake, Lake House, todas essas firulas que a gente acaba ouvindo muito hoje. Mas, cara, se fosse olhar assim, né, para as frutas que estão aí, qual que é a chance de vocês acertarem?

Internalize com links reais do ecossistema CrazyStack: /blog, /curso-cursor-avancado-configuracoes-pro, /curso-claude-code-9-dicas-profissionais, /programa-crazystack e /checklist-independencia-cursor.