Handouts
Roteiros de aula completos, em formato de página única ou em notebook para rodar. Cada um traz todos os gráficos renderizados a partir dos dados reais, o código para reproduzi-los e exercícios com solução.
São complementares ao conteúdo das aulas, não substitutos: aprofundam um tópico específico e servem tanto para acompanhar a aula quanto para consulta posterior.
-
Análise Exploratória de Dados
California Housing — 20.640 distritos do Censo de 1990.
Auditoria de integridade, univariada numérica e categórica, os três cruzamentos (numérica × numérica, categórica × numérica, categórica × categórica), análise multivariada e geoespacial. Inclui simulador interativo de assimetria e curtose.
~3 h · 19 figuras · 10 exercícios
-
Normalização e Transformação
Titanic — 891 passageiros, 866 valores ausentes.
Dados faltantes e mecanismos MCAR / MAR / MNAR, diagrama de decisão de técnicas por tipo de variável, escalonamento, transformação de forma, codificação de categóricas e vazamento medido em quatro cenários.
~3 h · 10 figuras · exercício em 7 checkpoints
-
Redução de Dimensionalidade
Iris e MNIST — de 4 a 784 dimensões.
PCA por duas derivações, escolha de k, reconstrução e interpretação. Onde o PCA falha em variedades não lineares — e então t-SNE e UMAP: o que cada um preserva, o que cada um distorce e uma regra de decisão para escolher entre eles. Anexo sobre a maldição da dimensionalidade.
~3 h · 12 simuladores ao vivo · lab do Iris em 8 passos + 5 tarefas do MNIST
-
Do EDA à Redução de Dimensionalidade
Palmer Penguins — 344 pinguins, 6 colunas de entrada, 19 ausentes de duas causas.
Laboratório em aula que percorre o caminho inteiro: univariada, depois bivariada, separação treino/teste antes de qualquer transformação, pipeline que trata ausentes e escalas sem vazar, além dos mesmos dados projetados por PCA, t-SNE e UMAP — comparados sob um único critério e aplicados a pontos novos.
Notebook no Colab · 8 etapas, cada uma com valor de verificação
-
Clustering
Iris e dados sintéticos —
make_blobs,make_moonse uma linha de base aleatória.Por que agrupar é escolher e não descobrir; o algoritmo e a inércia que ele persegue; e a silhueta ponto a ponto — as duas métricas feitas à mão sobre oito pontos, antes de qualquer biblioteca. Depois, escolher k com as duas juntas, em cinco etapas de laboratório.
50 min de aula + 70 min de lab · 12 perguntas · Colab com 3 exercícios
Extra — desafio
178 vinhos, autoguiado e com o gabarito retido até o fim: cinco escalas, quatro índices mais a estatística gap implementada do zero, estabilidade, GMM com BIC e agrupamento no espaço reduzido — e então auditar cada decisão contra o gabarito.
-
Regressão Linear
As 928 famílias de Galton — mais um conjunto de cinco pontos, pequeno o bastante para fazer à mão.
De onde vem a palavra "regressão" e por que o efeito não é uma força; mínimos quadrados no papel; diagnóstico de resíduos; e a derivação de ∂J/∂w que transforma a forma fechada em gradiente descendente. Termina medindo por que centrar os dados muda a convergência e não o ajuste.
70 min de aula + 70 min de lab · 4 simuladores · 10 perguntas
Extra — em profundidade
Projeção e ortogonalidade, as equações normais derivadas, mínimos quadrados como máxima verossimilhança, a matriz chapéu, alavancagem e distância de Cook, banda de confiança versus de predição, multicolinearidade vista como nuvem de estimativas e a letra miúda de Gauss–Markov.
-
Regressão Linear do Zero
Cinco pontos — pequenos o bastante para conferir cada número no papel.
Um caminho só, sem desvio: escrever ŷ = Xw, tentar inverter X e ver a tentativa falhar rodando, chegar às equações normais e então medir onde elas quebram. A célula de escala mostra o que de fato impede a forma fechada em dimensão alta — não é o tempo O(d³), é a memória de XᵀX, que com 100 mil atributos são 80 GB e nunca chega a ser construída. Termina com o gradiente descendente escrito à mão, chegando ao mesmo vetor com 10⁻¹⁵ de diferença.
Notebook no Colab · 13 células executáveis · 5 exercícios
Para casa — Python que roda na página
Mais denso e interativo, sem instalar nada: nove células de Python executam dentro da própria página, via Pyodide. Só biblioteca padrão — transposta, produto de matrizes e eliminação de Gauss estão escritos ali, já que esconder a álgebra atrás de uma chamada de matriz contradiria o propósito. Fecha com oito perguntas de múltipla escolha com resposta comentada.
-
Gradiente Descendente na Prática
Três pontos e 20.640 casas — os mesmos três pontos da tabela da aula, depois o California Housing.
Continua de onde o notebook do zero para: uma ladeira de uma variável, a taxa de aprendizado forçada até divergir e o fator (1 − 2η) que explica por quê, a tabela de um passo da aula reproduzida número a número e a paisagem da perda com e sem centrar. Depois o gradiente vetorizado em uma linha sobre dados reais — explodindo sem padronizar, chegando à resposta de mínimos quadrados em ~20 iterações com padronização — e mini-batch.
Notebook no Colab · 17 células executáveis · 4 paradas "aposte antes de rodar" · 5 exercícios
Uso em sala
Cada roteiro tem índice lateral com âncoras, botão de copiar em todos os blocos de código e folha de estilo própria para impressão — o menu, os botões e os elementos interativos são omitidos ao imprimir ou gerar PDF.