Voltando aos fundamentos: vou fazer a Machine Learning Specialization do Andrew Ng

Eu passo o dia construindo produtos com LLMs e agentes. E mesmo assim decidi voltar para o começo: linear regression, gradient descent, bias e variância.

A Machine Learning Specialization do Andrew Ng (Stanford + DeepLearning.AI, no Coursera) é o curso que vou fazer agora. Este post é menos um review e mais uma declaração de intenção — e um mapa do que tem dentro de cada curso, pra quem está pensando em fazer também.

Por que um curso "clássico" na era dos agentes

A tentação é achar que, com modelos prontos atrás de uma API, entender o que acontece por baixo virou opcional. Eu discordo.

Trabalhar bem com IA hoje exige intuição sobre como modelos aprendem: por que um modelo decora em vez de generalizar, o que significa um erro alto de treino versus alto de validação, quando mais dados ajudam e quando não. Isso é o vocabulário básico — e ele não veio dos LLMs, veio do ML clássico.

Quero parar de tratar essas ideias como caixa-preta. Gradient descent, regularização, a diferença entre bias e variância: são conceitos que aparecem, com outra roupa, em tudo que eu já faço com agentes.

O que é a especialização

São três cursos, pensados para quem programa mas não necessariamente tem base de ML. O foco é intuição primeiro, matemática na medida certa, e prática em Python com NumPy, scikit-learn e TensorFlow.

A grande sacada do Andrew Ng é didática: ele constrói a intuição antes da fórmula. Você entende por que antes de ver o como.

Curso 1 — Supervised Machine Learning: Regression and Classification

A fundação. Aqui mora o "hello world" do ML:

Regressão linear — prever um número contínuo, a cost function, e o gradient descent como o motor que ajusta o modelo.
Regressão múltipla — vários features, feature scaling, engenharia de features e regressão polinomial.
Classificação com regressão logística — decision boundary, e o primeiro encontro sério com overfitting e regularização.

Se você só fizer este, já sai entendendo o ciclo completo de treinar um modelo supervisionado.

Curso 2 — Advanced Learning Algorithms

Aqui as coisas ficam interessantes:

Redes neurais — inferência e treino, funções de ativação, e por que elas destravaram tanta coisa.
Classificação multiclasse — softmax e os detalhes práticos.
Boas práticas de ML — pra mim a parte mais valiosa: bias/variância na prática, divisão treino/validação/teste, error analysis e como iterar um projeto de ML sem girar em falso.
Decision trees — árvores, random forests e XGBoost, que ainda ganham de redes neurais em muito dado tabular.

A seção de "como debugar um modelo que não está bom" sozinha já justifica o curso.

Curso 3 — Unsupervised Learning, Recommenders, Reinforcement Learning

O fechamento, cobrindo o que sobra do mapa:

Aprendizado não-supervisionado — clustering com K-means e detecção de anomalias.
Sistemas de recomendação — filtragem colaborativa e abordagem baseada em conteúdo com deep learning.
Reinforcement learning — uma introdução prática, com state-action value e Deep Q-Network.

É o curso que mais conversa com produto: recomendação e detecção de anomalia aparecem o tempo todo no mundo real.

Como vou estudar

Meu plano é simples:

Acompanhar pela playlist no YouTube com as aulas.
Fazer os labs e exercícios na mão antes de olhar qualquer solução.
Usar este repositório com as soluções só como referência de conferência — não como atalho. A diferença entre aprender e copiar mora exatamente aí.

A regra que vou seguir: se eu não consigo explicar o conceito em voz alta, não entendi de verdade.

O que espero levar disso

Não estou fazendo isso pra mudar de área. Estou fazendo pra ser um engenheiro de IA melhor — daqueles que entendem o que está acontecendo embaixo da abstração.

Quando eu ajustar um sistema de RAG, avaliar um agente ou olhar uma métrica de avaliação, quero ter a base que transforma intuição em decisão. Voltar aos fundamentos não é regredir. É construir o alicerce que faltava.

Conforme eu avançar, devo escrever sobre o que for surpreendente no caminho. Se você está pensando em fazer também, bora junto.