<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Andressa Sivolella on Medium]]></title>
        <description><![CDATA[Stories by Andressa Sivolella on Medium]]></description>
        <link>https://medium.com/@andressasivolella?source=rss-f6e49b8de86f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*FAs7Z1I0dYdj2x_G0tZBLg@2x.jpeg</url>
            <title>Stories by Andressa Sivolella on Medium</title>
            <link>https://medium.com/@andressasivolella?source=rss-f6e49b8de86f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 01:16:46 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@andressasivolella/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Por que IA é uma jornada, não um destino?]]></title>
            <link>https://medium.com/@andressasivolella/por-que-ia-%C3%A9-uma-jornada-n%C3%A3o-um-destino-377b12bedb74?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/377b12bedb74</guid>
            <category><![CDATA[data-strategy]]></category>
            <category><![CDATA[digital-transformation]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[business-strategy]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Wed, 25 Jun 2025 11:19:19 GMT</pubDate>
            <atom:updated>2025-06-25T11:19:19.470Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Este o primeiro artigo da série “Jornada de IA” que descreve IA além do hype a partir da ótica de quem percorre essa estrada com lições práticas.</em></p><figure><img alt="Imagem gerada com Inteligência Artificial" src="https://cdn-images-1.medium.com/max/1024/0*Lta08bBIhdXJFBJx" /></figure><p>Quando falamos de <strong>IA aplicada em empresas</strong>, é comum ouvirmos relatos que tratam a tecnologia como um marco: <em>“Implantamos um assistente virtual” </em>ou<em> “Colocamos um modelo de recomendação no ar” </em>ou ainda <em>“Criamos um algoritmo que prevê churn”</em>.</p><p>Mas quem está envolvido na construção dessas soluções sabe: <strong>IA não é um destino</strong>. O valor real da IA vem da forma como as empresas percorrem o caminho para transformar dados em impacto contínuo. É isso que faz da IA uma jornada.</p><h4>Por que a jornada importa?</h4><p>Soluções que há poucos anos nos impressionavam — como chatbots básicos ou modelos simples de <em>score</em> — já evoluíram para arquiteturas muito mais sofisticadas, com <strong>pipelines de dados complexos</strong>, <strong>MLOps</strong>, <strong>IA generativa</strong> e <strong>agentes autônomos</strong> integrados ao <em>core</em> do negócio.</p><p>A evolução acontece porque o ambiente de negócios muda o tempo todo: os clientes mudam, o mercado muda, a regulação muda. O modelo de crédito que funcionava no ano passado pode não capturar mais os sinais certos hoje. O assistente virtual que encantava no lançamento pode já não ser capaz de lidar com novas demandas.</p><p>Esse dinamismo exige que os modelos de IA sejam alimentados com dados atualizados, recalibrados com frequência e ajustados ao contexto atual.</p><p>Contudo, o propósito permanece o mesmo: <strong>gerar valor relevante e concreto para o negócio, com velocidade e qualidade.</strong></p><h4>IA como um ciclo de vida de aprendizado</h4><p>Muitos projetos de IA falham porque são tratados como iniciativas com início, meio e fim. O modelo é colocado no ar e, muitas vezes, perde-se o olhar crítico sobre sua performance ao longo do tempo.</p><p>Já as organizações que tratam a IA como um <strong>ciclo vivo</strong> monitoram métricas, ajustam hiperparâmetros, reavaliam continuamente os resultados e garantem que o impacto esteja alinhado ao momento atual do negócio.</p><p>É isso que diferencia as empresas que usam IA de forma estratégica: elas <strong>não param na entrega do modelo</strong>. Elas percorrem o caminho, aprendem e evoluem constantemente. Seja ajustando automaticamente uma linha de produção para reduzir desperdício, seja automatizando a análise de contratos para ganhar agilidade, ou melhorando assistentes virtuais com base nos aprendizados das interações — tudo isso só acontece porque a IA é encarada como um processo contínuo, não como um projeto isolado.</p><h4>Por último, mas não menos importante</h4><p>Se IA é uma jornada, a pergunta mais relevante não é <em>“quando vamos terminar?”</em></p><p>É interessante se perguntar constantemente:</p><blockquote>Estamos avançando na direção certa, no ritmo certo e com as pessoas certas ao nosso lado?</blockquote><blockquote>Estamos aprendendo com o caminho ou acumulando soluções que já não respondem ao nosso momento?</blockquote><blockquote>Que dores dos nossos clientes são endereçadas com as soluções de IA disponibilizadas? Como a jornada do cliente é impactada com IA?</blockquote><p>Essas são perguntas que organizações maduras em IA se fazem constantemente. E a resposta quase sempre começa no mesmo lugar: <strong>na estratégia de dados</strong>.</p><p><strong>Alerta Spoiler: </strong>No próximo artigo da série, vamos explorar como a estratégia de dados define o ponto de partida e sustenta cada passo da jornada de IA.</p><p>Nossa jornada está só começando!</p><p><em>(Este texto foi integralmente escrito por um humano e reflete experiências reais e perspectivas profissionais sobre o tema. Apenas a imagem do artigo foi gerada com IA)</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=377b12bedb74" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Qual a importância do Dia Internacional da Mulher?]]></title>
            <link>https://medium.com/@andressasivolella/qual-a-import%C3%A2ncia-do-dia-internacional-da-mulher-ab2117458a69?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/ab2117458a69</guid>
            <category><![CDATA[8m]]></category>
            <category><![CDATA[diainternacionaldamulher]]></category>
            <category><![CDATA[mulheres]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Fri, 11 Mar 2022 21:48:29 GMT</pubDate>
            <atom:updated>2022-03-11T21:48:29.170Z</atom:updated>
            <content:encoded><![CDATA[<p>Anualmente, no dia 08 de Março, celebramos o Dia Internacional das Mulheres. Existem questionamentos acerca da celebração desta data, marcada pela luta feminista em busca da garantia dos direitos das mulheres. Afinal, você sabe como surgiu o Dia Internacional das Mulheres? E quais são os direitos garantidos ou pleiteados por mulheres historicamente? Celebrar ou refletir: o que realmente significa ter uma data exclusiva para as Mulheres?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/696/0*NABzkKXGfNVuG7lJ.jpg" /><figcaption>Desenho de Mulheres com suas pluralidades. Extraído de <a href="https://brasilturis.com.br/lugar-de-mulher-e-onde-ela-quiser/">BrasilTuris</a> em 11/03/2022.</figcaption></figure><p><strong>Antes de mais nada, um contexto histórico</strong><br>O ano é 1908 e o cenário é uma fábrica de confecção de camisas em Nova Iorque. A jornada de trabalho gira em torno de 14 horas e as mulheres compõem a maior parte do quadro de funcionários recebendo entre 6 e 10 dólares por semana. Neste contexto, as trabalhadoras reivindicam seus direitos de equidade salarial e melhores condições de jornada de trabalho entre outros, caracterizando um dos primeiros atos feministas registrados nos Estados Unidos que culminou, em 28 de Fevereiro de 1909, no primeiro Dia Nacional das Mulheres.</p><p>No ano seguinte (1910), durante a II Conferência Internacional das Mulheres em Copenhague, na Dinamarca, a feminista marxista alemã Clara Zetkin, propôs que as trabalhadoras de todos os países organizassem um dia especial das mulheres, cujo primeiro objetivo seria promover o direito ao voto feminino. Esta é considerada a primeira celebração internacional do Dia das Mulheres.</p><p>Em 1911 um incêndio atinge a mesma fábrica têxtil que incentivou a criação do dia celebrado nacionalmente pelos Estados Unidos. Neste episódio mais de 140 funcionárias morrem tragicamente carbonizadas, expondo condições de trabalho insalubres, apenas enfatizando os pontos centrais das passeatas iniciadas nos anos anteriores. Entende-se que este acidente trouxe revisões às leis trabalhistas e pequenas conquistas foram alcançadas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/675/0*eeBNzKrLoP4auouM.jpg" /><figcaption>A fábrica da <em>Triangle Shirtwaist,</em> durante o incêndio. Extraído de <a href="https://pt.wikipedia.org/wiki/Inc%C3%AAndio_na_f%C3%A1brica_da_Triangle_Shirtwaist">Wikipedia</a> em 08/03/2022.</figcaption></figure><p>Ao longo dos anos seguintes, diversos atos similares reivindicando direitos para as mulheres surgiram, e em 1975 a ONU instituiu definitivamente o Dia Internacional da Mulher em homenagem à luta e às conquistas. A escolha do dia 8 de Março estaria diretamente relacionada a greve das operárias russas, ocorrida em 1917, na qual mulheres também reivindicavam melhores condições e salários equivalentes aos trabalhos similares exercidos por homens em um cenário pós primeira guerra mundial no evento conhecido como “Pão e Paz”.</p><p><strong>Luta por direitos e conquistas no Brasil</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/696/0*Br_FZtKmbTwOmltL.jpg" /><figcaption>Clipart We Can Do It! (Tradução literal: Nós podemos fazer isso!)</figcaption></figure><p>Independente do dia internacionalmente instituído pela ONU, os eventos em busca de direitos da mulher surgem em torno do século 20 motivados essencialmente por melhores condições de trabalho e qualidade de vida. O movimento das sufragistas registra a primeira onda na luta por direitos femininos onde mulheres do mundo todo lutam para conseguir o direito ao voto tendo, enfim, participação política. No Brasil, embora restrita à elite, as mulheres conseguiram o direito ao voto em 1932 na Era Vargas.</p><p>A partir da década de 50 iniciam-se discussões sobre igualdade e inclui-se na pauta a diferenciação entre sexo (como caracterísitica biológica) e gênero (como identificação). É neste ponto que diversas questões sobre construção social e características são impostas pela sociedade a depender de seu sexo. Protestos relacionados a objetificação do corpo da mulher ou padrões de beleza impostos pela sociedade são os principais destaques da luta por direitos de mulheres no mundo todo, pautado pela opressão baseada no sexo biológico.</p><p>No Brasil, em 1962 foi criado o Estatuto da Mulher Casada que permitiu que mulheres não precisassem da autorização do marido para trabalharem. É nesse mesmo ano que a pílula anticoncepcional chega ao Brasil e, apesar de polêmica, traz autonomia à mulher iniciando uma discussão importante acerca dos direitos reprodutivos e da liberdade sexual feminina.</p><p>A década de 70 traz à tona discussões sobre igualdade de gênero, sexualidade e saúde da mulher. Em 1974 a mulher conquista o direito de portar um cartão de crédito trazendo empoderamento financeiro. Antes disso, no Brasil, era necessário que a mulher fosse ao Banco com um homem para assinatura de contrato com a instituição financeira.</p><p>Até 1977, apesar de muitas estarem mesmo que infelizes em seus casamentos, as mulheres não poderiam se separar legalmente de seus cônjuges. E mesmo com a aprovação da Lei do Divórcio, a sociedade por muitos anos recriminou mulheres “desquitadas” forçando-as a viverem casamentos infelizes e abusivos para não sofrerem os julgamentos da sociedade.</p><p>Em 1979 mulheres são autorizadas a praticar futebol, mas até hoje atletas dessa modalidade lutam contra a homofobia ou pela igualdade salarial de atletas que atuam profissionalmente na modalidade masculina.</p><p>Em 1985 surge a primeira delegacia especializada em mulheres permitindo que crimes de violência doméstica e sexual contra as mulheres fossem investigados de maneira protetiva e em prol da segurança da mulher. Em 1988 a Constituição Brasileira reconhece as mulheres como iguais aos homens, embora muitos direitos ainda precisam ser reconhecidos.</p><p>Embora registros indiquem que a luta por direitos das mulheres tenha se iniciado em 1908, somente na década de 90 surge o conceito de interseccionalidade evidenciando a mulher negra e de outras classes não elitizadas: o movimento feminista, dessa forma, reconhece as diferentes variedades e experiências de mulheres e busca desconstruir categorias estabelecidas para mulheres e até mesmo questionar termos utilizados por homens para diminuir ou ofender mulheres.</p><p>Até 2002, por exemplo, segundo o Código Civil brasileiro um homem poderia solicitar a anulação de seu casamento caso descobrisse que sua esposa não era virgem antes do matrimônio. Outro importante marco na luta para combater a violência contra a mulher é a Lei Maria da Penha: vítima de duas tentativas de homicídio, a farmacêutica precisou lutar por 20 anos para conseguir colocar seu ex-marido atrás das grades. Embora a lei exista, muitas mulheres não possuem independência financeira e sentem-se reféns de seus agressores não conseguindo usufruir desta lei.</p><p>Ainda na esfera de segurança, em 2015, a Lei do Feminicídio é sancionada e crimes contra mulheres são considerados homicídios qualificados. A importunação sexual feminina passa a ser considerada crime em 2018 e em 2021 a Tese de Legítima Defesa da Honra é considerada por unanimidade pelo Supremo Tribunal Federal como inconstitucional.</p><p><strong>Celebração ou Reflexão?</strong><br>Se você chegou até aqui, deve ter percebido que inúmeros eventos acontecem há mais de 100 anos na luta por direitos que buscam trazer, em última instância, qualidade de vida para as mulheres.</p><p>Atualmente no Brasil, a luta gira em torno da erradicação da violência doméstica, da participação mais representativa na política, no direito ao parto natural, na amamentação em locais públicos, no direito ao aborto, na crítica a cultura que coloca a mulher em posição submissa ao homem, na equidade salarial para mulheres exercendo as mesmas atividades que homens e até mesmo posições de liderança no mercado de trabalho.</p><p>Em outros locais no mundo outras pautas ainda fazem parte da luta feminista: até 2020 na Arábia Saudita mulheres eram proibidas de dirigir um veículo, por exemplo. Ou ainda, em 2021 com a retomada do talibã no Afeganistão, mulheres tiveram seus direitos de estudar e trabalhar interrompidos. Parafraseando Simone de Beauvoir, basta uma crise para que os direitos das mulheres sejam questionados.</p><p>O Dia Internacional das Mulheres deve sim ser celebrado pelos direitos conquistados, mas também deve ser entendido como um dia de muita reflexão e vigilância, para que não haja retrocessos e os direitos conquistados sejam cessados. Homens também devem fazer parte desta luta de maneira ativa para que a sociedade reduza gradativamente as diferenças de gênero em busca de equidade.</p><blockquote>Será que no próximo dia 08 de Março teremos outras conquistas para serem celebradas?</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ab2117458a69" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[2. Maternidade e TI — Licença Maternidade]]></title>
            <link>https://medium.com/@andressasivolella/2-maternidade-e-ti-licen%C3%A7a-maternidade-894bdda991a6?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/894bdda991a6</guid>
            <category><![CDATA[maternidade]]></category>
            <category><![CDATA[maternidade-e-ti]]></category>
            <category><![CDATA[mulheres-na-tecnologia]]></category>
            <category><![CDATA[tecnologia-e-sociedade]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Wed, 04 Mar 2020 17:41:54 GMT</pubDate>
            <atom:updated>2020-03-04T17:41:54.967Z</atom:updated>
            <content:encoded><![CDATA[<h3>2. Maternidade e TI — Licença Maternidade</h3><p>Esse é o segundo post sobre minha jornada no mercado de TI quando descobri que estava grávida. Se você também trabalha no mercado de TI, segura a minha mão e vamos juntxs! Se você perdeu o primeiro, segue o <a href="https://medium.com/@andressasivolella/1-maternidade-e-ti-t%C3%B4-gr%C3%A1vida-e-agora-60c5bc3d2e7a">link</a>.</p><h4><strong>Antes de mais nada…</strong></h4><p>Gostaria de compartilhar que antes de escolher esse tema como segundo post da série eu fiquei um pouco receosa. <em>Alerta de spoiler</em>: vem treta aí! Vamos abordar um pouco <strong>igualdade de gênero</strong>? Dia Internacional da Mulher vem aí e muito assunto ainda precisa ser discutido. Aproveita o seu momento amenidades e vem comigo…</p><h4><strong>Agora que a equipe já sabe, o que fazer?</strong></h4><p>No post anterior eu falei sobre <a href="https://medium.com/@andressasivolella/1-maternidade-e-ti-t%C3%B4-gr%C3%A1vida-e-agora-60c5bc3d2e7a">como descobri que estava grávida</a>. Bem, uma vez que você dá essa grande notícia no seu local de trabalho, parece (de verdade) que você tira um grande peso das suas costas. Mal sabe você que a sua nova jornada está só começando. Para começar eu sugiro uma rápida leitura num <a href="https://economia.uol.com.br/guia-de-economia/licenca-maternidade-regras-direitos.htm">post mais jurídico </a>(caso o seu regime de trabalho seja CLTista) para você entender antes de mais nada quais são os <strong>seus direitos como trabalhadora</strong>. Procure também saber se a sua empresa não possui políticas de “<em>Licença Maternidade”</em>… #informaçãoÉpoder</p><p>Independente do regime no qual você trabalha, a primeira coisa que você precisa entender é que <strong>sua vida já mudou completamente</strong>. Inclusive, você aí que está lendo esse post agora, uma dica: se você não é a futura mamãe nessa novela, você também precisa entender isso.</p><p>Eu tive a sorte de estar num local de trabalho em que as pessoas rapidamente entenderam a situação e respeitaram as mudanças físicas do meu corpo. Você certamente fica mais cansada, mais esquecida e em alguns momentos com mais fome. Suas costas e pernas doem. Mas, no final do mês todos temos que pagar nossos boletos, certo? E você não joga a toalha e vai até o limite do seu corpo!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RS9jz-7KuH8YFSf71g68ug.jpeg" /><figcaption>Última semana de gestação: 33 semanas</figcaption></figure><p>Concomitantemente surgem na sua cabeça várias dúvidas…</p><blockquote>“Quem vai ficar no meu lugar e absorver todas as minhas entregas?”</blockquote><p>Relaxa! Mesmo que você seja autônoma, uma empresa é composta por pessoas e nesse momento decisões serão tomadas para que tudo continue andando mesmo na sua ausência. Até mesmo no meu caso, que as bebês chegaram prematurinhas, antes da hora (com 34 semanas de gestação — o ideal seriam 40 semanas — aliás, por que toda grávida conta em semanas e não meses? Isso é papo pra café/mesa de bar…). Como minha gestação foi gemelar, existia uma grande chance das bebês virem antes da hora. Mas aqui vai minha experiência: quanto antes compartilhei a notícia, melhor. Mais tempo tivemos para planejar a minha saída e mais tempo pra eu efetivamente curtir a gravidez e minhas novas <em>seres-humaninhas</em>. Mas isso é algo pessoal: você melhor do que ninguém para sentir o clima e contar quando estiver mais confortável.</p><blockquote>“Como vai ser voltar depois de tanto tempo?”</blockquote><p>E é aqui que eu gostaria de abordar o assunto <em>Licença Paternidade</em>. A figura paterna é tão importante quanto a figura materna nos primeiros anos de vida de uma pessoa. Foi-se o tempo que a <em>Licença Paternidade</em> durava 5 dias CORRIDOS (um verdadeiro absurdo). Chega a ser injusto com a criança a privação da presença paterna durante os meses que ela precisa de mais cuidado e afeto.</p><p>Se por um lado a mãe e a criança ficam carentes da participação paterna, por outro a carreira do homem continua avançando. Pergunte para um homem quanto tempo ele acredita que poderia ficar afastado do trabalho sem ter a sensação de perda de espaço na carreira?</p><p>Existe um <a href="https://www.b9.com.br/shows/mamilos/mamilos-196-maternidade-carreira/"><em>podcast </em></a>excelente sobre esse assunto (<em>Mamilos: Maternidade &amp; Carreira</em>) e <a href="https://www.maesmundoafora.com/licenca-parental-semelhancas-e-diferencas-pelo-mundo/">um artigo</a> que resume bem o assunto em países que já adotam políticas de Licença Paternidade maiores.</p><p>Por outro lado, acredito que existe uma questão político-econômica nesse assunto: por que um país como o Brasil daria incentivos a crescimento populacional? Na minha visão <em>não-tão-romântica</em> de mundo, criar tais políticas em países europeus é bem mais interessante, né?</p><p>Enfim, sempre vale a reflexão!</p><p>Está fora do seu controle: um sentimento que sempre vai vir a tona é:</p><blockquote>Minha carreira acabou! Vou ter que me dedicar muito mais agora pra conseguir aquela promoção… =(</blockquote><p>Infelizmente não existe uma resposta única e reconfortante para esse pensamento. A sua projeção de carreira depois que você se aventura na maternidade depende de tantas variáveis que um <em>post</em> seria insuficiente para enumerá-las. Acredito que um bom recomeço nesse momento é ter auto-confiança nas suas entregas. Procure sua <strong>rede de apoio dentro da empresa</strong> e explore conversas que te tragam novamente pro “jogo”. Tente entender o que mudou na estratégia da empresa e quem são os novos personagens que estarão presentes no seu dia-a-dia. Eu ainda não retornei, mas sempre que penso nesse sentimento pessimista tento pensar na minha <strong>rede de apoio</strong>.</p><blockquote>Ou ainda: será que eu vou querer voltar?</blockquote><p>Essa é uma escolha bastante pessoal e deve ser também respeitada. Se a pessoa decide parar de trabalhar e se dedicar inteiramente a uma rotina fora do mercado de trabalho essa também é uma escolha válida.</p><p>Eu não me apaixonei perdidamente por essa opção e aqui em casa estamos planejando toda rotina para meu retorno. Mas isso não invalida outras opções…</p><h4><strong>Minhas filhas nasceram e a Licença Maternidade chegou</strong></h4><figure><img alt="Dia de saída da maternidade após 21 dias de UTI Neonatal. Na foto, Felipe segurando a Ana e eu segurando a Júlia." src="https://cdn-images-1.medium.com/max/769/1*1pTyjdtSTsgx5YS225Qokg.jpeg" /><figcaption>Dia de saída da maternidade após 21 dias de UTI neo-natal. Na foto, Felipe segura Ana e eu seguro a Júlia.</figcaption></figure><p>Elas vieram antes da hora: tive complicações na gestação e tivemos que antecipar o parto para algo em torno de 7.5 meses. Como nasceram com pouco peso (menos de 2 kg) elas tiveram que ficar 21 dias na UTI Neonatal. Vieram saudáveis, mas magrinhas.</p><p>Foi transformador o primeiro olhar trocado com elas ❤.<br>Mas também MUITO exaustivo: é realmente bem difícil dividir esse momento com uma jornada de trabalho.</p><p>Se você acha que a <em>Licença Maternidade</em> me permitiu desengavetar aqueles projetos pessoais, que eu coloquei em dia algumas séries e filmes ou ainda, que eu consegui finalmente ler mais livros, você realmente não tem noção do que é a <em>Licença</em>. O maior projeto, pelo menos nos 4 primeiros meses foram exclusivamente as meninas! Se eu vi séries ou li muitas coisas elas basicamente iam desde amamentação a troca de fralda, ou como colocar o recém-nascido no <em>sling</em> ou ainda <em>Montessori</em>.</p><p>A verdade é que eu tenho ao meu lado um companheiro maravilhoso como pai da Ana e da Júlia. Fica aqui mais uma dica: use e abuse da sua <a href="https://gauchazh.clicrbs.com.br/donna/maternidade/noticia/2019/05/rede-de-apoio-na-maternidade-por-que-e-importante-criar-a-sua-cjvmnkalz03mb01pecpc41098.html">rede de apoio</a>. Independente do caminho que você escolha pra sua carreira ela é um dos principais parceiros que vão te ajudar nessa sua nova fase de vida! E novamente, se você aqui não é a mamãe, procure entender como você pode fazer parte dessa rede de apoio. Isso é extremamente importante como sociedade.</p><p>Em alguns dias eu finalmente vou retornar ao trabalho. Mas isso vai ser papo pro próximo <em>post…</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=894bdda991a6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[1. Maternidade e TI — Tô grávida! E agora?]]></title>
            <link>https://medium.com/@andressasivolella/1-maternidade-e-ti-t%C3%B4-gr%C3%A1vida-e-agora-60c5bc3d2e7a?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/60c5bc3d2e7a</guid>
            <category><![CDATA[mulheresemti]]></category>
            <category><![CDATA[maternidade-na-ti]]></category>
            <category><![CDATA[maternidade]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Mon, 27 Jan 2020 14:42:22 GMT</pubDate>
            <atom:updated>2020-01-27T14:42:22.479Z</atom:updated>
            <content:encoded><![CDATA[<h3>1. Maternidade e TI — Tô grávida! E agora?</h3><h4>Esse é o primeiro post sobre minha jornada no mercado de TI quando descobri que estava grávida. Se você também trabalha no mercado de TI segura a minha mão e vamos juntxs!</h4><h4>Por que falar sobre isso agora?</h4><p>Fiquei um tempo sem escrever nada por aqui. Os motivos são muitos, mas o principal era… falta de tempo. Ano passado mergulhei tanto em um desafio que me foi proposto na empresa em que trabalho atualmente que agora que estou de Licença Maternidade me dei conta que estou um tempo sem compartilhar nada. Gosto de desafios e o projeto ainda é muito promissor. Mas isso é assunto pra outro post. Vamos (tentar) manter o foco ;-)</p><p>Resolvi então compartilhar o meu momento atual. Vou continuar publicando posts mais técnicos sim. Mas vou tentar também ter uma frequência pra compartilhar também o meu mais novo adjetivo: eu agora sou “mamãe” =)</p><p>Achei importante falar sobre isso principalmente porque existem muitos desafios para mulheres no mercado de TI. Se você tem dúvidas sobre isso, pode ler um pouco mais <a href="https://netsupport.com.br/blog/os-desafios-para-mulheres-na-ti/">nesse artigo aqui ó</a>.</p><h4>A vida… essa sim é uma caixinha de surpresas…</h4><p>Antes de mais nada, e pra matar a sua curiosidade: não, eu não planejava… Comecei a morar junto com meu atual marido e no final de 2018 decidimos parar com o método contraceptivo para eventualmente, no final de 2019 tentarmos.</p><p>As festas de final de ano passaram e aqueles quilinhos a mais estavam incomodando. Decidi cair dentro da dieta e das atividades físicas. O curioso é que quanto mais atividade física eu fazia, parecia que mais peso eu ganhava. Foi quando em Março do ano passado (2019) eu fui fazer então um exame de rotina (uma transvaginal) para monitorar um miominha pequeno que praticamente toda mulher tem.</p><p>De maneira resumida, a médica que ia conduzir o exame não conseguiu concluí-lo. Bastou 10 segundos com a câmera posicionada para ela dizer a seguinte frase que explodiu na minha cabeça:</p><blockquote>“Não consigo fazer esse exame não: você está grávida! E está avançado, vou precisar chamar a médica que faz ultrassom”</blockquote><p>Obviamente não tinha ainda digerido a notícia bombástica e a <em>médica que faz o ultrassom</em> chegou MUITO animada, colocando o gel na minha barriga e disse:</p><blockquote>“Ih! São dois bebês! Parabéns mamãe, você está grávida de gêmeos” =D (emoji muito sorridente, que era como a médica estava)</blockquote><p>E foi assim que descobri que estava grávida em 25/03/2019. Aparentemente eu estava com aproximadamente 13 semanas… E não, não senti enjôo. Não, o teste de farmácia não deu positivo. Não, meu ciclo menstrual não atrasou de maneira significativa… Meu único “sintoma” era o peso e nada mais.</p><h4>Meu chefe vai me matar! Como contar no trabalho?</h4><p>Muitas coisas vêm a cabeça quando se descobre que está grávida, principalmente de gêmeos: como vou conseguir criar duas crianças? Será que estou pronta? Como contar pro meu marido? (Ele vai se amarrar!) E no trampo? Meu chefe vai me matar! Será que vou ser demitida depois da Licença Maternidade? Isso certamente vai atrapalhar minha carreira…</p><p>Os hormônios nessa fase também não ajudam em nada. Você fica mais chorosa, mais insegura, mais esquecida. Tudo isso é normal, e vai passar. Acredito que a insegurança está muito relacionada a dificuldade que mulheres tem de avançar em uma carreira de TI…</p><p>No fim, descobri que minha rede de apoio no trabalho era fantástica. Mesmo tendo na equipe só homens todos ficaram verdadeiramente contentes com a notícia. Meus chefes me deram muito apoio e isso me deixou muito tranquila para seguir com a gestação.</p><p>Mas, nem todos os lugares são assim. Eu refleti muito antes de escrever esse post e cheguei a uma conclusão: hoje em dia, o empregador que não valoriza a criação de uma vida (que dirá duas!) é muito pobre de espírito e isso é muito triste. Você trabalha diariamente com <strong>pessoas</strong> e por incrível que pareça, elas tem vida fora do ambiente de trabalho! Se elas (principalmente mulheres, que passam por grandes mudanças, tanto no corpo como na mente) acabam tendo filhos isso deveria ser algo muito natural e leve.</p><p>E se elas também optam por não terem filhos, tudo bem! Nem toda mulher quer ser mãe e isso também é ok! O respeito tem que prevalecer e as escolhas são sempre muito individuais. Eu não tive muita escolha: o amor aqui em casa é tão grande que o universo nos enviou duas meninas… Mas elas também são assunto para posts futuros ;-)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=60c5bc3d2e7a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Por que o Netflix insiste em te recomendar aquela série?]]></title>
            <link>https://medium.com/@andressasivolella/por-que-o-netflix-insiste-em-te-recomendar-aquela-s%C3%A9rie-2473ddbbecda?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/2473ddbbecda</guid>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[recomendações]]></category>
            <category><![CDATA[desenvolvedor]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Wed, 28 Feb 2018 12:18:05 GMT</pubDate>
            <atom:updated>2018-02-28T12:18:05.206Z</atom:updated>
            <content:encoded><![CDATA[<p>Este artigo destina-se a pessoas com conhecimentos básicos de <em>Machine Learning</em>. Ele tem a intenção de introduzir o assunto <em>Sistemas de Recomendações.</em></p><p>A essa altura do campeonato, certamente o Spotify já sugeriu algum álbum pra você ouvir e você curtiu. Ou ainda, aquele <em>e-commerce</em> (tipo Netshoes) também te “empurrou” algum produto na seção <em>Pessoas que compraram este produto também se interessaram por esses…</em> certo? Como será que essas sugestões cada vez mais assertivas acontecem? Como a máquina por trás desses sites/serviços chegam a conclusão que provavelmente você gostará de determinado conteúdo?</p><p>Pois bem. Existe uma área dentro de Machine Learning responsável por lidar com isso conhecida como <strong>Sistemas de Recomendação</strong>. Podemos entender neste contexto <em>recomendação</em> como uma sugestão.</p><blockquote><strong>Mas como tais serviços conseguem dar sugestões?</strong></blockquote><p>Na verdade, serviços que se utilizam de Sistemas de Recomendações só conseguem lidar bem com isso atualmente porque existe um <strong>grande volume de informações</strong> de consumo e hábitos na web. <a href="https://www.tecmundo.com.br/historia/1778-a-world-wide-web-completa-20-anos-conheca-como-ela-surgiu.htm">Quando a web nasceu</a> (há mais de 20 anos) era mais difícil sugerir qualquer tipo de conteúdo ou produto para gente como a gente baseando-se em alguma técnica de Sistemas de Recomendação. Mas hoje em dia, devido ao grande tempo utilizado navegando-se em serviços é possível mapear não só características comuns entre pessoas, como também de seus comportamentos e hábitos de consumo, devido ao volume de dados gerado.</p><blockquote><strong>E como as sugestões acontecem, afinal?</strong></blockquote><p>Nada melhor do que explicar qualquer coisa citando exemplos. E portanto, vou compartilhar abaixo um pedaço da imagem que ilustra meus hábitos de consumo no Netflix.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IoZ-kfbgiHxhih3dXiceig.png" /><figcaption>Sugestões do Netflix que aparecem no dia 27/02/2018. Imagem contém a foto de determinadas séries, tais como: Merlí, Reign, The Goodwife, Gilmore Girls, Full House e Outlander.</figcaption></figure><p>Eu consigo justificar pelo menos as 3 primeiras recomendações. São elas:</p><ul><li><em>Merlí</em>: provavelmente esta recomendação aparece porque assisti <em>La Casa de Papel </em>(e diga-se de passagem, me amarrei)</li><li>Em seguida, a sugestão dele é para a série <em>Reign</em>. Ainda não sei do que se trata, mas seu conteúdo parece estar relacionado a série <em>The Crown</em> a qual também sou fã.</li><li><em>The Goodwife</em> aparece como a terceira sugestão. Eu também nunca assisti, mas acredito que esta recomendação esteja aí pois assisto muito <em>Law and Order: SVU.</em></li></ul><p>Todas as séries acima são sugestões que apareceram porque eu consumi conteúdos similares. Esta é a maneira mais simples de recomendação (<strong>baseada em conteúdo</strong>).</p><p>Nesse momento você deve (com razão) ficar preocupado ao emprestar o seu perfil para seus parentes e amigos. Cada vez que eles consomem alguma série/filme que seja diferente de seus gostos o Netflix estará aprendendo os gostos de tais pessoas e não os seus ¯\_(ツ)_/¯. Por isso, não se assuste caso <a href="https://pt.wikipedia.org/wiki/Full_House"><em>Full House</em></a> apareça na sua lista de sugestões do Netflix, como aparece na minha lista, de acordo com a ilustração acima.</p><p>Mas, voltando ao assunto, neste momento você consegue compreender recomendações baseadas em conteúdo. Essa é a maneira mais básica de se recomendar algo: o algoritmo percebe que você gosta de algum conteúdo e sugere conteúdos similares.</p><p>Quanto mais conteúdo você assiste e classifica no Netflix, mas dados sobre seus hábitos (e de outros usuários também) o serviço armazena. Isso permite que ele identifique grupos de pessoas que possuem os mesmos gostos que você e acabe sugerindo séries que tais pessoas curtem e que você ainda não consumiu. Esta técnica é conhecida como <strong>Filtragem Colaborativa</strong>. Neste caso, vamos supor que eu assisti <em>House of Cards</em> e <em>MindHunter </em>(e nesse caso não precisamos supor, pois assisti mesmo ambas séries citadas). Essas séries não possuem conteúdos similiares: enquanto <em>House of Cards</em> a temática principal é política a <em>MindHunter</em> lida com investigação criminal.</p><p>Depois de investir grande parte do meu tempo de vida assistindo as séries citadas, o Netflix me indica a série <em>Stranger Things</em> cujo conteúdo não está relacionado com séries que eu assisti anteriormente. Será que o Netflix errou nesta sugestão?</p><p>Não. Provavelmente não errou. Quando o serviço sugere conteúdo que não necessariamente está relacionado a seus hábitos de consumo ele está fazendo uso da <strong>filtragem colaborativa</strong>. Ele sabe que um grande número de outras pessoas que assistiram <em>House of Cards</em> e assistiram <em>MindHunter</em> também assistiram (e gostaram) de <em>Stranger Things</em>. Logo, se eu assisti às duas primeiras séries e gostei, provavelmente eu também vou gostar de <em>Stranger Things</em> já que um monte de gente que consome coisas parecidas com o que consumo gostaram, entende? Essa é a lógica por trás da filtragem colaborativa. Simples né?</p><p>Ou seja, se você é o tipo de pessoa que não classifica nada nunca, você não estará ajudando o serviço a ficar cada vez melhor. Por um lado você estará preservando a sua privacidade, mas por outro, pode estar perdendo um tantão de conteúdo bacana disponível nesse mundão, vai saber?</p><blockquote><strong>Ok! Então quer dizer que quanto mais interajo com esses serviços mais essas empresas conhecem os meus gostos?</strong></blockquote><p>Pois é! Por exemplo: supondo que a cada série/filme que você assista no Netflix você sempre informe ao serviço se você gostou ou não do que viu. Neste caso, você certamente está ajudando-o a conhece-lo melhor. Assim sendo, quando o Netflix selecionar as suas recomendações ele será capaz de identificar outros conteúdos que provavelmente nem você sabe que gosta.</p><p>O mais interessante em recomendações é quando alguma sugestão é feita para você de maneira inesperada e você super curte! É como se no seu dia a dia uma amiga te sugerisse uma banda da qual você nunca ouviu falar e acaba gostando. Pois bem: a grande virada da recomendação é essa. Facilitar a descoberta do que para você é incrível de forma que dificilmente você encontraria sozinho.</p><p>E sim. Empresas de varejo em geral (Amazon que o diga!) possuem ferramentas com algoritmos de Sistemas de Recomendações em seu <em>e-commerce</em>, assim como os já citados Netflix, Spotify e Netshoes, por exemplo. E sinceramente, eu iria além: qualquer empresa de serviços e varejo hoje em dia que não trabalha com recomendações certamente está ficando para trás. Esta técnica é relativamente fácil de ser implementada e gera rápidos retornos…</p><blockquote><strong>Quero saber mais sobre Sistemas de Recomendação. #comofaz?</strong></blockquote><p>O <a href="https://www.coursera.org/specializations/recommender-systems"><em>Coursera</em></a>, por exemplo, possui um curso sobre Sistemas de Recomendações que é bem interessante, caso você queira se aprofundar no assunto. Caso você não curta o formato de vídeo-aula, pode também acessar <a href="http://infolab.stanford.edu/~ullman/mmds/ch9.pdf">este material disponibilizado por Stanford</a> que também é bem completo.</p><p>Os conteúdos citados acima são no idioma inglês e caso isso seja um gargalo para você, existe também um curso online oferecido pela Alura: <a href="https://www.alura.com.br/curso-online-machine-learning-introducao-aos-sistemas-de-recomendacoes">dá um confere</a>. E por fim, se você conhece a linguagem de programação Python e aproveitar uma das promoções da Udemy, pode também comprar <a href="https://www.udemy.com/inteligencia-artificial-sistemas-de-recomendacao-em-python/">este curso</a>.</p><p>Por hoje é só! Comentários serão super bem vindos \o/</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2473ddbbecda" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Estatística básica para gente como a gente — parte 2]]></title>
            <link>https://medium.com/@andressasivolella/estat%C3%ADstica-b%C3%A1sica-para-gente-como-a-gente-parte-2-c11261e70549?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/c11261e70549</guid>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[analytics]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Tue, 02 May 2017 13:15:44 GMT</pubDate>
            <atom:updated>2017-05-02T14:49:01.577Z</atom:updated>
            <content:encoded><![CDATA[<p>Há mais ou menos um mês atrás eu publiquei a primeira parte deste artigo <a href="https://medium.com/@andressasivolella/estat%C3%ADstica-b%C3%A1sica-para-gente-como-a-gente-parte-1-c08f82eb6c0c"><em>&quot;Estatística básica para gente como a gente&quot;</em></a>. Eis aqui a continuação.</p><p>Na publicação anterior você aprendeu alguns conceitos básicos de estatística, tais como <strong>média</strong>, <strong>variância</strong> e <strong>desvio padrão</strong>. Que tal avançarmos um pouco mais?</p><p>Dois conceitos importantes que ficaram faltando na publicação anterior foram <strong>correlação </strong>e <strong>covariância</strong>, certo? Por que não começamos por eles então?</p><h3>O que é correlação afinal?</h3><p>Primeiramente, só faz sentido falar sobre correlação quando estamos comparando duas (ou mais) <em>coisas</em> diferentes. Na publicação anterior, utilizamos a altura da família <em>Simpsons</em> como exemplo motivacional. Só faz sentido falarmos sobre correlação se quisermos comparar a altura dos personagens com alguma outra medida (também conhecida como outra <em>variável</em>), como por exemplo, idade.</p><p>Podemos entender se uma variável (por exemplo, altura) cresce (ou decresce) junto com outra (por exemplo, idade) calculando (o coeficiente de) correlação entre essas duas variáveis.</p><blockquote>E qual é a motivação em saber se duas variáveis crescem ou decrescem juntas?</blockquote><p>Vamos supor que em um conjunto de dados (onde conjunto de dados também pode ser entendido como uma tabela) temos valores faltantes.</p><blockquote>Valores faltantes?</blockquote><p>Sim. Por exemplo: vamos supor que na sua tabela sobre personagens da série <em>The Simpsons</em> a coluna &quot;Altura&quot; tenha todos os valores, mas, a coluna &quot;Idade&quot; não esteja completamente preenchida.</p><p>(você também pode entender &quot;<em>valores faltantes</em>&quot; como &quot;<em>missing values</em>&quot;, caso enfrente a literatura no idioma inglês.)</p><blockquote>O que fazer com valores faltantes?</blockquote><p>Existem pelo menos duas abordagens (práticas) para lidar com valores faltantes:</p><ol><li>Você pode simplesmente descartar a variável em questão. Isso equivale a simplesmente remover a coluna &quot;Idade&quot;.</li><li>Caso &quot;Idade&quot; e &quot;Altura&quot; sejam variáveis com coeficiente de correlação próximo a 1, podemos <em>projetar</em> os valores faltantes.</li></ol><p>O coeficiente de correlação varia de -1 a 1. Quanto mais próximo de -1 ou 1, mais correlacionadas estão as variáveis em questão. Um coeficiente de correlação próximo a zero indica que as variáveis envolvidas são não correlacionadas. Em outras palavras, variáveis não correlacionadas indicam não linearidade. Neste caso, nada indica que se uma variável cresce ou decresce a outra a acompanha. Ou ainda, se uma variável cresce, a outra decresce (e vice-versa).</p><h3>E covariância? O que é? (do que se alimenta?)</h3><p>Intuitivamente, covariância e correlação são bastante similares. Matematicamente, o coeficiente de correlação é a covariância dividida pelo produto do desvio padrão de cada variável. (Eita!)</p><p>Calma! Não precisamos cair dentro da matemática para entender covariância. Do ponto de vista matemático é interessante apenas perceber que diferente da correlação não existe uma padronização nos valores de covariância.</p><blockquote>Como assim, padronização?</blockquote><p>Como dito, o coeficiente de correlação varia de -1 a 1, onde -1 e 1 indicam <em>linearidade</em> entre duas variáveis.</p><ul><li>Coeficientes de correlação próximos de 1 indicam que quando uma variável (de)cresce, a outra também (de)cresce.</li><li>Coeficientes de correlação próximos de -1 indicam que quando uma variável cresce, a outra decresce (e vice-versa).</li></ul><p>Pois bem, ao contrário do coeficiente de correlação, a covariância é dita não padronizada porque ela não se limita a valores entre -1 e 1, podendo ser igual a qualquer número.</p><h3>Não confunda causalidade com correlação!</h3><p>Quando estamos falando sobre correlação é importante que você não se deixe enganar puramente pelos cálculos.</p><p>Uma alta correlação, ou seja, um coeficiente de correlação próximo de -1 ou 1 não necessariamente indica causalidade. Em outras palavras, duas variáveis podem ser fortemente correlacionadas mas, semanticamente uma não implica na outra.</p><p>Por exemplo: no gráfico abaixo, o eixo y a esquerda representa o número de afogamentos em piscinas. O eixo y a direita indica quantidade de aparições do ator Nicolas Cage em filmes. O eixo x, por sua vez, indica apenas anos em que tais eventos ocorreram.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1BgWHp9qwsOvj5IT8oq-hQ.png" /><figcaption>Correlação não implica em causa! Exemplo retirado de &quot;Spurious Correlations&quot;</figcaption></figure><p>Tal gráfico indica correlação entre duas variáveis: número de afogamentos em piscinas e aparições do Nicolas Cage. Entretanto, isso não indica causalidade: o fato do Nicolas Cage aparecer mais ou menos em filmes não causa mais ou menos afogamentos em piscinas (ou pelo menos não deveria causar…).</p><p>O site a seguir cita o exemplo acima e muitos outros: <a href="http://www.tylervigen.com/spurious-correlations">http://www.tylervigen.com/spurious-correlations</a></p><p>Cuidado apenas para não perder horas nele, hein.</p><p>Acredito que esses são conceitos básicos e interessantes sobre estatística! A compreensão de tais conceitos são fundamentais na área de ciência de dados… Saber utilizá-los pode ajudar bastante também numa etapa anterior ao treinamento de algoritmos de aprendizado de máquinas. Fique ligada(o)!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c11261e70549" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Estatística básica para gente como a gente — parte 1]]></title>
            <link>https://medium.com/@andressasivolella/estat%C3%ADstica-b%C3%A1sica-para-gente-como-a-gente-parte-1-c08f82eb6c0c?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/c08f82eb6c0c</guid>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[estatísticas]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Wed, 15 Mar 2017 14:18:50 GMT</pubDate>
            <atom:updated>2017-03-15T14:44:03.310Z</atom:updated>
            <content:encoded><![CDATA[<p>Este post tem como objetivo ilustrar conceitos básicos para pessoas não técnicas.</p><p>Em um <a href="https://medium.com/@andressasivolella/estat%C3%ADstica-e-machine-learning-uma-coisa-%C3%A9-uma-coisa-e-outra-coisa-%C3%A9-outra-coisa-ser%C3%A1-35114e73b18d#.onslh13my">post anterior</a> foi apresentada algumas diferenças entre estatística e Machine Learning (ML). A verdade é que antes de utilizar qualquer técnica de ML faz parte de um projeto de análise de dados <strong>entender a natureza do conjunto de dados</strong> que temos em mãos. Neste caso, aplicar estatística é fundamental.</p><blockquote>&quot;(…) aplicar estatística (…)&quot; <br>O que seria isso?</blockquote><p>Média, desvio padrão, variância, co-variância e correlação. Não se assuste. Você já deve ter ouvido esses termos antes. Mas também se não ouviu, tudo bem. O objetivo deste post é ilustrar tais termos.</p><p>Antes de mais nada, você precisa saber:</p><ul><li>Somar valores</li><li>Dividir valores</li><li>Elevar valores ao quadrado</li><li>Extrair raíz quadrada de um valor</li></ul><blockquote>Por que entender um pouquinho de estatística seria interessante?</blockquote><p>Para responder tal pergunta, vamos voltar ao assunto principal através de um exemplo motivacional. Mesmo que você não tenha ouvido falar de nenhum dos termos acima, certamente você já ouviu falar dos Simpsons. É a partir da figura abaixo que vamos nos basear para exemplificar termos básicos encontrados em estatística. Vamos lá?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*WDqCSPdCQ1zfX-vogAgotg.jpeg" /><figcaption>Figura 1. A família Simpson e suas respectivas (hipotéticas) alturas</figcaption></figure><p>Você deve ter percebido que além de cada membro da família Simpson a figura exibe também a (hipotética) altura de cada personagem (em metros). Mas, pra ajudar, vamos primeiramente listar tais informações abaixo:</p><ol><li><strong>Homer</strong> tem <strong>1.8 m</strong> de altura</li><li><strong>Maggie</strong> tem <strong>0.5 m</strong> de altura</li><li><strong>Bart</strong> tem <strong>0.9 m</strong> de altura</li><li><strong>Lisa</strong> tem <strong>0.7 m</strong> de altura</li><li><strong>Marge</strong> tem <strong>2.13 m</strong> de altura (um pouco forçado devido ao cabelo dela, mas, é o que a nossa régua está medindo. Neste momento, não se apegue a este detalhe).</li></ol><p>Quando você olha pra figura acima <strong>você</strong> deve ser capaz de identificar que a Maggie e a Marge possuem alturas discrepantes quando comparadas aos outros membros da família Simpson, certo? Você consegue fazer isso porque, de maneira bem simples, o seu cérebro faz algumas conexões e conclui isso. Acontece que <strong>uma máquina não é capaz de verificar essa diferença</strong> apenas pelas alturas apresentadas na imagem. Ela não possui um cérebro, propriamente dito e logo, não consegue chegar a essa conclusão sozinha. E é exatamente neste momento que os termos de estatística os quais vamos aprender hoje ajudam. É através de estatística aplicada antes de qualquer algoritmo de Machine Learning que a máquina vai entender como é o conjunto de dados que será utilizado.</p><blockquote>Beleza. Então, vamos começar com a média?</blockquote><p>Vamos! A figura ilustra a altura de cada personagem individualmente, mas você já se perguntou qual é a altura média da família Simpson? (Não né? Mas acompanha o exemplo =) )</p><p>Para extrair a média da altura da família Simpson, basta somarmos todas as alturas de cada personagem e dividir o resultado pelo número de personagens (ou seja, 5). Em números, isso significa dizer:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/260/1*w6HImeUvgZ16TrmeCfIc9Q.gif" /><figcaption>Média da altura da família Simpson</figcaption></figure><p>Ou seja, a média da altura da família Simpson é 1.2 metros. <br>(E neste momento, eu espero que eu não tenha perdido o seu interesse, afinal, parafraseando <em>Stephen Hawking</em>, a cada fórmula apresentada perde-se metade da audiência…)</p><p>Mas, vem comigo: <strong>a linha verde</strong> na figura abaixo indica este valor. Por enquanto, eu espero que você não se incomode com as linhas e valores em azul.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*MQvw-QKqRjdih4lNjJmYpQ.jpeg" /><figcaption>Figura 2. Linha verde indica a média das alturas e as azuis indicam a diferença individualmente de cada altura com a média.</figcaption></figure><blockquote>Qual é a nossa motivação em calcular a média?</blockquote><p>Como dito, quando estamos trabalhando com projetos de análise de dados, muitas vezes <strong>extrair a média de uma determinada característica é o primeiro passo para entendermos como os dados que temos estão organizados</strong>. É bastante interessante entender se existe algum valor discrepante no conjunto de dados.</p><blockquote>Por que é interessante identificar valores discrepantes?</blockquote><p>Porque <strong>valores discrepantes atrapalham o aprendizado de máquina</strong>. Um algoritmo de Machine Learning aprende baseado no conjunto de dados que se tem em mãos. Se temos dados distoantes, tal algoritmo vai aprender com valores distoantes e isso vai atrapalhar o seu aprendizado (ou seja, ele vai aprender de maneira errada). Claro que como tudo na vida, há exceções: no caso de <em>identificação de fraudes</em>, por exemplo, os valores distoantes são importantes, porque são justamente eles que indicam fraudes. Mas de maneira geral, tais valores atrapalham o aprendizado de máquina.</p><p>Voltando ao nosso exemplo, a característica com a qual estamos trabalhando é a <strong>altura</strong>. Neste caso, seria interessante entender se existe algum membro da família Simpson com altura muito discrepante.</p><blockquote>Mas, isso eu consigo identificar olhando a figura 1, não?</blockquote><p>Sim. Você é capaz de identificar isso. Mas como será que uma máquina também identifica? Vamos ver…</p><p>Através da figura 2 é possível perceber que existe uma diferença da altura de cada personagem com a média das alturas, correto? <strong>Esta diferença está sinalizada também na figura 2 com a cor azul</strong>. Se elevarmos cada diferença ao quadrado e dividirmos pelo número de personagens (novamente, 5), teremos o que chamamos de variância. <strong>A variância indica quanto (em metros) cada altura está distante da média</strong>. Esta conta está ilustrada abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/304/1*xqbA2gyhU_XW1xocV_0SFA.png" /><figcaption>Variância das alturas da família Simpson</figcaption></figure><blockquote>E pra que serve a variância afinal?</blockquote><p>A resposta para a pergunta &quot;<em>Temos valores discrepantes no nosso conjunto?</em>&quot; pode ser respondida através do <strong>desvio padrão</strong>, que é calculado a partir da variância. Ou seja, a <strong>variância</strong> serve também para calcular o desvio padrão das alturas dos integrantes da família Simpson. <strong>A raíz quadrada da variância é igual ao desvio padrão</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/102/1*4ODQdSO4QujZ4I_Z6hIQLQ.png" /><figcaption>Desvio Padrão das alturas da família Simpson</figcaption></figure><blockquote>Como interpretar o desvio padrão? O que eu faço sabendo que o desvio padrão da altura da família Simpson é 0.64 metros?</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*2kqHwaMriwtdTDgNylXKAw.jpeg" /><figcaption>Figura 3. A tarja preta indica o Desvio Padrão. Percebemos que a altura da Maggie está abaixo desta tarja, assim como a Marge está acima desta tarja. Ou seja, a altura das duas, respectivamente está fora do padrão.</figcaption></figure><p><strong>O desvio padrão nos indica um padrão para altura</strong>. Em outras palavras, qualquer valor acima da média somado ao desvio padrão ou abaixo da média subtraída do desvio padrão indica um valor &quot;fora&quot; do padrão. Estar &quot;fora&quot; do padrão indica a presença de valores discrepantes. Observando a figura 3, no nosso exemplo, percebemos que apenas as alturas da Maggie e da Marge estão fora do valor padrão, representado pela tarja preta.</p><h3><strong>Mas e a co-variância e a correlação?</strong></h3><p>Bom, até aqui, já temos bastante informação. Que tal dar uma parada para absorção de conteúdo? Podemos ter uma parte 2 que pode abordar esses conceitos…</p><h3>Então, recapitulando…</h3><ul><li>Uma máquina não tem um cérebro e portanto, não é capaz de fazer conexões e identificar quais membros da família Simpson possui altura discrepante.</li><li>Podemos aplicar estatística básica como uma etapa anterior ao aprendizado de máquinas para entender o conjunto de dados disponível</li><li>A <strong>média</strong> indica como os dados se comportam de maneira geral. Ela é o primeiro passo para uma máquina entender se existem valores discrepantes no conjunto de dados.</li><li>No nosso exemplo, a <strong>variância</strong> indica o quanto cada altura está distante da altura média</li><li>É a partir da variância que vamos entender qual é o padrão de altura encontrado nos dados calculando o <strong>desvio padrão</strong>.</li></ul><p>O texto ficou muito confuso? Compartilhe sugestões ou dúvidas nos comentários abaixo =)</p><h3>#ficadica</h3><p>Se você não tem dificuldades com o idioma inglês, tenho duas sugestões para aprofundar tais conceitos:</p><ul><li><a href="http://students.brown.edu/seeing-theory/"><em>Seeing Theory</em></a><em> </em>é um projeto de uma universidade americana que através da biblioteca D3.js (Javascript) ilustra conceitos de estatística</li><li><a href="https://www.amazon.com/Cartoon-Guide-Statistics-Larry-Gonick/dp/0062731025"><em>Cartoon Guide to Statistics</em></a><em> </em>é um livro em quadrinhos (divertido) que também ilustra conceitos de estatística.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c08f82eb6c0c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Estatística e Machine Learning: uma coisa é uma coisa e outra coisa é outra coisa. Será?]]></title>
            <link>https://medium.com/@andressasivolella/estat%C3%ADstica-e-machine-learning-uma-coisa-%C3%A9-uma-coisa-e-outra-coisa-%C3%A9-outra-coisa-ser%C3%A1-35114e73b18d?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/35114e73b18d</guid>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[statistics-vs-ml]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Wed, 11 Jan 2017 15:05:50 GMT</pubDate>
            <atom:updated>2017-01-11T16:06:23.901Z</atom:updated>
            <content:encoded><![CDATA[<p>Você não precisa ser uma pessoa técnica para ler este post.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*HEZLicuHBj60IEgT1HK-WQ.png" /><figcaption>Qual a diferença entre Machine Learning e Estatística?</figcaption></figure><p>Nos posts anteriores eu falei sobre Machine Learning e como tal área está intrinsicamente relacionada com dados.</p><blockquote>Perdeu os posts anteriores? Não se preocupe. Eu listo eles aqui pra você:<br>* <a href="https://medium.com/@andressasivolella/afinal-o-que-machine-learning-e-redes-neurais-fazem-7c89e1885064#.n2bawzlps">Afinal, o que Machine Learning e Redes Neurais fazem?</a><br>* <a href="https://medium.com/@andressasivolella/deep-learning-nunca-vi-nem-comi-mas-j%C3%A1-ouvi-falar-13bab3883c75#.qiotdt2k5">Deep Learning: nunca vi, nem comi, mas já ouvi falar</a></blockquote><p>Entretanto, a utilização de dados para predições ou inferências não é exclusividade de Machine Learning. Qualquer pessoa que já tenha feito uma aula introdutória de estatística provavelmente já ouviu uma definição similar. E isso, por si só, já levanta uma questão:</p><blockquote>Qual a diferença entre Estatística e Machine Learning?</blockquote><h3>Situação</h3><p>Nada melhor do que começar qualquer explicação através de exemplos, certo? Vamos considerar a seguinte situação: vamos supor que você está procurando apartamento para alugar (e essa é a história da minha vida nos últimos anos).</p><p>Podemos entender um apartamento como um conjunto de características, tais como: número de cômodos, bairro em que está localizado, tamanho em metros quadrados, condomínio com lazer (possui churrasqueira, piscina, quadra poliesportiva?), proximidade com metrô, e inclusive, valor para locação.</p><p>Imagine agora que você foi convidado por uma amiga para conhecer um apartamento que ela visitou e está sugerindo que você o alugue. Mas, pelo calor da emoção, ela ainda não te informou qual é o preço do aluguel. Será que, baseando-se nas características do apartamento, você consegue chutar um valor?</p><h3>Abordagens</h3><p>Eu consigo pensar em pelo menos 3 abordagens diferentes para estimar o valor de locação de um apartamento:</p><ol><li><strong>Definindo regras para fazer uma estimativa. </strong>Podemos escrever um <em>código de programação</em> a partir de algumas regras condicionais, tais como:<br>* Se o apartamento possui 2 quartos E está localizado em um bairro nobre, a locação de tal apartamento deve valer mais que R$ 3.000,00 (valor totalmente esotérico e não se baseia em nenhum estudo real);<br>* Se não, o preço não deve ultrapassar R$ 3.000,00.</li><li>Baseando-se em outros apartamentos similares a esse, os quais você conhece o preço, é possível <strong>extrair a média de valores e estimar um valor</strong> para o apartamento em questão. Neste caso, você está aplicando <em>Estatística</em>!</li><li>Você também pode coletar informações de milhares de apartamentos e <strong>ensinar algum algoritmo</strong>. O objetivo deste algoritmo é <strong>aprender </strong>qual é o valor de locação <strong>através de dados </strong>de outros<strong> </strong>apartamentos similares. Neste caso, estamos utilizando <em>Machine Learning, </em>onde o algoritmo é treinado a partir de casos reais e, quando chegarem características de um novo apartamento, tal algoritmo também é capaz de estimar razoavelmente um valor.</li></ol><p>Provavelmente você consegue pensar em outras abordagens e eu ficarei feliz se você quiser compartilha-las através do espaço disponível para comentários ao final deste post =)</p><p>Mas, voltando ao assunto, neste momento, você deve ser capaz de entender a sutil diferença entre aplicação de estatística em contrapartida com Machine Learning, não? E dessa forma, eu te convido a entender um pouco mais. Vem comigo?</p><p>Podemos também diferenciar os termos procurando suas origens:<br><strong><em>Machine Learning</em></strong> é considerado um sub-campo de <strong>Inteligência Artificial</strong>. Enquanto <strong><em>Estatística</em></strong>, por sua vez, é um sub-campo da <strong>Matemática</strong>.</p><blockquote>Legal Andressa. E daí?</blockquote><p>E daí que compreender (ou pelo menos observar) a origem de cada área nos leva a entender qual o interesse delas. Quer ver?</p><p>De maneira bem simples (e os matemáticos me perdoem), por pertencer a um sub-campo da Matemática, a Estatística está fundamentalmente preocupada com o <strong>comportamento dos dados</strong>. Em outras palavras, ela está preocupada com média, desvio padrão, variância, co-variância, correlação, e inúmeras outras medidas que eu prometo desmistificar em um próximo post.</p><p>Por outro lado, Machine Learning está principalmente preocupado em <strong>resolver problemas existentes</strong> no mundo real (polêmico isso), o que implica em <strong>predições e reconhecimento de padrões</strong>. Retomando o exemplo dado anteriormente, a ótica de Machine Learning é sim prever o valor de um apartamento da maneira mais assertiva possível.</p><p>Compreender também a maneira como os dados atuam em cada uma das áreas é interessante para diferenciá-las. A Estatística utiliza os dados para tentar identificar padrões ou correlações, enquanto Machine Learning utiliza os dados para aprender a fazer predições. É como se os dados programassem! \o/</p><p>Enfim, Machine Learning também utiliza bastante estatística para lidar com dados e também para entender quão bem um algoritmo está sendo treinado, por exemplo. Em alguns momentos os termos (Modelagem) Estatística e Machine Learning realmente se confundem. Se você quiser partir para compreensões mais técnicas, o artigo <a href="http://brenocon.com/blog/2008/12/statistics-vs-machine-learning-fight/"><em>Statistics vs Machine Learning, fight!</em></a><em> </em>é uma ótima fonte para começar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=35114e73b18d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Deep Learning: nunca vi, nem comi mas já ouvi falar!]]></title>
            <link>https://medium.com/@andressasivolella/deep-learning-nunca-vi-nem-comi-mas-j%C3%A1-ouvi-falar-13bab3883c75?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/13bab3883c75</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[dados]]></category>
            <category><![CDATA[negocios]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Tue, 06 Dec 2016 13:33:46 GMT</pubDate>
            <atom:updated>2016-12-06T15:47:50.906Z</atom:updated>
            <content:encoded><![CDATA[<p>Este post é destinado a pessoas não técnicas em Ciência de Dados, mas que querem ter uma ideia sobre o que é <em>Deep Learning</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*fjYu1CKN9eLrIifKJHZOFw.jpeg" /><figcaption>Este post é destinado a pessoas não técnicas em Ciência de Dados, mas que querem ter uma ideia sobre o que é <em>Deep Learning</em></figcaption></figure><p>Se você está conectado de alguma forma com notícias relacionadas a TI, é quase certo que você tem ouvido com frequência o termo <em>Deep Learning</em> certo? Mas o que é isso afinal? E por que ultimamente todo mundo tem falado sobre isso?</p><p>No post anterior, eu tentei explicar <a href="https://medium.com/@andressasivolella/afinal-o-que-machine-learning-e-redes-neurais-fazem-7c89e1885064#.ejzwh6gr2">o que são Redes Neurais</a> e em que contexto tal técnica tem sido aplicada. Uma vez que você entende o que é uma Rede Neural, você é perfeitamente capaz de dar um passo a frente e entender <em>Deep Learning</em> (confia em mim!)</p><p>Vamos pegar como um exemplo motivacional a foto abaixo (que foi retirada da <em>Creative Commons</em>, logo, é livre para utilização).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/385/1*u8G9liIaYBAEojUnhXbe5g.jpeg" /><figcaption>Imagem Ilustrativa motivacional</figcaption></figure><p>Você é capaz de compreender que esta fotografia é composta de diferentes camadas, certo? Você consegue identificar uma criança guiando um cachorro (ou sendo guiada por ele), uma faixa de areia, uma parte que corresponde ao oceano e finalmente, uma camada que corresponde ao céu.</p><p>Em outras palavras, a sua <strong>percepção da fotografia</strong> como um todo é composta por uma <strong>composição de partes isoladas</strong>.</p><blockquote>Ok, Andressa. Eu consigo entender o que você está falando. Mas, onde entra Deep Learning nesse exemplo?</blockquote><p>Bom. As imagens a seguir ilustram como funciona uma Rede Neural e um Deep Learning. Você pode facilmente identificar que a diferença de ambas as técnicas consiste na <strong>quantidade de camada(s) intermediária(s)</strong>, correto? E é exatamente isso:<strong> <em>Deep Learning</em> nada mais é do que uma Rede Neural, só que com (muito) mais camadas.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/511/1*Dji42PFYfXSpgmlJdC-Gmw.jpeg" /><figcaption>Esquema de Rede Neural, com uma camada oculta.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*GrXP213MzVohVJM37RpsIA.jpeg" /><figcaption>Esquema meramente ilustrativo de Deep Learning, com camadas intermediárias (ocultas) responsáveis por identificar cada &quot;pedaço&quot; da fotografia. Na realidade, o que acontece camada-a-camada é mais complicado do que isso. Mas, dessa maneira, acredito que fica mais fácil entender.</figcaption></figure><p>Em <em>Deep Learning </em>as camadas intermediárias são responsáveis por identificar as diversas partes que compõem a fotografia como um todo.</p><blockquote>Mas por que então o nome não é Deep Neural Network?</blockquote><p>Essa é uma ótima pergunta e eu não vou saber responder. Talvez seja uma questão de apelo. Vai ver <em>Deep Learning</em> é mais sexy do que <em>Deep Neural Networks</em> ;-)</p><p>Brincadeiras a parte, algumas referências utilizam o termo <em>Deep Neural Network</em> ao invés de<em> Deep Learning. </em>Se você consultar diferentes fontes, você vai perceber que trata-se da mesma coisa.</p><blockquote>E onde mais posso utilizar Deep Learning?</blockquote><p>Suponha que você trabalha observando imagens de satélite da costa marítima brasileira. Com <em>Deep Learning</em>, é possível identificar quando um intruso se aproxima, por exemplo. Nessa mesma linha de raciocínio, também é possível identificar atividades ilegais relacionadas a desmatamento na Mata Atlântica. Ou ainda, é possível identificar também, em uma imagem de pesca, a existência de determinadas espécies de peixe, cuja pesca pode estar proibida devido a ameaça de extinção.</p><p>O Google já utilizou agrupamento de suas fotos no <a href="http://www.csmonitor.com/Technology/2016/0324/How-Google-Photos-uses-machine-learning-to-create-customized-albums">Google Fotos utilizando Deep Learning</a>. O reconhecimento de faces utilizada pelo Facebook, <a href="https://en.wikipedia.org/wiki/DeepFace">o DeepFace</a>, também faz uso de Deep Learning. Esse ano, inclusive, o Facebook abriu para o público seu <a href="http://www.digitaltrends.com/computing/facebook-open-source-image-ai/">programa que reconhece imagens</a>. O Google também não ficou pra trás, e abriu o <a href="https://research.googleblog.com/2016/09/introducing-open-images-dataset.html">seu conjunto de imagens</a> para o público acessar.</p><p>É interessante entender também que assim como humanos, <strong>máquinas também erram</strong>. Nas imagens abaixo, em que se tentou utilizar <em>Deep Learning </em>para se atribuir uma legenda as fotos, é interessante observar que na última imagem (2a coluna, 2a linha), a técnica errou feio, errou rude. Afinal, uma pipa foi confundida com <em>&quot;um homem voando enquanto pilota uma prancha de snowboard&quot;</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*WEYBzmbf5Q6QzdYkFAFzXQ.jpeg" /></figure><blockquote>Hein?!</blockquote><p>É, pois é. Não se pode ganhar todas. Mas, em contra-partida, as legendas atribuídas por <em>Deep Learning </em>para as outras imagens são bastante razoáveis, não?</p><p>Enfim, diversas são as aplicações abordadas por <em>Deep Learning</em>. Se você tiver em mãos algum <strong>problema de reconhecimento de imagens, você pode sim pensar em <em>Deep Learning</em></strong> como uma possível técnica. Só tenha cuidado: geralmente a aplicação de tal <strong>técnica exige bastante recurso computacional</strong>. Deve ser por isso que todas essas grandes estão disponibilizando publicamente seus recursos (conjunto de imagens e softwares desenvolvidos). Infelizmente, no fim, você, individualmente, não tem poder computacional para competir com eles, certo? Mas também não inviabiliza o seu uso. Lembre-se: <strong>não existe bala de prata!</strong> Cada cenário é um cenário…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=13bab3883c75" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Afinal, o que Machine Learning e Redes Neurais fazem?]]></title>
            <link>https://medium.com/@andressasivolella/afinal-o-que-machine-learning-e-redes-neurais-fazem-7c89e1885064?source=rss-f6e49b8de86f------2</link>
            <guid isPermaLink="false">https://medium.com/p/7c89e1885064</guid>
            <dc:creator><![CDATA[Andressa Sivolella]]></dc:creator>
            <pubDate>Mon, 28 Nov 2016 11:49:01 GMT</pubDate>
            <atom:updated>2016-11-28T11:49:01.017Z</atom:updated>
            <content:encoded><![CDATA[<h4>Este não é post direcionado para pessoas técnicas</h4><p>Não sei se é porque eu me interesso pelo assunto, mas parece que recentemente tais termos tem se tornado mais frequentes nas minhas redes de comunicação.</p><p>Quando um aplicativo do seu celular ou um serviço online diz que &quot;Utiliza Inteligência Artificial&quot; o que isso quer dizer afinal? Inteligência Artificial parece algo futurístico, não é? Assim como Inteligência Artificial, Redes Neurais e outros modelos de Machine Learning são realmente capazes de melhorar um aplicativo.</p><p>Recentemente, o <em>Google</em> anunciou que vai <a href="http://lifehacker.com/google-translate-will-now-use-neural-learning-to-make-e-1789036349">utilizar Redes Neurais para o seu serviço de tradução</a>. Em Agosto desse ano o <em>Spotify</em> <a href="https://labs.spotify.com/2016/08/07/commodity-music-ml-services/">publicou em seu blog técnico</a> a trajetória do desenvolvimento de serviços oferecidos utilizando Machine Learning. A <em>Todoist</em> semana passada <a href="http://lifehacker.com/todoists-smart-schedule-suggests-the-perfect-deadline-f-1789037156">disponibilizou uma funcionalidade</a> (<em>Smart Schedule</em>), que através de Inteligência Artificial, sugere qual o melhor dia/horário para você completar suas tarefas. Pode parecer que é apenas <em>marketing</em> quando uma empresa anuncia que vai utilizar algumas dessas técnicas. Mas em alguns casos, os benefícios são reais. Quer ver?</p><h3><strong>Redes Neurais para análises complexas</strong></h3><p><em>Artificial Neural Networks, ANNs </em>(ou simplesmente <em>Neural Networks</em>, em português, Redes Neurais) é um modelo específico de aprendizado que simula a maneira como sinapses funcionam no seu cérebro (se você é médico, desculpe se estou utilizando termos de maneira equivocada).</p><p>Enquanto a abordagem tradicional de computação utiliza uma série de blocos lógicos para executar uma determinada tarefa, Redes Neurais utilizam redes compostas por nós (os quais atuam como neurônios) e arestas (que por sua vez atuam como sinapses) para processar dados. As entradas então percorrem o sistema e uma série de saídas são geradas. Estas saídas são então comparadas com dados que conhecemos.</p><blockquote>Hein?! Não entendi nada…</blockquote><p>Por exemplo: digamos que você deseja treinar um computador para reconhecer uma imagem de um cachorro. Você precisaria apresentar para o computador milhões de fotos de cachorros através da Rede Neural, para que ele decida quais ele acredita que correspondem a imagens de cachorro ou não. Um ser humano (adulto, pelo menos) é capaz de confirmar quais imagens são efetivamente de um cachorro. A partir desta confirmação (ou não), a Rede Neural se ajusta para iterativamente, melhorar o seu palpite.</p><p>Você pode <em>substituir</em> a <em>Rede Neural</em> por uma <em>criança</em> neste exemplo dado. Para ensinar uma criança o que é um cachorro, é necessário que ela visualize milhares (talvez nem tantas vezes, mas…) de vezes fotos de cachorro para então, na milésima primeira vez decidir se aquela imagem é efetivamente de um cachorro, certo? E nessas milhares de vezes, você vai corrigindo o <em>palpite</em> dela, até que ela aprenda. Simples assim =)</p><p>Existe um exemplo prático bastante legal oferecido pelo Google, o <a href="https://quickdraw.withgoogle.com/">Google Quick Draw</a>. No caso, uma rede neural tenta adivinhar o que está sendo desenhado por você. Cuidado para não perder horas desenhando no link compartilhado. Cada desenho que você faz, o Google aprende um pouco mais.</p><p>É importante lembrar que Redes Neurais não resolvem todos os problemas do mundo (e nem é essa a intenção). É interessante aplicar Redes Neurais quando os problemas e dados que temos em mãos são complexos.</p><blockquote>Complexidade é relativo, Andressa.</blockquote><p>É, eu sei. Mas pense por exemplo no Google Tradutor, utilizando redes neurais. Traduzir idiomas é um caso complexo, não? Sabe-se que ao introduzir redes neurais no Google Voz, <a href="http://gizmodo.com/google-voice-gets-neural-network-powered-transcription-1719909699">erros de transcrição reduziram em 49%</a>. Você deve ter notado que este tipo de serviço ainda não é perfeito, mas também trata-se de um problema complexo.</p><h3>Mas e Machine Learning?</h3><p>Machine Learning pode ser entendido como algo mais amplo. Redes Neurais é apenas um exemplo de Machine learning, mas não é única técnica utilizada para ensinar uma máquina.</p><p>A imagem a seguir (retirada <a href="http://mabblerabble.blogspot.com.br/2016/09/machine-learning-mindmap.html">deste link</a>) ilustra os diferentes algoritmos que compõem Machine Learning. Neste momento, você é capaz de perceber que realmente, Redes Neurais correspondem a apenas uma folha dessa gama de técnicas disponíveis no aprendizado de máquinas, certo? Podemos falar de outros algoritmos em outra oportunidade =)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m-MxIkFZvA-1m_QNBgSgYQ.png" /></figure><p>Particularmente, acho as aplicações de Machine Learning muito interessantes. A parte mais emocionante é que não existe um único algoritmo que resolva todos os problemas. Como tudo na vida, cada caso é um caso e a exploração das técnicas faz parte do desafio.</p><p>As indústrias que surgiram nessa era da Quarta Revolução Industrial já entendem que Inteligência Artificial é capaz de mudar o jogo. A área de TI cada vez mais aparece na indústria como ator principal, não mais coadjuvante. Enquanto isso, outros aplicativos surgirão dizendo que &quot;Utilizam Inteligência Artificial&quot;. Você deve entender isso apenas como:</p><blockquote>&quot;Ok, este serviço pode ser um pouco mais inteligente do que outros… E Redes Neurais implica em um método de aprendizado de máquinas. Entendi \o/&quot;</blockquote><p>Isso tudo pra dizer que, no fim, você provavelmente não vai utilizar o aplicativo só por causa disso, mas também, pelo quão útil ele é pra você =)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7c89e1885064" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>