[{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/","section":"Blog Prof Rodrigo Santana","summary":"","title":"Blog Prof Rodrigo Santana","type":"page"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/tags/ia/","section":"Tags","summary":"","title":"IA","type":"tags"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/tags/machine-learning/","section":"Tags","summary":"","title":"Machine Learning","type":"tags"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/tags/matem%C3%A1tica/","section":"Tags","summary":"","title":"Matemática","type":"tags"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/series/matem%C3%A1tica-para-machine-learning/","section":"Series","summary":"","title":"Matemática Para Machine Learning","type":"series"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/tags/ml/","section":"Tags","summary":"","title":"ML","type":"tags"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/posts/","section":"Posts","summary":"","title":"Posts","type":"posts"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/tags/probabilidade/","section":"Tags","summary":"","title":"Probabilidade","type":"tags"},{"content":" Continuando a série de artigos sobre Probabilidade para Machine Learning, neste post vamos falar de soma de Probabilidades e Probabilidade Condicional, e os impactos disso para a construção de modelos de Machine Learning.\nSoma das Probabilidades Mutuamente Exclusivos Não Mutuamente exclusivos Independentes / Dependentes Por que é importante entender a diferença entre eventos independentes e dependentes? Probabilidade Condicional Resumo Referências Soma das Probabilidades # Quando precisamos saber a probabilidade total de mais de um evento ocorrer, podemos usar a regra da soma de probabilidades, porem temos que levar em consideração se os eventos são mutuamente exclusivos ou independentes.\nMutuamente Exclusivos # Eventos mutuamente exclusivos (em inglês Disjoint Events) são aqueles que não podem ocorrer ao mesmo tempo. Por exemplo, ao lançar um dado, não é possível obter um numero par e impar ao mesmo tempo, ou um exemplo mais voltado a aplicação de Machine learning, se eu tenho um modelo que classifica uma peça em \u0026ldquo;defeituosa\u0026rdquo; ou \u0026ldquo;não defeituosa\u0026rdquo;, não é possível a peça ter as duas classificações ao mesmo tempo.\nMatematicamente diríamos que \\(P(A \\cap B) = 0\\), ou seja, a probabilidade de ambos os eventos ocorrerem ao mesmo tempo (interseção \\(\\cap\\)) é zero.\nSupomos que a probabilidade calculada pelo modelo seja de 0.4 para \u0026ldquo;defeito leve\u0026rdquo;, e 0.5 para \u0026ldquo;defeito grave\u0026rdquo;, 0.1 para \u0026ldquo;não defeituosa\u0026rdquo;, e quero saber qual a probabilidade de uma peça ter defeito, ou seja de ter defeito leve ou defeito grave:\n$$P(defeito) = P(\\text{defeito leve}) + P(\\text{defeito grave}) = 0.4 + 0.5 = 0.9 = 90\\%$$ \\(P(defeito)\\) pode ser simbolizado também como a união (\\(\\cup\\)) entre os eventos, ou seja, \\(P(defeito) = P(\\text{defeito leve} \\cup \\text{defeito grave})\\).\nNão Mutuamente exclusivos # Eventos não mutuamente exclusivos são aqueles que podem ocorrer ao mesmo tempo. Por exemplo, supondo que você tem um modelo de detecção de objetos em uma imagem, e esse modelo detecta gatos e pássaros. É possível em que uma mesma imagem tenha um gato e um pássaro, ou seja, \\(P(gato \\cap pássaro) \\) não é necessariamente zero.\nNesse caso, para calcular a probabilidade de um evento ou outro ocorrer, precisamos subtrair a probabilidade de ambos os eventos ocorrerem ao mesmo tempo, para evitar contar essa interseção duas vezes: $$P(gato \\cup pássaro) = P(gato) + P(pássaro) - P(gato \\cap pássaro)$$ Gato Pássaro Gato ∩ Pássaro Independentes / Dependentes # Então entendendo que para saber a probabilidade de dois eventos ocorrerem ao mesmo tempo eu preciso calcular a interseção entre eles, como faço pra calcula-lo, sendo que só vimos até a agora a união \\(\\cup\\)? A palavra chave aqui é \u0026ldquo;e\u0026rdquo;, ou sejam, qual a probabilidade da imagem ter um gato e um pássaro ao mesmo tempo? $$P(gato \\cap pássaro) = P(gato) \\cdot P(pássaro)$$, ou seja, se a \\(P(gato) = 0.3\\) e \\(P(pássaro) = 0.4\\), então $$P(gato \\cap pássaro) = 0.3 \\cdot 0.4 = 0.12 = 12\\%$$Porém isso é valido apenas para eventos independentes, ou seja, eventos que não influenciam um ao outro.\nVerifiquemos outro exemplo. Suponha que adicionemos a esse modelo a detecção de carros e estradas. Suponhamos que possuímos 100 imagens, e que 20 possuem um carro, 10 possuem uma estrada, e 5 possuem ambos. Então: $$P(carro) = \\frac{20}{100} = 0.2 = 20\\%$$ $$P(estrada) = \\frac{10}{100} = 0.1 = 10\\%$$ portanto, de acordo com nossos cálculos: $$P(carro \\cap estrada) = P(carro) \\cdot P(estrada) = 0.2 \\cdot 0.1 = 0.02 = 2\\%$$, porém, na nossa contagem, vimos que temos 5 imagens que possuem ambos, ou seja : $$P(carro \\cap estrada) = \\frac{5}{100} = 0.05 = 5\\%$$Por que os cálculos não bateram? Porque se analisarmos o contexto, realmente a probabilidade de uma imagem de um carro ter também uma estrada não é zero, gera uma certa dependência entre eles. Daí vem a importância de analisar o contexto dos seus dados.\nPor que é importante entender a diferença entre eventos independentes e dependentes? # Dependendo do modelo de Machine Learning que você utilize, a dependência entre eventos/features impacta diretamente na performance do modelo. Probabilidade Condicional # Sabendo então que alguns eventos podem ser dependentes do outro, como nosso caso de carro e estrada, podemos calcular a probabilidade de evento ocorrer sabendo (dado) que outro evento ocorreu, ou seja, qual a probabilidade de carros aparecerem em uma imagem sabendo que já temos uma estrada. Isso é chamado de probabilidade condicional: $$P(A | B) = \\frac{P(A \\cap B)}{P(B)}$$, no nosso caso:\n$$P(carro | estrada) = \\frac{P(carro \\cap estrada)}{P(estrada)}$$, usamos o símbolo \\( | \\) para indicar \u0026ldquo;dado que\u0026rdquo;, ou sejam probabilidade de ter um carro dado que já temos uma estrada. Assim sendo: $$P(carro | estrada) = \\frac{0.05}{0.1} = 0.5 = 50\\%$$ ou seja, a probabilidade de ter um carro em uma imagem sabendo que já temos uma estrada é de 50%, o que é bem diferente da probabilidade de ter um carro sem essa informação, que era de 20%. Resumo # Nesse artigo vimos a importância de entender a diferença entre eventos mutuamente exclusivos, não mutuamente exclusivos, independentes e dependentes, e como isso impacta diretamente na performance de modelos de Machine Learning. Vimos também como calcular a probabilidade de um evento sabendo que um outro evento dependente já ocorreu.\nNo próximo artigo, vamos falar sobre o Teorema de Bayes! Fique ligado! Caso queira receber um alerta quando um artigo for publicado, se inscreva abaixo.\nReferências # Mathematics for Machine Learning and Data Science - deeplearning.ai Probability and Statistics: The Science of Uncertainty - Michael J. Evans, Jeffrey S. Rosenthal ","date":"13/04/2026","externalUrl":null,"permalink":"/posts/probaml2/","section":"Posts","summary":"","title":"Probabilidade para Machine Learning - Soma de Probabilidades e Probabilidade Condicional","type":"posts"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/series/","section":"Series","summary":"","title":"Series","type":"series"},{"content":"","date":"13/04/2026","externalUrl":null,"permalink":"/tags/","section":"Tags","summary":"","title":"Tags","type":"tags"},{"content":"Nesse primeiro artigo da série sobre MAF, quero introduzir o conceito de agentes para um melhor entendimento, falar o que significa um agente ser \u0026ldquo;enterprise ready\u0026rdquo;, e mostrar uma implementação básica de um agente usando Python e Azure AI Foundry.\nO que é um agente? Enterprise ready Criação do Agente Básico Resumo Referências O que é um agente? # Um agente é um sistema que tem a capacidade de receber informações, processá-las e tomar decisões de forma autônoma para atingir um objetivo específico. O seu \u0026ldquo;cérebro\u0026rdquo; é um modelo de linguagem de grande porte (LLM - Large Language Model em inglês) , que recebe instruções previas de como se comportar, ferramentas que pode usar, e o que deve entregar como resultado.\nFigura 1: Arquitetura de um Agente de IA. Fonte: Canal The AI Show, 2025. Minutagem: 02:27.\nFazendo uma analogia e uma comparação técnica entre componentes de Arquitetura de Software e IA (Python)\nConceito O que é na prática? Analogia Comportamento Função Bloco de código def que processa dados. O Tijolo Estático: Faz apenas uma coisa específica sempre que chamada. API Porta de entrada (URL/Endpoint) para integração. A Porta Passivo: Espera uma requisição para entregar uma resposta. Workflow Sequência lógica e ordenada de passos/tarefas. Linha de Montagem Determinístico: Segue um trilho fixo e caminhos pré-definidos. Chatbot Interface de texto/voz para interação humana. O Recepcionista Reativo: Responde ao que o usuário digita em linguagem natural. Agente AI Sistema que usa LLM para tomar decisões e usar ferramentas. O Gerente Autônomo: Raciocina e decide os passos para atingir um objetivo. Enterprise ready # MAF é considerado \u0026ldquo;enterprise ready\u0026rdquo;, ou seja, pronto para uso em ambientes corporativos, por ter sido criado com foco em segurança, governança, integração, observabilidade entre outros. E também pela sua integração nativa com o Microsoft Azure em geral, que por si só já é uma plataforma de nuvem largamente utilizada por empresas de todos os portes.\nEle também possui uma integração nativa com o Azure AI Foundry, a plataforma atual de criação, desenvolvimento e governança de IA da Microsoft.\nCriação do Agente Básico # Agora vamos para a mão na massa e criar um agente básico usando Python e utilizando o Azure AI Foundry como plataforma de LLM.\nVamos partir do pressuposto que já temos uma conta no Azure, e acesso ao Azure AI Foundry. Para esse exemplo usamos a plataforma nova do AI Foundry, o ai.azure.com, e não a antiga, que era o Azure OpenAI Service, pois a biblioteca do Foundry dentro do MAF, espera um endpoint no formato novo. Se o Azure Foundry não foi criado pela sua conta, certifique-se de ter acesso de Cognitive Services OpenAI User ou Azure AI Developer para conseguir acessar os recursos de LLM. Primeiro instalamos a biblioteca do MAF para Python:\npip install agent-framework==1.0.0 Após a instalação, importamos as bibliotecas necessárias e criamos uma instância do agente:\nfrom agent_framework.foundry import FoundryChatClient from azure.identity import AzureCliCredential O FoundryChatClient é a classe principal para criar-mos um cliente de conexão com o AI Foundry, e o AzureCliCredential é uma classe de credencial que permite autenticar usando as credenciais do Azure CLI.\nNo nosso caso, vou assumir que antes de rodar o script você ja esta autenticado dentro da azure, usando o comando az login, por exemplo.\nApós a importações, criamos uma instancia das credenciais e uma do Chat, passando 2 variáveis, o endpoint do projeto no Azure Foundry, e o modelo de LLM que queremos usar.\nload_dotenv() credenciais = ( AzureCliCredential() ) # necessario autenticação via Azure CLI para acessar o Azure Foundry. Certifique-se de estar logado usando `az login` no terminal. cliente_foundry = FoundryChatClient( project_endpoint=os.getenv(\u0026#34;AZURE_FOUNDRY_PROJECT_ENDPOINT\u0026#34;), model=os.getenv(\u0026#34;AZURE_FOUNDRY_MODEL\u0026#34;), credential=credenciais, ) Veja que estou usando o load_dotenv para carregar as variáveis de ambiente, para isso é necessário instalar o pacote do python-dotenv Uma vez criado e autenticado o cliente, criamos um agente, dando um nome e suas instruções iniciais, ou seja, quais as características principais de comportamento do agente.\nagente = cliente_foundry.as_agent( name=\u0026#34;Agente Básico\u0026#34;, instructions=\u0026#34;Você é um assistente amigável. Mantenha suas respostas breves.\u0026#34;, ) Ao final, obtemos o resultado de uma pergunta feita com esse \u0026ldquo;Agente amigável que responde de forma breve\u0026rdquo;\nresult = await agente.run(\u0026#34;Qual é a maior cidade da França?\u0026#34;) print(f\u0026#34;Agente: {result}\u0026#34;) E pronto temos um agente básico, que responde a perguntas de forma breve e amigável!!\nO código completo do agente você pode acessar no meu repositório do GitHub, no link das referências.\nResumo # Microsoft Agent Framework é um framework muito fácil, versátil e poderoso para criação de agentes de IA, principalmente por sua integração nativa com a Microsoft Azure.\nApesar de seu recém lançamento, versão 1.0, ele já vem comum grande aprendizado de outros frameworks da Microsoft que deve gerar um desenvolvimento de agentes muito robusto.\nSe gostou desse artigo, ou caso queira um artigo especifico de criação da plataforma do Azure AI Foundry, comente aqui em baixo.\nDo contrário, até o próximo artigo sobre MAF!\nReferências # Repositório do códigos da série de artigos Repositório do códigos desse artigos Microsoft Agent Framework Learn Microsoft Agent Framework GitHub Azure AI Foundry ","date":"11/04/2026","externalUrl":null,"permalink":"/posts/agente_basico/","section":"Posts","summary":"","title":"Agente básico com Microsoft Agent Framework usando Python","type":"posts"},{"content":"","date":"11/04/2026","externalUrl":null,"permalink":"/tags/agentes/","section":"Tags","summary":"","title":"Agentes","type":"tags"},{"content":"","date":"11/04/2026","externalUrl":null,"permalink":"/tags/azure-ai-foundry/","section":"Tags","summary":"","title":"Azure AI Foundry","type":"tags"},{"content":"","date":"11/04/2026","externalUrl":null,"permalink":"/tags/maf/","section":"Tags","summary":"","title":"MAF","type":"tags"},{"content":"","date":"11/04/2026","externalUrl":null,"permalink":"/tags/microsoft/","section":"Tags","summary":"","title":"Microsoft","type":"tags"},{"content":"","date":"11/04/2026","externalUrl":null,"permalink":"/series/microsoft-agent-framework/","section":"Series","summary":"","title":"Microsoft Agent Framework","type":"series"},{"content":"","date":"11/04/2026","externalUrl":null,"permalink":"/tags/python/","section":"Tags","summary":"","title":"Python","type":"tags"},{"content":" Como um das minhas metas de revisão e estudos para 2026, está o curso Learning from Data, oferecido pela Caltech. O curso é ministrado pelo professor Yaser Abu-Mostafa e tem todo o seu material disponível online. Eu o estou acompanhando pela plataforma EDX, onde ele é oferecido gratuitamente.\nO curso vai focar bastante na base para um bom conhecimento.\nCurso Learning from Data - Caltech Epilogo Mapa do Curso Teoria Técnicas Paradigmas O Problema de Aprendizado Dados Disponíveis Um padrão existe Não é possível criar um função matemática de maneira simples O Fluxo do Aprendizado Referências Curso Learning from Data - Caltech # O curso é uma introdução ao aprendizado de máquina, e aborda os seguintes tópicos:\nAula 1: O Problema de Aprendizado Aula 2: É Possível Aprender? Aula 3: O Modelo Linear I Aula 4: Erro e Ruído Aula 5: Treinamento versus Teste Aula 6: Teoria da Generalização Aula 7: Dimensão VC Aula 8: Dilema Viés-Variância Aula 9: O Modelo Linear II Aula 10: Redes Neurais Aula 11: Overfitting Aula 12: Regularização Aula 13: Validação Aula 14: Máquinas de Vetores de Suporte Aula 15: Métodos de Kernel Aula 16: Funções de Base Radial Aula 17: Três Princípios de Aprendizado Aula 18: Epílogo Epilogo # O professor Yaser começa pontuando que o curso falará de teoria matemática, porém focada na execução pratica de machine learning, ou seja, não serão cobertos muitos outros possíveis tópicos por questão de tempo.\nMapa do Curso # Teoria # Vapnik-Chervonenkis Viés-Variância Complexidade Inferência Bayesiana Técnicas # Modelos\nLinear Redes Neurais Vetores de Suporte k-Nearest Neighbors Árvores de Decisão Processos Gaussianos Decomposição em Valores Singulares Modelos de grafos Métodos\nRegularização Validação Agregação Processamento de dados Paradigmas # Supervisionado Não Supervisionado Reforço Ativo Online O Problema de Aprendizado # Essa matéria começa inicialmente com a definição do que é a essência do uso de machine learning. Ele usa o exemplo de um banco que quer aprovar um empréstimo, ou não para um cliente, baseado se ele é um bom pagador ou não.\nA essência, segundo o professor, são as características que definem se um problema deve ser resolvido usando machine learning ou não. São elas:\nUm padrão existe Não é possível criar um função matemática de maneira simples Existem dados disponíveis para aprender o padrão Caso Real: Já fui acionado para fazer uma analise de um possível problema à ser resolvido com machine learning, que ao conversar com o gestor da área, o mesmo tinha os dados, porem todos em livros físicos, ou seja até que os mesmo fossem digitalizados, o projeto de machine learning não poderia ser iniciado. Sendo assim, a pergunta de se existem dados, é de extrema importância! Dados Disponíveis # O Banco possui as informações e histórico dos clientes, como idade, renda, salário, tempo de carteira de trabalho, débitos atuais, etc. Vamos chamar isso de dados de entrada, ou input, e matematicamente de \\(x\\).\nO banco também tem o histórico de clientes que pagaram ou não os empréstimos, ou seja, a resposta, ou output, \\(y\\).\nA junção desses dados, ou dataset, seria $$(x_1, y_1), (x_2, y_2), ..., (x_N, y_N))$$ onde \\(N\\) é o número de clientes.\nUm padrão existe # É de se imaginar que exista um padrão nesses dados, ou seja, uma função que baseado nas características dos clientes, consiga prever se o mesmo é um bom pagador ou não. Chamaremos isso de função alvo, ou target function, \\(f\\), tal qual $$f: X \\rightarrow Y$$ sendo \\(X\\) todos as informações históricas do cliente e \\(Y\\) a resposta se o cliente é um bom pagador ou não.\nNão é possível criar um função matemática de maneira simples # Como não é possível criar uma função \\(f\\) simples, criamos uma hipótese, função $$g: X \\rightarrow Y$$ tal que seja uma aproximação de \\(f\\), ou seja, \\(g \\approx f\\).\nO Fluxo do Aprendizado # E como fazemos para aprender a função \\(g\\)? O processo de aprendizado é o seguinte:\ngraph LR A[\"$$f$$\"] --\u003e B[\"$$\\text{Dados: } (x_1, y_1), ..., (x_N, y_N)$$\"] B --\u003e C[\"$$\\text{Algoritmo de Aprendizado: } \\mathcal{A}$$\"] C --\u003e D[\"$$g \\approx f$$\"] E[\"$$\\text{Hipóteses: } \\mathcal{H}$$\"] --\u003e C Onde \\(\\mathcal{A}\\) é o algoritmo de aprendizado, que será aprendido para tornar-se a função \\(g\\), e \\(\\mathcal{H}\\) é o conjunto de hipóteses, ou seja, os modelos que serão testados para encontrar a melhor aproximação de \\(f\\).\nPor exemplo, dependendo do tipo de problema, usaremos modelos lineares, redes neurais, etc.\n\\(\\mathcal{A}\\) e \\(\\mathcal{H}\\) são nossos componentes da solução.\nSendo que \\(\\mathcal{H} = \\{h\\}\\), ou seja, é um conjunto de possíveis modelos, sendo \\(g\\) o melhor modelo encontrado, ou seja, \\(g \\in \\mathcal{H}\\).\nEm termos mais simples, tenho varias hipóteses de modelos que podem funcionar, como regressão linear ou redes neurais. Eles seriam o h1, e h2, por exemplo. Uma vez que gerei um algoritmo baseado nesses modelos, e escolher o melhor deles, o modelo escolhido será chamado de \\(g\\).\nNo próximo artigo, vamos aprender como o algoritmo aprende baseado em um modelo de perceptron. Comente abaixo o que achou do curso, da explicação e se tem interesse em acompanhar os próximos artigos sobre o assunto.\nReferências # Learning from Data - Caltech ","date":"10/04/2026","externalUrl":null,"permalink":"/posts/ml_caltech/","section":"Posts","summary":"","title":"Curso Learning from Data - Caltech","type":"posts"},{"content":"","date":"10/04/2026","externalUrl":null,"permalink":"/series/machine-learning/","section":"Series","summary":"","title":"Machine Learning","type":"series"},{"content":" Um dos tópicos que estou revisando esse ano é probabilidade, principalmente para aplicações em Machine Learning.\nProbabilidade de um Evento Evento Complementar Resumo Referências Probabilidade de um Evento # De maneira simplificada, probabilidade é uma área da matemática que estuda a chance de eventos ocorrerem. Como em Machine Learning lidamos com dados e incertezas, a probabilidade é importante para entender como ler os resultados de modelos, e entender como metrifica-los.\nVou buscar escrever os notações matemáticas também, pois para os que estudam e trabalham com Machine Learning, é importante entender a notação para ler artigos científicos e livros da área.\nUm exemplo simples de probabilidade é, partindo do suposto que tenho 10 alunos em uma sala e 3 deles conhecem futebol, qual a probabilidade de um aluno escolhido aleatoriamente jogar futebol?\n$$P(\\text{futebol}) = \\frac{\\text{evento}}{\\text{espaço amostral}} = \\frac{\\text{n alunos futebol}}{\\text{n total alunos}} = \\frac{3}{10} = 0,3$$Então em um experimento aleatório, a probabilidade de escolher um aluno que joga futebol é 30%. Probabilidade sempre varia entre 0 e 1, ou 0 e 100%.\nVamos representar isso graficamente, usando o diagrama de Venn, que é uma representação visual de conjuntos e suas relações:\ngraph TD subgraph Omega [\"\u0026Omega; - Espaço Amostral (10 Alunos)\"] F((\"Jogam Futebol: 30% - 3 Alunos\")) end classDef omegaBox fill:#f4f9f4,stroke:#27ae60,stroke-width:2px,color:#27ae60,font-weight:bold classDef bola fill:#fff,stroke:#333,stroke-width:2px,color:#000,font-weight:bold class Omega omegaBox class F bola Em notação matemática, ficaríamos assim:\nEspaço Amostral (pode-se usar a notação S ou Ω): $$n(\\Omega) = 10$$Evento A (Alunos que jogam futebol): $$n(A) = 3$$Probabilidade: $$P(A) = \\frac{n(A)}{n(\\Omega)} = \\frac{3}{10} = 0,3$$ Evento Complementar # O complementar de um evento é a probabilidade do evento não acontecer. Tendo em vista que nosso espaço amostral \\(n(\\Omega)\\) possui todos os eventos possíveis, no nosso exemplo o numero de alunos, e que a probabilidade é sempre um valor entre 0 e 1, entao o resultado do evento complementar é 1 menos a probabilidade do evento acontecer.\n\\(P(A^c) = 1 - P(A)\\) tal que \\(A \\cup A^c = \\Omega\\)\nNo nosso exemplo, a probabilidade de escolher um aluno que não joga futebol é 70%: $$P(\\text{não futebol}) = 1 - P(\\text{futebol}) = 1 - 0,3 = 0,7$$ Resumo # Neste post, revisamos o conceito de probabilidade, que é a chance de eventos ocorrerem, e sua importância para Machine Learning. Usamos um exemplo simples de uma sala com 10 alunos, onde 3 jogam futebol, para calcular a probabilidade de escolher um aluno que joga futebol (30%) e o evento complementar (70%). Também representamos isso graficamente usando um diagrama de Venn. A probabilidade é fundamental para entender os resultados de modelos de Machine Learning e suas métricas.\nEscreverei uma série de artigos conforme meus estudos vão progredindo, então fique atento para os próximos posts sobre probabilidade, estatística e outros tópicos relacionados a Machine Learning e Inteligência Artificial.\nReferências # Mathematics for Machine Learning and Data Science - deeplearning.ai\nProbability and Statistics: The Science of Uncertainty - Michael J. Evans, Jeffrey S. Rosenthal\n","date":"06/04/2026","externalUrl":null,"permalink":"/posts/probaml/","section":"Posts","summary":"","title":"Probabilidade para Machine Learning","type":"posts"},{"content":"Foi liberada ontem, dia 02/04/2026, a versão 1.0 do Microsoft Agent Framework (MAF), um framework de código aberto para desenvolvimento, implementação e orquestração de agentes de IA usando Python e .NET.\nProposta do MAF Série de Artigos Referências Proposta do MAF # MAF vem com a proposta PRO-CODE, ou seja, criação de agentes usando mais codificação, diferentes do MS Copilot 365, que seria voltado para usuários de negócio e do MS Copilot Studio com um foco em Power Users.\nTambém possui uma propostas de ser mais Enterprise-Ready, ou seja, com foco em segurança, privacidade e governança, o que seria um diferencial importante para adoção em empresas. E logicamente, mais integrado com o ecossistema Microsoft, como Azure, Microsoft 365, Foundry, etc.\nSérie de Artigos # Vou criar uma série de posts para falar sobre o MAF, suas funcionalidades, arquitetura, integrações, casos de uso, etc, tanto quanto minha experiência usando o framework.\nVou criar também algumas implementações de exemplo usando o MAF, para mostrar como ele funciona na prática.\nSigam a série para acompanhar as novidades sobre o Microsoft Agent Framework!\nReferências # Microsoft Agent Framework (MAF) - GitHub Microsoft Agent Framework (MAF) - Learning ","date":"03/04/2026","externalUrl":null,"permalink":"/posts/maf/","section":"Posts","summary":"","title":"Microsoft Agent Framework Versão 1.0 Lançada","type":"posts"},{"content":"Essa semana participei de um evento online do ICTi chamado Sinapses ICTi – Edição aberta\nDescrição do evento: Meus comentários Referências Descrição do evento: # *O espaço que nasceu para conectar especialistas e bolsistas agora ganha uma nova dimensão. No dia 02 de abril, realizaremos o primeiro Sinapses ICTi aberto ao público, ampliando o diálogo sobre os avanços, desafios e oportunidades no desenvolvimento da inteligência artificial.\nCom o tema “IA Generativa Responsável, Eficiente e Aplicável ao Contexto Brasileiro”, o encontro será dedicado a compartilhar aprendizados e resultados dos projetos desenvolvidos no Instituto de Ciência e Tecnologia Itaú, que atua de forma integrada e estratégica em toda a cadeia de Inteligência Artificial Generativa, desde a construção e uso responsável de dados, desenvolvimento de modelos mais eficientes e avaliação técnica de riscos e vieses, até a definição de frameworks de governança aplicáveis a setores críticos da economia.\nMais do que um evento, o Sinapses é um espaço de troca entre pesquisa, tecnologia e aplicação prática - sempre em colaboração com universidades e parceiros acadêmicos. Aqui, o foco está em construir avanços que impactem positivamente a sociedade, de forma sustentável e ética.*\nMeus comentários # O ICTi é um Instituto de Ciência e Tecnologia do Itaú busca fazer pesquisas em tecnologias emergentes com potencial de transformar o setor financeiro e a sociedade. Eles tem vários sub-temas de pesquisa ligados a IA e Computação Quântica. Na apresentação, eles mostraram rapidamente algumas pesquisas acontecendo com professores da USP, bolsistas e funcionários do Banco Itaú.\nPorém o que me chamou a atenção foram os modelos de parceria, baseados no TRL (Technology Readiness Level), onde o ICTi tem parcerias com universidades para pesquisas mais básicas de algoritmos por exemplo, protótipos , versões alfa/beta até produto final, ou seja de TRL 1 até TRL 9.\nParabéns ao Grupo ITAU pela iniciativa!\nReferências # ICTi - Instituto de Ciência e Tecnologia Itaú Sinapses ICTi – Edição aberta TRL - Technology Readiness Level ","date":"02/04/2026","externalUrl":null,"permalink":"/posts/icti/","section":"Posts","summary":"","title":"ICTi - Instituto de Ciência e Tecnologia Itaú","type":"posts"},{"content":"","date":"02/04/2026","externalUrl":null,"permalink":"/tags/inova%C3%A7%C3%A3o/","section":"Tags","summary":"","title":"Inovação","type":"tags"},{"content":"","date":"02/04/2026","externalUrl":null,"permalink":"/tags/pd/","section":"Tags","summary":"","title":"P\u0026D","type":"tags"},{"content":" Armazenamento Híbrido de Energia eletroquímica em células de grafeno e mxeno de nióbio Meus comentários Referências Continuando nos seminários da disciplina TE-301, a segunda apresentação foi da Divisão de Materiais do IAE, apresentada pelo professor Emerson Gonçalves com o tema:\nArmazenamento Híbrido de Energia eletroquímica em células de grafeno e mxeno de nióbio # Esse foi o resumo dado pelo professor:\nResumo: No contexto da 4ª Revolução Industrial, os paradigmas estão mudando celeremente. As populações crescem exponencialmente e assim cada vez mais necessidades de segurança, alimentação, recursos naturais (especialmente hídricos), energia elétrica, mobilidade, saúde, sustentabilidade, entre outras, são demandadas, fazendo-se mister aprofundar conceitos e desenvolver tecnologias que possam acomodar e integrar tais aspectos. Recentemente, têm se avançado muito com relação a matrizes energéticas, principalmente pelas alegações relacionadas às matrizes fósseis, ditas contribuintes em algum grau por acúmulo e transporte de calor fora de padrões anteriores na biosfera. Assim, fortalece-se a discussão acerca de geração, armazenamento e utilização de energia. Neste tocante, o Brasil tem sido privilegiado pelo seu grande potencial hídrico, de biomassa, solar e eólico, ocasionando o surgimento múltiplas plataformas de negócio acerca desses meios, com baixo impacto ambiental. Além disso, com diretriz estratégica renovada nesse campo e uma disponibilidade muito competitiva de recursos minerais de alto valor agregado para essas aplicações, entre elas, as reservas de grafite, nióbio, terras raras e lítio, materiais que têm atraído um crescente interesse nesse tocante, levantam-se as necessidades do mercado de aeronaves elétricas e suas necessidades de energia e potência, e comparam-se com os armazenadores já comercializados ou em fase de protótipo. A partir de eletrodos à base de nanomateriais de MXenos de nióbio, grafeno e lítio até o desenvolvimento de packs de suas baterias, objetiva-se a disrupção na operação de pequenos mockups de motores de eVTOLs e VANTs, acima do limite dos dispositivos atuais. O desafio supera o automobilístico por haver vários modos de transferir momento de quantidade de movimento, e o consumo de energia e potência podem variar muito em função de deles (voo plano, decolagem, pouso, giros angulares, estol e outros), além de subsistemas aí contidos.\nMeus comentários # A palestra foi interessante, principalmente com o foco de mostrar pesquisas em materiais diferentes para criação de baterias, com diversos focos como redução de tamanho, aumento de potência, energia, etc. E também da importância do domínio e pesquisa desse campo para soberania nacional, tendo em vista que são poucos países que realmente desenvolvem baterias.\nReferências # Divisão de Materiais do IAE ","date":"01/04/2026","externalUrl":null,"permalink":"/posts/dmiae/","section":"Posts","summary":"","title":"Divisão de Materiais - IAE","type":"posts"},{"content":"","date":"01/04/2026","externalUrl":null,"permalink":"/tags/doutorado/","section":"Tags","summary":"","title":"Doutorado","type":"tags"},{"content":"","date":"01/04/2026","externalUrl":null,"permalink":"/tags/ita/","section":"Tags","summary":"","title":"ITA","type":"tags"},{"content":"","date":"01/04/2026","externalUrl":null,"permalink":"/tags/semin%C3%A1rios/","section":"Tags","summary":"","title":"Seminários","type":"tags"},{"content":"","date":"01/04/2026","externalUrl":null,"permalink":"/series/semin%C3%A1rios-ita/","section":"Series","summary":"","title":"Seminários ITA","type":"series"},{"content":"Uma das disciplinas do meu doutorado esse ano no ITA é a TE-301, Seminários. Essa disciplina é coordenada pelo professor Francisco Machado, com o intuito de apresentar grupos de pesquisa e trabalhos dentro do ITA.\nPrimeira Apresentação: Laboratório de Plasmas e Processos Meus comentários Referências Primeira Apresentação: Laboratório de Plasmas e Processos # A primeira apresentação foi do Laboratório de Plasmas e Processos, apresentada pelo professor Andre Pereira com o tema \u0026ldquo;Física de Plasmas: Superando Desafios da Tecnologia de Materiais\u0026rdquo;\nEsse foi o resumo dado pelo professor:\nResumo: A Física de Plasmas tem desempenhado um papel central no desenvolvimento de diversas tecnologias avançadas, com impacto direto em áreas estratégicas da Engenharia de Materiais, energia e meio ambiente. Nesta palestra, serão apresentados os princípios fundamentais da Física de Plasmas e será discutido como esses fenômenos têm sido explorados para o desenvolvimento de tecnologias inovadoras. Serão abordadas diferentes aplicações de plasmas em processos tecnológicos, com destaque para deposição de filmes finos, engenharia de superfícies, produção de recobrimentos funcionais e fabricação de sensores e dispositivos. Além disso, serão apresentados exemplos de aplicações em áreas emergentes, como destruição e gaseificação de resíduos, tratamento de efluentes sólidos e líquidos, processos baseados em ozônio e produção de combustíveis sustentáveis, incluindo rotas para geração de hidrogênio. A palestra também apresentará exemplos de pesquisas desenvolvidas no Laboratório de Plasmas e Processos (LPP) do Instituto Tecnológico de Aeronáutica (ITA), evidenciando como tecnologias a plasma podem contribuir para o avanço científico e para soluções tecnológicas em setores estratégicos como energia, meio ambiente e indústria aeroespacial.\nAs linhas de pesquisa do LPP são:\nPlasmas aplicados para síntese e aplicações de materiais ​ Plasmas aplicados para o setor aeroespacial Energia, Sustentabilidade e Meio Ambiente Bioengenharia e Agricultura Meus comentários # A palestra foi muito interessante, apresentando diversos processos e aplicações de plasmas, especialmente os desenvolvidos no LPP.\nConfesso que não conhecia o laboratório e foi interessante saber das aplicações de plasmas e o que o laboratório tem desenvolvido.\nDestaco um exemplo que foi dado de aplicação de plasma em uma prótese de quadril, com o intuito de diminuir possíveis infecções, melhorar a integração com o osso e aumentar a vida útil da prótese. O exemplo foi interessante pois semanas antes dessa palestra minha mãe havia colocado essa mesma prótese.\nReferências # Laboratório de Plasmas e Processos ","date":"31/03/2026","externalUrl":null,"permalink":"/posts/lpp/","section":"Posts","summary":"","title":"Laboratório de Plasmas e Processos","type":"posts"},{"content":"Bem vindo aos meus escritos/estudos sobre Inteligência Artificial, Agentes de IA e outros tópicos que tenho estudado ultimamente.\nHoje alem de trabalhar como Pesquisador e Engenheiro de IA na Mars Inc., ministrei aulas na Fatec na área de Computação e sou estudante de doutorado de Ciências e Tecnologias Espaciais no ITA.\nA idéia é compartilhar o que venho aprendendo e estudando, de forma a fixar melhor os meus conhecimentos e também, de ensinar os mesmos tópicos pois acredito que quem ensina aprende duas vezes.\nAlgumas linhas de raciocínio e de estudos são esperadas:\nDoutorado: Sensoriamento remoto Geoinformática Machine Learning Queimadas Agentes de IA: Frameworks de desenvolvimento Pilotos Deployment Ciência de dados: Estatística Fundamentos de aprendizado com dados Palestras Eventos Leitura de artigos ","date":"26/03/2026","externalUrl":null,"permalink":"/posts/bemvindo/","section":"Posts","summary":"","title":"Bem vindo","type":"posts"},{"content":"","externalUrl":null,"permalink":"/categories/","section":"Categories","summary":"","title":"Categories","type":"categories"}]