Marcela Carvalho

foi de me exigir mais em continuar a me atualizar. Então, eu, hoje, eu tenho uma rotina muito mais disciplinada para continuar a ler as coisas, continuar a testar novos modelos, continuar a ler artigos, continuar a melhorar em coisas de base. Eu tenho, eu não sei se, acho que vocês conhecem, aquele livrinho The 100th Page Machine Learning Book, muito legal, do Andrew Burkoff. É do Burkoff, é.

muito legal assim, mas o negócio é assim, você sempre voltar às bases, em vez de você, um erro acho que eu estava fazendo logo depois do doutorado, era ficar só lendo artigo do que saia por último, saia por isso, saia por último, só que você acaba enferrujando nas bases, você não fica, não é tão rápido alguém te perguntar assim, explica de novo o que é o relu,

Aí você vai pensar assim, ter que voltar, pensar um pouquinho mais. O que eu tento hoje é estar muito mais forte nas bases e continuar a melhorar na outra ponta. Então, é olhar um pouquinho das duas pontas. Tem um antigo professor meu, o Edil, que ele escreveu há muitos anos atrás uma coisa no LinkedIn que ficou na minha cabeça. Ele falava assim, eu nunca fui um ótimo aluno, mas uma coisa eu aprendi no meu curso de piano.

que quanto mais eu retreinasse ali aquela troca de teclas, mais rápido, devagarzinho, voltasse e treinasse de novo, melhor ficava no mais avançado. E ele disse que foi a mesma coisa que ele fez na engenharia, quando ele estava na UNB. Ele voltava às bases e treinava até ficar bom, melhorando na outra ponta também. Então, eu tenho muito esse pensamento. Então, eu estou ali, eu estou literalmente aqui com um livro de...

de uma coisa que eu não era boa, que era real-time rendering, porque eu uso muito na empresa. E eu tô com o livro do Berkhoff aberto aqui também, pra revisar álgebra linear, todas essas coisas, porque vão facilitar quando eu estiver lendo um artigo novo. E facilita muito mesmo, porque todas essas bases estão ali. São uma leve complexificação daquilo. Então, hoje eu acho, assim, imprescindível continuar a se atualizar. Então,

Continuar a estudar como se você fosse um pequeno estudantezinho de graduação. Não diminuindo. Estudantes de graduação, vocês são demais. Isso é curioso, porque é a segunda vez em um tempo muito curto. Na semana passada, no Hipsters.tech, teve um papo com o pessoal do iFood. Eles comentaram justamente isso. A pessoa chega lá pra fazer entrevista, pra trabalhar como pessoa programadora. Eles falam, tá, manda ver, usa a IA, mas explica. Na hora que ela chegar...

Não é resultado? Você explica o que é. E você depende 100% da base pra ter isso. E eu vou deixar aqui na descrição do episódio também uma entrevista muito legal no Possible Podcast, que é do Reid Hoffman, que fez o LinkedIn, com o Amjad Massad, que é o CEO da Replit. E ele falou a mesma coisa também. Ele falou assim, hoje em dia, você quer entender o LLM? Cria um

Eu acho que o André Carpaccio tem um projeto aberto que já deu pra fazer isso. Quem tem ideia da base, você consegue hoje em dia fazer o seu, porque aí você vai compreender o que eles chamam de os nuts and bolts, os detalhes, os pormenores, pra entender como é que funciona. A partir daí, o mundo é seu brinquedo, né? Então, assim, quando é muitas vezes repetido um conselho, vale a pena prestar atenção em seguir. Então, obrigado pelo conselho.

Nossa, aqueles vídeos do Carpaccio são muito bons. E você dá pra ver, pra mim também foi a abertura de olhos, assim, como ele liga nas pequenas coisinhas, tipo assim, ele mesmo, um cara muito bom, que você acha que tá trabalhando com coisa super lá em cima, gastou o tempo dele pra preparar um cursinho e explicar cada passo a passo daquilo ali. E outra coisa que eu gostei muito foi que ele faz, é um constantemente ele faz gráficos. E é uma coisa que eu me forço a melhorar mais também. Constantemente, enquanto eu tô fazendo o debugging do

de um código que eu estou fazendo, eu tento fazer mais baixo nível, em vez de tentar uma solução daquele Scikit Learn direto, sabe? Ah, não, eu estou vendo assim, não tenho tempo, tá? Deixa eu tentar refazer tal código para eu entender bem aquilo ali e aí vou fazendo os plots. Vou fazendo o plot do histograma, vou fazendo o plot do não sei o quê, porque eu vi que ele usava muito e realmente ajuda muito a entender o seu tipo de dado e toda aquela manipulação que você está fazendo.

Ah, eu fiquei em dúvida agora, vamos para Computer Vision clássico ou vamos para Machine Learning? Vamos começar na atualidade. Eu acho que eu começaria para atacar logo uma coisa mais de cara, começaria pelos tutoriais do PyTorch, que eu acho muito legal, mas uma coisa assim, é porque eu acho legal porque já ataca uma coisa direta, sabe? Vai sair um resultado legal e tudo.

Isso é uma pessoa que já saiba programar em Python, basicamente. Isso, isso. Mas, assim, tem um comecinho... É verdade, né? Mas eu já considero alguém que saiba programar. Mas que não seja muito bom na área de computer vision. Mas, logo que não entender alguma coisa...

Entenda por que aquela operação está sendo feita. Você realmente procurar não deixar para depois. Sabe? Às vezes a gente... Ah, não. Deixa eu fazer isso aqui. Deixa eu só rodar isso aqui. E aí você passa para outro exercício. Não. Vamos entender. Por que essa operação está sendo feita? Por que tem um batch norm ali? Ah, pelos gradientes. Para você regularizar os gradientes. Por que tem uma camada de...

por que que é o relu, por que que não é o gelu, por que que é não sei o que, então você tentar entender cada coisinha, eu começaria pelo Traíso Pai Torte, e eu tentaria pular um pouquinho também, pela parte um pouquinho mais clássica, da visão computacional, se você quer realmente gostar de visão computacional, pra você entender um pouquinho mais dos escritores, como Orb, SIFT, esses escritores, que era como era feito antes de ter Machine Learning, então,

Entender um pouquinho de algoritmos de tracking, isso é muito legal também, que são algoritmos que vão comparar, por exemplo, eu tenho uma bounding box num frame do vídeo e no outro, como é que eu vou entender que aquelas bounding boxes são do mesmo, esses dois objetos são os mesmos. Aí você vai entender um pouquinho mais de filtro probabilístico, que aí vem filtro de calma, filtro de calma estendido, filtro particular, etc.

Mas isso faz parte da visão computacional. Mas você vai crescendo um pouquinho, mas pelo menos você vai vendo um pouquinho de cada. Eu tentaria crescer em paralelo. Também não criar aquele túnel de visão. Eu tentaria fugir do túnel de visão. Apesar de eu dizer assim, entre, entenda cada coisa como funciona, só cuidado para não ficar naquele túnel, visão túnel, né? Acho que essa é a dica que eu daria. Tentar aplicar, ter uma coisa visual e tentar ir fazendo plot...

Tentar fazer aquela pipeline fechadinha primeiro, para você ter um resultado no final, mas entendendo o que acontece no meio. Inclusive, só para a parte de Machine Learning, que eu lembrei agora, tem um site muito legal, que a gente falou do Leach Code, para quem está querendo aprender mais, o nome é deep-ml.com. É um Leach Code para Deep Learning.

É bem legal, porque você vai fazer exercícios nessa parte básica dos códigos. Então, tem coisas sobre transformers, tem coisas sobre multiplicação matricial. Eu acho que... E como é em forma de exercício, tipo joguinho, assim, não joguinho, mas é um list code. Você vai fazendo as coisas aos pouquinhos e acaba sendo um exercíciozinho que vai te fazer melhorar. Aquele treinamentozinho do teclado, como o amigo falou.

Excelente, Marcela. Muito obrigado por esse papo que ficou divertidíssimo e informativo. Esse é o álbum que a gente tenta fazer aqui toda semana, né? Sobre controle. Galxian Splats, Octrees. Quem quiser continuar o papo com você, como é que faz? Ah, com certeza pelo LinkedIn. É o mais fácil pra mim. Marcela Carvalho. Marcela Carvalho sempre. O Marcela Carvalho NB deve aparecer.

Beleza. O link vai estar na descrição. Acho que vai ser o episódio de entrevista com a maior quantidade de links que a gente já publicou aqui até hoje. Provavelmente sim. O que é ótimo. Gostamos de recordes. Ah, sempre. Ainda mais de duração de episódio. Obrigado mais uma vez. Parabéns pelo seu trabalho. E olha só, pessoal. Deixa eu convidar vocês. Está acabando o tempo para você garantir o seu lugar