Antes de entender qualquer técnica específica, você precisa de um modelo mental sólido do que é machine learning de verdade. Este track começa contrastando machine learning com a programação tradicional — em vez de escrever regras explícitas, você alimenta um sistema com exemplos e deixa que ele encontre os padrões sozinho. Você vai aprender as três grandes famílias do machine learning — supervised learning, unsupervised learning e reinforcement learning — e quando cada uma se aplica. Você também vai aprender o vocabulário central do qual todo modelo depende: features, labels, e a divisão crucial entre training data e test data usada para verificar se um modelo realmente aprendeu algo útil. Ao final você vai reconhecer que tipo de problema está enfrentando e vai falar a língua do machine learning com confiança.

O supervised learning é o motor por trás da maioria das aplicações de machine learning do mundo real, e este track constrói sua intuição sobre como ele funciona. Você vai aprender a divisão fundamental entre regression, prever um número, e classification, prever uma categoria, e vai ver como a mesma ideia subjacente impulsiona as duas. Você vai explorar linear regression e logistic regression como pontos de partida intuitivos, depois vai passar para decision trees, que imitam a forma como os humanos tomam decisões passo a passo, e k-nearest neighbors, que prevê observando exemplos passados semelhantes. Ao longo do track, o foco permanece na intuição e não nas fórmulas — o que cada modelo está realmente fazendo e por que ele faz as previsões que faz. Ao final você vai reconhecer esses algoritmos pelo nome e entender sua lógica central.

Construir um modelo é só metade do trabalho — saber se ele realmente funciona é o que separa um modelo útil de um perigoso. Este track ensina você a avaliar modelos de machine learning como os profissionais fazem. Você vai aprender por que dividir os dados em um training set e um test set é essencial, e como métricas como accuracy, precision e recall contam histórias muito diferentes sobre o desempenho de um modelo, especialmente quando as classes estão desbalanceadas. Você vai aprender a reconhecer o overfitting, quando um modelo memoriza seus dados de treino em vez de aprender padrões gerais, e o underfitting, quando um modelo é simples demais para captar o que importa, junto com o bias-variance tradeoff que explica os dois. Você também vai aprender cross-validation, uma forma mais confiável de testar um modelo. Ao final você vai julgar a qualidade de qualquer modelo com confiança.

Nem todo machine learning começa com respostas rotuladas — este track explora o que acontece quando um modelo precisa encontrar estrutura sozinho, e dá seus primeiros passos no deep learning. Você vai aprender clustering, a tarefa de agrupar pontos de dados semelhantes, e vai percorrer o k-means, o algoritmo de clustering mais usado, para ver como ele descobre grupos sem que ninguém diga quais são. Você também vai aprender dimensionality reduction, uma técnica para simplificar dados complexos preservando o que mais importa. A partir daí você vai receber uma introdução suave e intuitiva às neural networks — como camadas de unidades simples se combinam para aprender padrões complexos — e um primeiro olhar sobre o deep learning, a tecnologia por trás dos sistemas de IA mais poderosos de hoje. Ao final você vai entender essas ideias de forma conceitual, sem precisar escrever uma linha de código.

Entender os algoritmos não é o mesmo que saber como construir algo com eles — este track final conecta a teoria à prática. Você vai percorrer o fluxo de trabalho real do machine learning, desde definir um problema e reunir dados até treinar, avaliar e implantar um modelo. Você vai aprender data preparation, limpar e organizar dados brutos para que um modelo possa realmente aprender com eles, e feature engineering, a arte de transformar informação bruta nos sinais que um modelo precisa para ter sucesso. Você vai aprender a reconhecer as armadilhas que descarrilam projetos reais — data leakage, amostras enviesadas e métricas enganosas — e vai terminar com um olhar claro sobre a ética do ML, incluindo como o bias se infiltra nos modelos e por que a justiça precisa ser uma escolha de design deliberada, não uma reflexão tardia. Ao final você vai ver o caminho completo de dados brutos até um modelo funcional e responsável.