Eeefm Prof Juraci Machado

O Guia Que Ninguém te Conta Sobre o Curso do Prof. Juraci Machado

Achei os cursos do prof. juraci machado pesquisando material para aprender machine learning com Python. O nome completo dele é Juraci Michel de Oliveira Machado, ele é professor da UFMG e hoje também atua mais na parte de formação em ciência de dados. Os cursos dele estão na plataforma dataScience.br, que é onde a maioria dos alunos pega o conteúdo. Tem o curso de introdução a machine learning que é o mais procurado, e depois tem os avançados de deep learning e análise de dados. O que muita gente não sabe é que o material não é só vídeo. Cada aula vem com notebook no GitHub, então você baixa o código e roda localmente. Eu particularismo comecei por aí porque os vídeos passam rápido demais quando você não tá afim de assistir tudo de uma vez. Você pausa, vai no notebook, executa célula por célula. Funciona bem, mas precisa ter o Anaconda ou Miniconda instalado antes, senão perde uns 40 minutos só configurando o ambiente.

eeefm prof juraci machado — materiais e como acessar

Para entrar nos cursos, você vai no site da dataScience.br. Lá tem o módulo gratuito de introdução e os cursos pagos. O gratuito já é suficiente pra você decidir se o estilo dele funciona pra você. Juraci ensinaria usando bastante Scikit-learn primeiro, depois escala pra TensorFlow/Keras no avançado. Esse é o caminho que ele segue. Uma coisa prática: os notebooks às vezes usam versões antigas de bibliotecas. No curso de ML básico eu precisei atualizar o pandas e o scikit-learn porque dava erro de shape nas matrizes de dataset. A solução foi rodar um pip install --upgrade das duas bibliotecas antes de começar qualquer exercício. Depois disso funcionou normal.

Como estudar de verdade com o material dele

Não adianta só assistir. Eu fiz esse erro no começo. Assistia tudo de uma vez, achava que entendia, e na hora de aplicar algo sozinho travava. Mudei a rotina: assisto a aula, rodo o notebook, depois faço o exercício sem olha o código. Só depois vou checar o que errei. Isso dobra o tempo de estudo, mas o aprendizado fixa. Outro detalhe que os manuais não falam: os datasets que ele usa são pequenos mesmo. Iris, Breast Cancer, Wine. O motivo é didático, mas isso significa que na prática real você vai esbarrar em dados bagunçados logo depois. Recomendo pegar o dataset do Kaggle de preço de casas ou algo do tipo e tentar aplicar o mesmo modelo. Vai dar errado na primeira. Ajuste de features, normalização, tratamento de nulos. Aí sim você aprende.

Dica técnica que ninguém menciona

O Scikit-learn do curso pede frequentemente train_test_split com random_state fixo. Se você mudar o seed, os resultados variam. Muita gente acha estranho quando o acurácia que ela calcula não bate com a do vídeo. A diferença é exatamente isso: número aleatório diferente. Mantenha o mesmo seed que ele usou nos exemplos, ou compare usando média de várias execuções com seeds diferentes. Também tem o detalhe do cross-validation. Ele fala rápido sobre isso, mas na prática é onde a maioria dos alunos erra. Colocar cv=5 direto sem entender o que significa pode mascarar overfitting em datasets pequenos. Teste com cv=10 também, principalmente se o dataset tiver menos de mil linhas. A variação entre 5 e 10 folds vai te mostrar se o modelo é estável ou se está apenas memorizando.

Prós e contras que eu identifiquei

O curso dele é bom por ser direto. Sem enrolação teórica desnecessária. Você vê o modelo, roda, entende o resultado. O ponto fraco é que às vezes ele passa rápido demais na parte de matemática por trás dos algoritmos. Se você quer fundamentos fortes, vai precisar complementar com outro material, tipo o livro do ESL ou vídeos do 3Blue1Brown sobre álgebra linear aplicada. Outro problema real: a plataforma às vezes tem instabilidade nos vídeos. Já aconteceu comigo de o player travar em determinados trechos do deep learning. A solução foi baixar o arquivo MP4 diretamente se disponível, ou usar outra conexão. Nada grave, mas irritante.

Links úteis

O material principal fica em dataScience.br, lá tem o catálogo completo. O GitHub com os notebooks costuma ser linkado dentro de cada módulo do curso. Se você estiver fora do Brasil, a latência pode ser alta, então considere baixar tudo no início do curso antes de começar a estudar, principalmente os datasets. O curso de machine learning com Python custa menos de 200 reais em promoção. Vale pelo conteúdo, pelos notebooks e pelo suporte na comunidade do Discord que eles mantêm. Se o orçamento estiver apertado, o módulo gratuito já cobre os conceitos principais. O restante é aprofundamento.

Resumo prático

Comece pelo gratuito. Configure o ambiente antes. Rode os notebooks, não apenas assista. Atualize as bibliotecas se der erro. Aplique o que aprendeu em datasets maiores do Kaggle. Use cross-validation com mais folds. Compense a falta de matemática com material externo. Baixe os arquivos para evitar problemas de streaming. Assim você aproveita o curso do prof. juraci machado sem perder tempo com armadilhas que a maioria dos iniciantes encontra.