O que são Capsule Networks e porquê utilizar.
Uma introdução as Capsule Networks, Roteamento Dinâmico e porquê elas merecem destaque diante das convencionais CNNs.
CNN
2 Posts
Ajustando hiperparâmetros em Redes Neurais Convolucionais utilizando Otimização Bayesiana.
Uma intuição prática a otimização de redes neurais e processos gaussianos.
Deep Learning
1 Posts
Uma introdução aos diferentes tipos de convoluções
Uma visão rápida dos diferentes tipos de convoluções.
airflow
1 Posts
Criando a primeira DAG no Airflow em 10 minutos.
Os primeiros passos para codificar seus próprios pipelines de dados.
algebra
1 Posts
Navigating Uncertainty - Portfolio Optimization with Basic LP Computable Risk Measures
The variance is the classical statistical quantity used to measure the dispersion of a random variable around its mean. There are, however, other ways to measure the dispersion of a random variable.
algorithms
2 Posts
Beyond Guessing - Data-Driven Optimization with Machine Learning
In today’s data-driven world, businesses face complex challenges—from dynamic pricing to supply chain disruptions. But what if you could predict demand with precision, optimize resources efficiently, and automate high-stakes decisions? Machine Learning (ML) and Mathematical Optimization are transforming industries by turning raw data into actionable intelligence.
Iniciando com a notação Big O.
A notação Big O é um tópico importante e sua importância universal origina-se do fato de descrever a eficiência do código escrito em qualquer linguagem de programação.
big o notation
1 Posts
Iniciando com a notação Big O.
A notação Big O é um tópico importante e sua importância universal origina-se do fato de descrever a eficiência do código escrito em qualquer linguagem de programação.
career
1 Posts
10 coisas que aprendi na transição de Desenvolvedor para Cientista de Dados.
Há algum tempo (mais especificamente 4 anos) iniciei minha jornada na carreira de dados. Meu background sempre foi de tecnologia, logo não tive tanta dificuldade em lidar com bibliotecas e linguagens de programação. No entanto, precisei efetuar uma virada de chave em certos aspectos que me fizessem evoluir na área de dados e perceber certas situações a partir de outras perspectivas. Assim, partindo da minha pouca experiencia ainda na área de dados, resolvi elencar alguns pontos que achei determinantes na minha carreira para essa virada de chave.
complexity
2 Posts
Teoria da Computação e Decidibilidade
Turing foi altamente influente no desenvolvimento da moderna ciência da computação teórica, proporcionando uma formalização dos conceitos de algoritmo e computação com a máquina de Turing.
Iniciando com a notação Big O.
A notação Big O é um tópico importante e sua importância universal origina-se do fato de descrever a eficiência do código escrito em qualquer linguagem de programação.
computer vision
2 Posts
Ajustando hiperparâmetros em Redes Neurais Convolucionais utilizando Otimização Bayesiana.
Uma intuição prática a otimização de redes neurais e processos gaussianos.
Rastreamento de Fluxo Óptico com OpenCV
Em visão computacional, o método Lucas Kanade é um método diferencial amplamente usado para estimativa de fluxo óptico, desenvolvido por Bruce D. Lucas e Takeo Kanade. O método assume que o fluxo é essencialmente constante em uma vizinhança local do pixel em questão e resolve as equações básicas de fluxo óptico para todos os pixels dessa vizinhança, pelo critério dos mínimos quadrados.
data science
4 Posts
10 coisas que aprendi na transição de Desenvolvedor para Cientista de Dados.
Há algum tempo (mais especificamente 4 anos) iniciei minha jornada na carreira de dados. Meu background sempre foi de tecnologia, logo não tive tanta dificuldade em lidar com bibliotecas e linguagens de programação. No entanto, precisei efetuar uma virada de chave em certos aspectos que me fizessem evoluir na área de dados e perceber certas situações a partir de outras perspectivas. Assim, partindo da minha pouca experiencia ainda na área de dados, resolvi elencar alguns pontos que achei determinantes na minha carreira para essa virada de chave.
Uma introdução aos diferentes tipos de convoluções
Uma visão rápida dos diferentes tipos de convoluções.
Criando a primeira DAG no Airflow em 10 minutos.
Os primeiros passos para codificar seus próprios pipelines de dados.
Uma breve introdução ao Shadow Mode em Machine Learning.
Uma estratégia simples que pode mitigar riscos dos modelos em produção sem impactar negativamente usuários reais ao longo do caminho.
data structures
1 Posts
Iniciando com a notação Big O.
A notação Big O é um tópico importante e sua importância universal origina-se do fato de descrever a eficiência do código escrito em qualquer linguagem de programação.
deep learning
2 Posts
O que são Capsule Networks e porquê utilizar.
Uma introdução as Capsule Networks, Roteamento Dinâmico e porquê elas merecem destaque diante das convencionais CNNs.
Ajustando hiperparâmetros em Redes Neurais Convolucionais utilizando Otimização Bayesiana.
Uma intuição prática a otimização de redes neurais e processos gaussianos.
dev
1 Posts
10 coisas que aprendi na transição de Desenvolvedor para Cientista de Dados.
Há algum tempo (mais especificamente 4 anos) iniciei minha jornada na carreira de dados. Meu background sempre foi de tecnologia, logo não tive tanta dificuldade em lidar com bibliotecas e linguagens de programação. No entanto, precisei efetuar uma virada de chave em certos aspectos que me fizessem evoluir na área de dados e perceber certas situações a partir de outras perspectivas. Assim, partindo da minha pouca experiencia ainda na área de dados, resolvi elencar alguns pontos que achei determinantes na minha carreira para essa virada de chave.
finance
3 Posts
Navigating Uncertainty - Portfolio Optimization with Basic LP Computable Risk Measures
The variance is the classical statistical quantity used to measure the dispersion of a random variable around its mean. There are, however, other ways to measure the dispersion of a random variable.
Quantitative Investing - How Math Drives Effective Portfolio Allocation Strategies
Portfolio optimization is a fundamental problem in finance and investments, aiming to allocate assets in a way that maximizes expected returns while minimizing associated risk.
Stylized Facts - The Empirical Properties of Assets
The term stylized fact refers to empirical phenomena observed across a wide variety of assets, markets and periods and consistent across them all. Therefore, stylized facts obtained are separating the common denominators between the properties observed in studies of different markets and assets.
machine learning
2 Posts
Criando a primeira DAG no Airflow em 10 minutos.
Os primeiros passos para codificar seus próprios pipelines de dados.
Uma breve introdução ao Shadow Mode em Machine Learning.
Uma estratégia simples que pode mitigar riscos dos modelos em produção sem impactar negativamente usuários reais ao longo do caminho.
math
3 Posts
Beyond Guessing - Data-Driven Optimization with Machine Learning
In today’s data-driven world, businesses face complex challenges—from dynamic pricing to supply chain disruptions. But what if you could predict demand with precision, optimize resources efficiently, and automate high-stakes decisions? Machine Learning (ML) and Mathematical Optimization are transforming industries by turning raw data into actionable intelligence.
Navigating Uncertainty - Portfolio Optimization with Basic LP Computable Risk Measures
The variance is the classical statistical quantity used to measure the dispersion of a random variable around its mean. There are, however, other ways to measure the dispersion of a random variable.
Quantitative Investing - How Math Drives Effective Portfolio Allocation Strategies
Portfolio optimization is a fundamental problem in finance and investments, aiming to allocate assets in a way that maximizes expected returns while minimizing associated risk.
neural-networks
1 Posts
O que são Capsule Networks e porquê utilizar.
Uma introdução as Capsule Networks, Roteamento Dinâmico e porquê elas merecem destaque diante das convencionais CNNs.
opencv
1 Posts
Rastreamento de Fluxo Óptico com OpenCV
Em visão computacional, o método Lucas Kanade é um método diferencial amplamente usado para estimativa de fluxo óptico, desenvolvido por Bruce D. Lucas e Takeo Kanade. O método assume que o fluxo é essencialmente constante em uma vizinhança local do pixel em questão e resolve as equações básicas de fluxo óptico para todos os pixels dessa vizinhança, pelo critério dos mínimos quadrados.
optimization
3 Posts
Beyond Guessing - Data-Driven Optimization with Machine Learning
In today’s data-driven world, businesses face complex challenges—from dynamic pricing to supply chain disruptions. But what if you could predict demand with precision, optimize resources efficiently, and automate high-stakes decisions? Machine Learning (ML) and Mathematical Optimization are transforming industries by turning raw data into actionable intelligence.
Teoria da Computação e Decidibilidade
Turing foi altamente influente no desenvolvimento da moderna ciência da computação teórica, proporcionando uma formalização dos conceitos de algoritmo e computação com a máquina de Turing.
Iniciando com a notação Big O.
A notação Big O é um tópico importante e sua importância universal origina-se do fato de descrever a eficiência do código escrito em qualquer linguagem de programação.
optmization
1 Posts
Ajustando hiperparâmetros em Redes Neurais Convolucionais utilizando Otimização Bayesiana.
Uma intuição prática a otimização de redes neurais e processos gaussianos.
python
1 Posts
Rastreamento de Fluxo Óptico com OpenCV
Em visão computacional, o método Lucas Kanade é um método diferencial amplamente usado para estimativa de fluxo óptico, desenvolvido por Bruce D. Lucas e Takeo Kanade. O método assume que o fluxo é essencialmente constante em uma vizinhança local do pixel em questão e resolve as equações básicas de fluxo óptico para todos os pixels dessa vizinhança, pelo critério dos mínimos quadrados.
quantitative
3 Posts
Navigating Uncertainty - Portfolio Optimization with Basic LP Computable Risk Measures
The variance is the classical statistical quantity used to measure the dispersion of a random variable around its mean. There are, however, other ways to measure the dispersion of a random variable.
Quantitative Investing - How Math Drives Effective Portfolio Allocation Strategies
Portfolio optimization is a fundamental problem in finance and investments, aiming to allocate assets in a way that maximizes expected returns while minimizing associated risk.
Stylized Facts - The Empirical Properties of Assets
The term stylized fact refers to empirical phenomena observed across a wide variety of assets, markets and periods and consistent across them all. Therefore, stylized facts obtained are separating the common denominators between the properties observed in studies of different markets and assets.
statistics
2 Posts
Quantitative Investing - How Math Drives Effective Portfolio Allocation Strategies
Portfolio optimization is a fundamental problem in finance and investments, aiming to allocate assets in a way that maximizes expected returns while minimizing associated risk.
Stylized Facts - The Empirical Properties of Assets
The term stylized fact refers to empirical phenomena observed across a wide variety of assets, markets and periods and consistent across them all. Therefore, stylized facts obtained are separating the common denominators between the properties observed in studies of different markets and assets.
technical
1 Posts
Ajustando hiperparâmetros em Redes Neurais Convolucionais utilizando Otimização Bayesiana.
Uma intuição prática a otimização de redes neurais e processos gaussianos.
theory of computation
1 Posts
Teoria da Computação e Decidibilidade
Turing foi altamente influente no desenvolvimento da moderna ciência da computação teórica, proporcionando uma formalização dos conceitos de algoritmo e computação com a máquina de Turing.