Andre Yukio | Machine Learning é Matemática Pura! - PODCAFÉ TECH

Episode Transcript
Available transcripts are automatically generated. Complete accuracy is not guaranteed.
Speaker 1 (00:07):
MÚSICA.
Muito bem, muito bem, muito bem.
Estamos começando mais umPodcafé, tech Podcast,

(00:30):
tecnologia e cafeína.
Meu nome é Anderson Fonseca, oMr Anderson, e em matemática
você passa a vida inteiraprocurando o X E quando tu acha
o safado, você tem quesubstituir ele.
Não faz sentido isso.

Speaker 2 (00:43):
Aqui é Guilherme Gomes da SESPRO E Anderson você
tem que substituir ele.
Não faz sentido isso.
Aqui é Guilherme Gomes da CESPro E Anderson, você tem dado em
casa.

Speaker 1 (00:50):
Aqui é Diogo Junqueira.
Pior eu tenho em todo lugar.

Speaker 3 (00:55):
Aqui é Diogo Junqueira, senhor da CES Pro e
da CES Cyber Pro.
Pra nós é um prazer receber oconvidado de hoje.
Vou deixar ele mesmo seapresentar.

Speaker 4 (01:04):
Fala aí pessoal.
Eu sou o André Yuquil.
Me apresento aí nas redes comoYuquil, Cientista de dados e
especialista.
Acho meio arrogante, Mas faloum pouco de Machine Learning e
Data Science de modo geral.

Speaker 3 (01:18):
Manja a parada, Vamos dizer ele não quer falar
especialista, então ele manja daparada.
Vamos dizer assim né Muito bom,Mas, Mr Alcâncio, você tem que
falar um pouco do UQ aqui, caraEntrar pro pessoal, conhecer o
tema.
Que história é essa da lojinhavelho, Cara para tudo e entre em
podcafétech.

Speaker 1 (01:33):
Eu sempre aponto aqui porque eu fico Assim é T-E-C-H,
entendeu Podcafétech.
Sou entrando e lá você vaiencontrar a loja do Pó de Café
onde você encontra essasfantásticas camisetas, e de fato
são fantásticas.
Abraço pro Rafa, nosso designeraqui arrebenta faz na mão não é
GPT, galera não é GPT.

(01:53):
Tá, isso aqui é feito na mão,na garra, na unha, na unha
também tá lá não é assim.

Speaker 2 (01:59):
Na verdade é feito no computador, mas é a mão é o
equipamento caro que ele põe nocomputador.

Speaker 1 (02:04):
Ele usa uma caneta eletrônica.

Speaker 3 (02:06):
É exato.

Speaker 1 (02:07):
De fato usa E assim, cara baita trabalho arte bacana
tá lá disponível e tem um plus.

Speaker 2 (02:15):
Temos um plus.

Speaker 1 (02:16):
Essa loja tem um propósito 100% do que é
arrecadado na loja vai para aNAY Autismo.
arrecadado na loja vai para aNAY Autismo, uma instituição na
qual nós depositamos toda anossa confiança e compartilhamos
com eles lá 100% do que éarrecadado.

Speaker 3 (02:33):
O jogo vai explicar um pouco mais sobre a NAY É isso
aí é o Núcleo de Arte eInclusão Autista, uma
organização que traz o pessoaldo universo autista para
colaboração de arte, cultura,teatro, música, enfim.
Uma organização sensacionalauxilia muito essa questão da
causa autista, as famílias dacausa autista.

(02:54):
Então é composto por pessoasmuito sérias, voluntárias,
profissionais da área.
Então assim é um projeto que euacredito muito, tem um apelo
pessoal muito grande com opessoal e a gente fez essa
lojinha sensacional que tem imã,geladeira, tem tudo o que você
pensar pra atender a grandedemanda de gente que sempre
pediu camiseta, etc.
Entrega pra vocês e 100% dolucro vai pra essa instituição.

(03:16):
Então, galera, quem quiserconhecer entra lá.
Podcafetech, que tem o linktambém pra instituição, que você
pode conhecer, doar direto prainstituição, doar seu tempo
também, participar dosespetáculos se você estiver em
Goiânia, região, e assim pordiante.

Speaker 1 (03:30):
Maravilha, acesse também wwwacessprocombr, a
empresa que está aqui oferecendoesse maravilhoso podcast pra
você, e vamos mergulhar decabeça no mundo dos dados, ou
dar uma cabeçada.
Isso aí, vamos lá.
Alguma coisa assim.

Speaker 3 (03:48):
Conta pra gente um pouco da sua história, cara se
apresenta aí pro pessoalconhecer quem é o Yuquil cara.
Como é que você chegou aí naquestão da Universidade dos
Dados que você é o fundador dela?
com certeza teve um início alina tecnologia.
Conta pra gente um pouco maisda sua história, cara C ali na
tecnologia Conta pra gente umpouco mais da sua história, cara
.

Speaker 4 (04:06):
Certo, eu sou formado em matemática, né.
Então eu já tinha um pouco aíde ideia de que podia atuar ou
no mercado financeiro ou comtecnologia.
E aí acabou que quando euresolvi sair das escolas, né Eu
comecei dando monitoria emescola nos primeiros anos de
faculdade.
Eu fui pro mercado, aí eu fuiparar no Itaú, trabalhei ali um
pouco na área financeira deles,só que era uma área muito

(04:27):
operacional, assim muito Ninguémvai botar sei lá um júnior para
fazer uma operação de 2 milhõescom a Petrobras.

Speaker 3 (04:34):
Não vai, não vai, não vai Por questões um pouco
óbvias, talvez Exato.

Speaker 4 (04:38):
Então você acaba ficando muito ali só no VBA e
aquela programação mais deautomatizar a rotina.
E aí eu já não curtia muitoaquilo.
Acabei indo pro HSBC pra buscaralgo novo.
E aí eu fui parar na área deriscos e aí eu conheci risco de
crédito, que é basicamente datascience voltado pro crédito.
E aí que eu comecei a mergulharnessa área de dados.

(04:58):
E no mesmo período, além de euter migrado pra área de dados,
eu comecei também o mestrado.
E aí eu falei pô, vai que umdia eu quero dar aula alguma
coisa, já vou ter o mestrado,então eu vou começar a produzir
conteúdo na internet.
E aí comecei, fiz um blog, Sóum comentário.

Speaker 1 (05:15):
você fez o caminho contrário Porque o cara que tá
em matemática ele já pensa voudar aula, vou fazer.

Speaker 3 (05:20):
Cara, o cara Ele foi lá vamos para o mercado primeiro
e depois volta.

Speaker 4 (05:25):
Exato.
Aí eu meio que pensei tipo ah,eu não quero ficar trabalhando
para empresas assim até meus 60,70 anos, sabe-se lá quando.
Então, talvez da aula, que erao que eu gostava, pudesse ser
uma solução.
E aí eu comecei a produzirconteúdo na internet.
No começo eu chamava o blog deStatSite E aí depois eu fui
adotar o nome Universidade dosDados, aí eu comecei a produzir

(05:47):
conteúdo, aí fui pro Instagram,aí no Instagram você cria
proximidade com a galera, né Opessoal troca ideia na DM e tudo
mais.

Speaker 2 (05:54):
E aí, quando você começou a produzir conteúdo,
você falou que foi na época doHSB E por quê O que?

Speaker 3 (05:58):
surgiu.
Ah, vou produzir conteúdo.
Esse é um gatilho interessante,né?

Speaker 4 (06:02):
É, eu fui lá em 2016, .
eu acho Nossa então faz Nessade produção de conteúdo de dados
.
eu me sinto orgulhoso que euacho que eu sou um dos pioneiros
ali.
Sensacional, cara, eprincipalmente conteúdo técnico,
porque a galera que é muitotécnica, muito boa
matematicamente, eles já estãoganhando muito bem no mercado.
eles não querem compartilhar.

Speaker 3 (06:23):
Achar assim vamos lá bem, no mercado.
eles não querem compartilhar.
É Galera que quer compartilhar,ó, quem não produz conteúdo.
galera não tem ideia de quãocomplexo e difícil é Então assim
.
e a galera faz isso de forma dedoação pra galera que quer,
porque você tá começando ali,porque você tá doando um monte
de conteúdo, conhecimento seupara outra pessoa.
É um ato muito foda que agalera às vezes não entende,
tanto que isso é difícil entendeentão realmente é difícil achar

(06:49):
pessoas que querem fazer isso,mesmo que você quiser
rentabilizar isso até vocêconseguir ter uma relevância pra
fazer.

Speaker 2 (06:52):
Isso é um trabalho muito árduo, principalmente algo
nichado, algo muito técnico, eaí você sempre percebe que quem
quem continua fazendo conteúdopor muito tempo é o cara que faz
porque gosta, não por.

Speaker 1 (07:04):
Tô com uma ideia fantástica Eu vou fazer aqui uma
rede.
Eu vou monetizar pra todo mundoque ama a matemática, entendeu.

Speaker 2 (07:10):
Todo o público que ama a matemática.
Boa velho As três pessoas, Trêsseguidores.

Speaker 3 (07:17):
Nessa sala de produção.
Aqui acho que só é você que vaiconversar Até um comentário
interessante.

Speaker 4 (07:24):
assim eu sou analista de sistemas e eu tenho paixão
por algoritmo, mas não sou umcara apaixonado por matemática,
não é cálculo é estruturação deraciocínio mas aí eu acho que
entra também um pouco nadistinção do algoritmo que a

(07:45):
gente entende em Data Science eo algoritmo do cara da ciência
da computação, programador desistemas, que geralmente é
aquelas árvores binárias.
Esses algoritmos aí que sãousados muito pensando na lógica,
numa outra estrutura, numaarquitetura, e a gente em
Machine Learning a gente pensamuito em algoritmo, né Como a

(08:05):
máquina, aprendendo que éessencialmente uma fórmula
matemática.
Assim Uma fórmula matemáticapode ficar bastante complexa,
mas é matemática, ali Parte de.
Normalmente eu sempre costumofalar pros meus alunos que ó,
não precisa se assustar, machinelearning é matriz, matriz você
já viu no colégio, você vai sóavançar um pouquinho e é isso.
Então, assim a gente acabaentrando um pouco nesse mundo

(08:27):
desses algoritmos, aqui na partede dados.
E quando eu tinha começadoassim essa parte matemática de
machine learning e tudo mais,pouca gente falava, porque os
caras que falavam eles estavamno mestrado, no doutorado, eles
estavam.

Speaker 3 (08:41):
Eu não tinha tempo.
Quem faz mestrado gente?

Speaker 4 (08:42):
toma tempo pra caralho, é estuga demais não é
fácil produzir conteúdo é tomatempo pra caralho é seu sábado,
seu domingo, seu final de semanae assim por diante e é pra você
e quando é um conteúdo muitotécnico que você vai checar lá
várias vezes, será que eu não tôfalando nenhuma besteira mais
avançada.

Speaker 3 (09:00):
Eu falei assim, uma frase básica, uma das frases.
Mais se o João, meu filho,estivesse aqui, né Ele é mais
lendário do que o Anderson.
Uma vez ele estava num acal como Anderson, ele estava em vovó
no carro e eu simplesmentecheguei pro Anderson e falei
assim puta que pariu Mr Andersonmatemática básica e fala a
mesma coisa pra gente, a gentejá percebe que o Anderson não é

(09:23):
bom em matemática.

Speaker 1 (09:23):
Não, mas não é isso.

Speaker 3 (09:24):
Era uma temática básica, eu falando pra ele fazer
porque eu tava dirigindo.
ele falou pô, faz isso assim nacalculadora e o cara tipo assim
travando O que acontece é oseguinte até a forma como o meu
cérebro funciona.

Speaker 1 (09:40):
Isso eu percebi bem por causa da Laura inclusive.
Eu e a Laura fizemos teste deQI os dois juntos E nós dois
alcançamos o mesmo nível deresultado.
E quando a gente começou adiscutir sobre o teste, a forma
como eu desenvolvo os cálculos etudo mais é completamente
visual.
Pra mim um cálculo é umpedacinho de negócio que junta
com outro pedacinho que forma umobjeto.

(10:01):
Então assim eu calculo áreavisualmente é tudo desse jeito E
ela é tudo números.
E assim a minha cabeça nãofunciona em números, funciona em
imagens, nitidamente a gentepercebe isso no dia a dia E aí
assim começa a falar número,número.
Eu preciso transformar isso praminha linguagem de imagem e às

(10:21):
vezes eu chego nos resultadosque ninguém entende onde é que
eu tô querendo chegar, mas opabeleza, encontro a terceira
explicação disso.

Speaker 4 (10:28):
Então mas isso também era uma parada que eu achava
foda de fazer conteúdo nainternet, que meio que na
internet vão ter vários tipos deprofessores e você se adapta a
algum deles, então isso é umacoisa que eu acho muito, muito
da hora.

Speaker 3 (10:40):
Hoje em dia, Cada um tem a sua maneira de aprender
Exato exato.

Speaker 4 (10:44):
Tem livro que o pessoal na matemática ama, que é
o de cálculo lá do Guido Orizzi, que eu não me adaptei de jeito
nenhum.
Eu achava esquisito o jeito queele abordava.
Eu fui pra outro livro na época.
Então na internet eu acho quetem essa possibilidade também.
E como eu gostava muito de daraula, eu vou tentar explicar
jeito didático.
E eu não tenho muito essaamarra do cara do mestrado
doutorado, que é aquela coisa deseguir certinho o livro e tem

(11:06):
que ter tudo.
Putz, eu, pra simplificar, eusimplificava mesmo.
Ó, é basicamente isso que nemquando eu falei aqui ah, machine
learning é uma atriz e vaidesenvolver um pouco melhor isso
, então eu curtia muito dar aula, então eu curti produzir
conteúdo.
E aí foi crescendo lá pra 2020,2021, já tinha uma galera
seguindo pedindo pra ah, você dámentoria, você dá consultoria,

(11:28):
você tem curso, e eu, putz, nãotenho, eu não via muito motivo
pra fazer algo assim, porque eunão, eu não tinha ainda nada de
muito incrível na cabeça de novo.
E aí que quando eu pensei noclube de assinaturas, que foi
quando a universidade do Zadocomeçou a virar mais empresa
mesmo, mais escola e não sóprodução de conteúdo, foi porque

(11:48):
eu falei tá, eu vou fazer umnegócio diferente aqui.
Então vou criar aqui umacomunidade um pouco mais
informal.
Vou também adicionar conteúdosque são mais avançados, porque
hoje o mais fácil é eu entregarali só o básico rapidinho pro
alunouno, pra ele se sentirpronto, encher ele de
certificado e falar tá aí, ó,você tá pronto nosso curso é

(12:09):
aceitado, mas aí a hora que forpra vida real não é bem assim né
exato.
E aí eu queria putz criar algonovo, mesmo, tanto que a nossa
comunidade no Discord ela émuito ativa.
Eu tô lá sempre, sério, caracorreria, assim eu passo lá pelo
menos 20 minutinhos todo dia,que seja pra falar de anime com
a galera de musculação qualquercoisa que o pessoal consuma lá,

(12:29):
porque eu quero trocar ideia eeu quero ter essa proximidade
com os alunos, e aí então meioque nasceu assim a Universidade
dos Dados, de certa forma.

Speaker 3 (12:37):
O que que é?
Vamos lá a galera.
Você falou Clube Usinatum, agalera tá curiosa O que é.
Explica pra gente o que é aUniversidade dos Dados.

Speaker 4 (12:44):
Cara A galera tá curiosíssima aqui agora A
Universidade dos Dados.
ela é basicamente uma escola dedados mesmo.

Speaker 3 (12:50):
Desruptível completamente A gente começou
ali.

Speaker 4 (12:52):
Eu comecei como produção de conteúdo sozinho E
aí eu falei não, eu vou criar umcurso aqui que é o Clube de
Assinaturas, que é umaplataforma de ensino como todas
que existem aí Alura, cursera etudo mais, só que é um preço bem
acessível.
Quando eu lancei, dois anosatrás, era R$23,90, tipo ninguém
cobrava isso.
Era sempre muito mais, tantoque o pessoal que tem outras

(13:14):
escolas e troca ideia comigofala cara, isso é um absurdo,
você tem que cobrar pelo menosR$997,00, que é um.

Speaker 1 (13:19):
Não sei de onde saiu esse número, mas todo
infoprodutor gosta, yukio, yukio, tu tá killing o mercado,
entendeu, tu tá quebrando oscaras.
1997 é um número.
A concorrência vai se parar,irmão.

Speaker 3 (13:33):
Ontem eu tava definindo um negócio.
Eu falei 1999, aí alguém demarço falou 1997.

Speaker 1 (13:38):
Eu falei é 1997.
Você lembra ontem né?
Ah, não É verdade.

Speaker 2 (13:40):
Você falou não sei porque eu também não, o pessoal
coloca esse valor onde a gentedefiniu algo em 1997 tem um
porquê, então a gente tem quemudar.
Em 1996 tem um porquê.

Speaker 1 (13:49):
Mas não vamos discutir isso agora.
Não, eu quero discutir umaoutra parada que você falou que
assim machine learning é matriz.
E aí eu tô, minha cabeça, eufalei caraca, peraí, machine
learning é matriz e.
E até uma parte da lógica euconsigo ir.
O resto eu vou pedir vocêcompletar o raciocínio, porque
eu não sei o que vem depoisdisso.
Vamos lá, eu pego lá uma matrizmil por dez.

(14:16):
Eu vou ter mil amostras, millinhas e dez variáveis dez
colunas, que são as variáveis.

Speaker 2 (14:23):
Certo, tá, mas e aí como é que eu conecto isso com o
machine?

Speaker 1 (14:24):
learning e 10 variáveis, 10 colunas, que são
as variáveis?
Certo, tá, mas e aí, como é queeu conecto isso com o Machine
Learning?
Até aqui eu fui A matriz.

Speaker 3 (14:30):
Você entendeu.
A matriz é legal.
Você sabe que você falou isso.
Ele teve que processar essainformação.
Faz uns 4 minutos que vocêfalou isso Ele tava processando,
desenhando, vamos responderessa e voltamos pra Universidade
de Dados.
É porque você tava processandoessa.
Eu buguei pelo seguinte.
Claro que você bugou, ématemática.
Sabe qual foi a minha perguntana?

Speaker 1 (14:52):
verdade O que eu quero saber, vou te contar o que
eu quero saber.

Speaker 3 (14:55):
Não, não deixa eu responder.

Speaker 1 (14:58):
Eu comecei a me questionar se nessas linhas não
dá pra colocar outras matrizes,pra amostra ser uma matriz.
E aí você começa a botar umacoisa dentro da outra, e aí você
cabe.
Vamos deixar ele explicar.

Speaker 2 (15:08):
Vamos lá o que eu tava aqui, eu já não tava
entendendo muito.
Agora você já matou o resto,mas entendeu.

Speaker 4 (15:14):
A minha dúvida.

Speaker 3 (15:14):
Eu não entrei por ali , mas é onde minha cabeça tá
agora.

Speaker 4 (15:26):
Preocupa, não as dúvidas.
A gente vaie É porque lembraque quando você vê matriz você
tá.
Não, quando você vê matriz éque quando a gente vê no colégio
é meio jogado, mas matriz servepra resolver sistemas lineares.
Então, pensando no modelo maissimples que nem você falou, as
colunas são as features, aslinhas são a amostra, então são
os seus clientes e ali vai teruma última coluna com o
resultado esperado, ali né,porque o que que é machine
learning É você olhar pros dadose tentar entender o

(15:48):
comportamento daquilo.
Por exemplo, pega um banco,imagina que o banco não tem nada
de machine learning E ele dáempréstimo a rodo, ali pro
pessoal.
Alguns pagam, outros não pagam.
O que que o modelo, o que que amáquina vai fazer, ela vai
olhar pra esse histórico e falartá, deixa eu tentar entender
aqui qual que é o perfil de quempaga e qual que é o perfil de
quem não paga.
Você pode pensar isso de umjeito bem simples, tipo ah, tem

(16:11):
idade, aí A média de quem paga éde 40 anos, a média de quem não
paga é de 25.
Opa, então parece que a idadequanto mais velho, maior a
chance dele pagar.
Ah, qual que é a profissão dele?
Ah, certa profissão aqui tem umpercentual de 80% de pagadores
e a profissão B tem umpercentual de 30% Opa.
Então parece que a profissão, aprimeira profissão, aí é mais

(16:33):
propensa a pagar.
Só que aí, óbvio que a máquinavai tentar resolver esse sistema
e aí vai conseguir a soluçãoexata, ali de quanto cada
variável vai pesar no resultadofinal, mas ali de quanto cada
variável vai pesar no resultadofinal.
Mas essencialmente machinelearning é isso, é você olhar
pro passado e falar olha, euquero que você entenda como eu
chego, eu quero que você entendaaqui a variável alvo que seria

(16:54):
pagar ou não pagar, a partirdessas features, dessas
variáveis, e aí você vairesolver esse sistema.
Então essencialmente é isso, éassim que funciona machine
learning e é por isso que é umnegócio que quando surgiu criou
tanto hype em cima, porque pô,se eu consigo prever algum
evento, eu posso me antecipar efazer alguma coisa.

Speaker 1 (17:16):
Aí é o seguinte machine learning, por exemplo na
linguagem vai funcionar mais oumenos da mesma forma, porque
assim eu começo a pegar umapalavra que começa com A e
termina com R.
Normalmente o que tem no meio étal coisa, né Ele vê a
possibilidade daquilo.
Então, assim, quando você temuma construção de uma frase, ele
começa a ver estatisticamenteessa frase aqui começou desse

(17:38):
jeito e vai terminar daquelejeito.
Né, é assim que ele vai fazendopredição das paradas.

Speaker 4 (17:42):
Assim que o GPT funciona, o chat GPT funciona,
ele está, é assim que ele vaifazendo predição das paradas.
Assim que o GPT funciona, ochat GPT funciona, ele tá também
prevendo a próxima palavra.
Por isso que também geralmenteo pessoal da área mesmo já não A
gente é até empolgado com asnovidades porque as coisas
avançam muito rápido, mas agente não tem esse mesmo hype
talvez da galera assim, de umapessoa Do povão assim.

Speaker 3 (18:01):
Do padrão, né O cidadão médio ali.

Speaker 4 (18:03):
Porque a gente sabe que não é, que é uma máquina ali
, que ela tá pensando que elavai realmente entender algo.
Ela tá É quase que uma máquinade formar frases que fazem
sentido, tanto que eu posteiesses dias eu A geração Z tem
usado muito o chat GPT pra tomardecisões na vida, usado como
psicólogo e tudo mais, e eu atépostei zoando olha que

(18:24):
interessante pegar uma máquinaque aprendeu a criar frases e
usar ela pra algo totalmentesubjetivo e muito sensível que é
ser um psicólogo, um tomador dedecisões da vida.
Então, mas assim o machinelearning e aí os LLMs, os
modelos aí que estão surgindo,essencialmente são isso, estão
olhando pro passado, olhandopadrões.
Beleza, entendi esse padrão.

(18:45):
A partir disso eu consigoantecipar.
Então o banco ele enxergou quecertos clientes são mais
arriscados.
Então ou ele vai cobrar jurosmais alto, ou ele vai ter uma
cobrança mais incisiva, ou elevai te negar o crédito ou vai te
negar o crédito.

Speaker 1 (19:00):
Acho, bacana isso pro profissional, profissional de
tecnologia que tá lá.
Ter esse entendimento de como acoisa é formada é como um
cozinheiro saber pra que servepimenta.
Entendeu Exato.
Você conhece os ingredientes evocê começa a fazer a composição
que faz sentido né Exato.

Speaker 4 (19:17):
E é por isso que eu abordava tanto a questão
matemática porque, como a áreafoi inflando e virando uma área
da moda, como o Dev já foi, ecomo várias outras.

Speaker 1 (19:27):
Desculpa matemática não é área da moda, não né.

Speaker 4 (19:30):
Não, não, mas dados explodiram em todo o mundo.

Speaker 3 (19:33):
Dados dados e ah machine learning é tal hype
assim todo mundo quer.
Agora não é algo tão simples,até porque envolve uma série de
conhecimento que nem você táaprovando aí E aí.
pra simplificar a gente, voltarno Clube de Estatuto, que é
algo completamente disruptivoque você explicou, que é mais ou
menos como os outros mas eu lium pouco no website e achei um

(19:53):
pouco diferente Conta pra mim aí.
Como é que tem pô inventoria,tem algumas outras coisas nesse
clube tem planos mensais anuaisEntão anuais.
Então, assim me explica como éque você formou esse produto
realmente cara?

Speaker 4 (20:08):
Quando começou era quase que uma newsletter paga,
só que eu ia fornecer ali unsconteúdos diferenciados pra
galera que era ó, eu vou teensinar aqui algumas coisas,
porque o que acontece também aárea explodiu muito e aí a gente
aprende muito pela internet.
Hoje, só que se alguém postaralgo errado, uma meia dúzia de
pessoas na internet.
Hoje, só que se alguém postaralgo errado, uma meia dúzia de
pessoas, esse erro também sepropaga.

Speaker 3 (20:26):
E propaga mais rápido , porque a galera gosta mais de
criticar do que de.
É simples, entendeu?
Você quer viralizar, quer serposto na coisa errada.

Speaker 4 (20:33):
Exato.
E aí começou muitos erroscomeçaram a se tornar verdade na
área e aí eu também comecei ótá, esse clube aqui vou soltar
newsletters aí pra galera,materiais que eu vou corrigir
esses erros, vou dar conteúdosdiferentes.
Um conteúdo que eu sempremenciono pra galera é, por
exemplo o pessoal fala muito acorrelação, não é causalidade.

(20:56):
Analistas de dados, cientistasde dados adoram essa frase, mas
aí você pergunta pro cara tá, eo que é causalidade?
Como que você obtém isso?
Aí a galera não sabe.
Aí eu falei ah, eu vou ensinarisso também porque eu aprendi no
mestrado, foi uma área que eume especializei.
Então a ideia era ser algodiferenciado e também acessível,
bem barato ali pra todo mundoconseguir pagar.

Speaker 3 (21:17):
E assim é muito acessível, cara, assim é
impressionante pelo que táincluso que tem pô encontros
mensais, acesso à comunidade.
Nós estamos falando aqui deplano mensal.
Vou fazer um jabá aqui porque éfoda R$39,90 o anual
R$12,35,15,.
Cara O negócio, assim érealmente muito acessível pelo
conteúdo que você tá oferecendo.

Speaker 4 (21:36):
É, foi uma coisa que ajudou até a impulsionar, porque
a galera quando vê né pô cobratão barato por tudo isso.
daqui a galera mesmo divulga néVira aquela empresa que é
querida por quem consome e tudomais.
Isso é uma coisa que a gentesempre prezou.
Eu tento manter uma estruturaali o mais enxuta possível.
Então começou comigo.
só primeiro ano Você era o euempresa ali, é exato Aí.

(22:00):
depois eu tive uma sóciaminoritária aí que tá ajudando
na parte CRM, contato com osalunos e algumas burocracias E
eventualmente também contratoprofessores, porque eu não sei
todos os assuntos também.

Speaker 2 (22:13):
Entendi, você precisa de apoio pra deixar o conteúdo
mais plural.

Speaker 3 (22:17):
Entendi Bacana, cara Sensacional, e assim esse hoje é
o seu Passou lá e tal Esse hojeé o seu passou lá e tal esse
hoje é o seu full job.
É a Universidade dos Dados ouvocê ainda mantém paralelamente
alguma coisa?

Speaker 4 (22:28):
como é que é, eu mantenho algumas coisas.
Assim eu meio que saí domercado de certa forma pra ser
autônomo, pra trabalhar porconta, porque eu queria me
dedicar 100% à Universidade dosDados.
Só que aí da consultoria que euia sair, ele já pô, mas pelo
menos faz X horas aqui porsemana pra ajudar, não deixasse
sair completamente.

Speaker 3 (22:46):
Não sai, não sai só um pouquinho, né cara, fica aqui
um pouquinho, por favor.

Speaker 4 (22:50):
Aí a gente fez um contrato lá.
Aí aparecem amigos às vezes compô tem essa oportunidade nessa
consultoria, eu putz.
então tá, vamos fazer porqueparece um projeto legal.
Universidade dos Dados eutambém dou algumas consultorias,
também tô fazendo atuando agoracriando agentes de ar, essas
soluções com IAP, que também viuma oportunidade, gostei, gosto

(23:12):
da área.
Então assim o que mais consomemeu tempo é a Universidade dos
Dados é de 50%, 70% do meu tempo, mas eu vou me empenhar em um
monte de projeto que eu gosto Evamos lá.

Speaker 3 (23:23):
Você falou um pouco da relação de dados, da moda né
Taga E tem muita glamorizaçãorealmente assim, do cientista de
dados, né Do analista ali dedados.
E o que realmente o mercadoquando abre essas vagas, a vaga
do momento dados machinelearning está pra caramba Porque

(23:46):
o pessoal entendeu que sem asinformações corretas você tá
realmente adivinhando ali ascoisas e não tá indo pro caminho
certo, né, e aí o profissionalfalta.
Não tem esse profissional, eletá aglomerizado, tá lá em cima.
Mas o que é que o mercadoespera?
Porque às vezes o cararealmente e aí é um diferencial
que você pode explicar o carachega lá e acha que fez lá,
comprou um curso lá no YouTube,ouviu uma coisa, fala ah, eles
querem especializar, tirar acertificação, e chega lá no

(24:07):
mercado, não é isso que ele querna prática, né Colocar na
realidade.
Como é que funciona o mercadoTá?

Speaker 4 (24:13):
eu sempre resumo pros meus alunos mentorados assim
essencialmente o cara quer quevocê pegue dados, use pra trazer
retorno pra ele De algum jeito.
Se vai ser com modelo, se vaiser com inferência, se vai ser
com estatística, se vai ser comgráfico, você precisa fazer isso
.
Então eu sempre falo pro alunoprimeira coisa que tudo que você
vai aprender aqui de ferramentade conhecimento técnico é pra

(24:36):
gerar resultado.
Então você tem que saber porque você tá fazendo aquilo, você
tem que saber aonde que issovai, o que vai impactar, o que
vai trazer de resultado.
Então, essa atenção ao negócio,eu acho que é algo que tem
faltado um pouco.
E é curioso porque a partetécnica também está um pouco
mais carente do que anos atrás,porque o mercado de tecnologia é

(24:58):
sempre assim, né, desde aprimeira bolha lá de 2001,.
É, ah, estoura uma bolha, todomundo tira dinheiro.
De repente todo mundo começa ajogar dinheiro pras empresas.
As empresas contratam ao rodo,independente do critério, aí
depois estoura outra bolha evolta, aí vai sempre indo assim.

Speaker 3 (25:12):
Eu acho que é É normal, é seasonal, é bem
cíclico, né É cíclico.

Speaker 2 (25:16):
E é previsível inclusive.

Speaker 3 (25:17):
Exato, Inclusive a Machine Learning.
Ia aí que a gente ia conseguirprever talvez quando acontece
Exato.

Speaker 4 (25:24):
E aí eu acho que agora, como passou essa, veio
essa onda de vamos contratartudo que tiver aí, não importa,
vamos baixar a régua.
Agora tá fazendo muita falta oprofissional mais técnico.
Não que de novo o negócio vemem primeiro lugar.
Mas esse discurso de o negóciovem em primeiro lugar às vezes
ele não é acompanhado por você.
Precisa entender a questãotécnica também.

(25:45):
Então um cara que sabe lidarcom ferramentas também acaba
sendo importante, porque hoje agente aprende de forma muito
superficial, o pessoal aprendede uma forma muito passiva,
talvez pelo que a gente tem detecnologia, não sei, mas acho
que o perfil do estudante euatuo aí com educação desde pelo
menos 2008 eu acho que mudoumuito e talvez até por a gente

(26:06):
não ter que correr atrás, quenem antes que nossa consulta a
Barça, consulta isso, aquilo vaifuçando até achar a informação.
Então esse profissional tambémque é curioso, proativo e que
vai aprender o que for precisoda questão técnica, ele também
está muito em falta.
Então eu acho que você precisaprecisar juntar tanto aquele
cara que tem um comportamentalmuito bom, que tem comunicativo

(26:28):
e foca ali no resultado, quantoo cara que vai correr atrás e
vai aprender E não dá para dizerque tipo você pode ser só um e
não ser o outro.
Acho que no mercado de dados éimpossível assim, porque cara só
o que você vai falar de gente.
Para descobrir onde estão asinformações você já tem que ser
um pouco mais desenrolado.

Speaker 3 (26:43):
Sim, porque senão não adianta né cara, e às vezes, se
você não conseguir serdesenrolado, você não vai
atingir o objetivo do negócio né.
E aí talvez em meio da próximapergunta, por que muitas vezes
muita empresa ainda vai lá,contrata um profissional de
dados, tá cheio de gráfico, masna hora de tomar decisão ainda
não toma baseada em dados ouseja não é data-driven.

Speaker 4 (27:03):
Isso é uma questão que eu reflito bastante.
Eu vivo viajando nisso de pô.

Speaker 3 (27:10):
Tem que ficar mais deitadinho aqui e tal Tá cheio
de dashboard lindão.
mas na hora que tomar decisãoExato.
Não importa, você faz tudo queé planilha, mas na hora é a
planilha do chefe que importa ea decisão é dele.
e pronto, Exato.
Você lá, meu caro, eu vou pracá.
Não dá pra entender.

Speaker 4 (27:22):
Eu acho que a galera subestima um pouco a força dos
dados, o poder dos dados.
Né, você vê, cara, sei lá, eugosto muito de academia, treinar
musculação, apesar de nãoparecer, eu gosto pra caramba.
E uma coisa você vê, assim agalera não se convence com
estudo científico.
Ah, mas isso não importa,porque lá na hora é outra coisa.

(27:46):
Ou então, ah, não, mas cada um,cada um Sendo que na verdade
não O ser humano, tem umcomportamento médio, ali pelo
menos que dá pra você estimar, eaí a galera não confia.
Pode ter um estudo que mostraque, ó, esse exercício vai
hipertrofiar muito mais do queesse outro.
E pro cara não.
Então acho que a galera tem umpouco de dificuldade de entender
que Mindset realmente, alice,eu acho.

(28:06):
É, eu acho que a mentalidade dagalera meio que não É muito
difícil assim, tanto que eu ficomaluco quando eu vejo alguém de
dados falando tipo assim ah não, mas porque a experiência vale
mais do que qualquer coisa.
Ou você, às vezes você nãoprecisa de dados, você fez
aquilo várias vezes, só que nãoa experiência, ela.
Você não consegue às vezes dara atenção certa pra todas as

(28:26):
variáveis, às vezes você tem umviés de olhar mais pra um lugar
do que pro outro, sem controlenenhum.

Speaker 3 (28:32):
É muito difícil de você, realmente saber E pode ser
emocional, a experiência semprepode ser emocional, exato
também.

Speaker 4 (28:36):
Tem muita coisa impactando.
Tem vários livros de da área dedados, tem o andar do bêbado, o
free economics, que elesmostram É excelente, é um dos
meus favoritos E você vê que,como que a gente não consegue, a
gente não tem um raciocíniomuito analítico, mesmo assim
estatístico, a gente foca muito.

Speaker 1 (28:57):
Ah, eu tiro aí o próprio exemplo que você deu lá,
que as pessoas tendem a fazercorrelação, e isso não quer
dizer as pessoas tendem a fazercorrelação e isso não quer dizer
que a causalidade seja aquela,entendeu?

Speaker 3 (29:08):
Exato.
Eu tenho uma história ótimadisso.

Speaker 1 (29:09):
Estava até num podcast que a gente gravou aqui.
Tinha uma rede que todo dia,seis horas da tarde, ela parava
E assim parava, um pouco, daquia pouco voltava Os caras.
Assim, caraca, Tentaram fazerum bilhão de correlações com um
monte de coisa pra achar Qualera o motivo daquilo.

(29:30):
E não achava, Até que chegou oponto que a pessoa sentou lá e
ficou olhando pro roteador.
Agora eu vou descobrir o que táacontecendo.
Seis da tarde vai parar essenegócio.

Speaker 3 (29:39):
Essa merda vai tá aqui.

Speaker 1 (29:40):
Chegou a doninha da limpeza, puxou a tomada, ligou o
aspirador de pó terminou.
E assim nunca consegui fazer acorrelação, porque?

Speaker 3 (29:53):
não tinha dado suficiente para isso.
Não era uma variável presenteExato.

Speaker 2 (29:58):
Ei, você aí já se inscreveu no nosso canal, já
ativou o sininho dasnotificações E aquele comentário
E as nossas redes sociais.
Você já seguiu a dos apoiadoresda CES Pro, da CES Cyber Bora
lá.
Tá tudo aqui na descrição.

Speaker 4 (30:12):
Eu vi um dia desses um post de um menino comparando
as estatísticas do RonaldinhoGaúcho, quando ganhou lá a bola
de ouro, com algum outro jogadorde mediano, pra bom lá da
Europa eu esqueci quem que era Eele falava olha, olha aqui os
dados, o Ronaldinho Gaúcho temseis gols, só teve seis gols.
Esse cara fez sei lá vinte epoucos.

(30:33):
Ele teve o Ronaldinho Gaúchoteve cinco assistências, esse
cara teve aqui quinze.
E tá vendo como o futebol deantigamente era fácil e ele não
era tudo isso.
Então aí também entra no outroVocê olhou pra duas variáveis
ali.
Você não olhou sei lá quantasvezes a bola passou pelo
Ronaldinho Gaúcho, quantas vezesele tirou o time de algum
sufoco ali, porque ele era maisdriblador, resolvia sozinho.

(30:56):
Então tem uma série de coisasque acontecem também assim, do
uso dos dados que a galeraIgnorou uma coisa importante que
futebol não é número, éentretenimento.

Speaker 1 (31:07):
Você vê o Ronaldinho jogando, o coração dispara, o
cara emociona a plateia Também.

Speaker 4 (31:13):
Isso tem um outro impacto também no clube, na
motivação dos jogadores.
Então normalmente não é queassim certas coisas não são tão
dos dados né Você vê muitojornalista esportivo falando ah,
mas futebol não é número, não énúmero.
O problema é quais númerosvocês vão olhar.

Speaker 1 (31:30):
Se eu olhar dois, assistência e gols, Dá pra
converter tudo em número no fimdo dia.
Né Tá aí o machine learning praprovar isso.

Speaker 2 (31:38):
É.
E assim, pra quais dados eu tôolhando?
Se eu olhar só pra dois dados,não necessariamente eu vou tá
tendo.
Eu vou tá fazendo umacomparação justa, porque existem
N outras variáveis que impactamtambém na própria geração
desses dois números e que nemele comentou.
Porra, quantas vezes ele tirouo time de um sufoco, quantas

(32:00):
vezes ele puxou 3 ou 4marcadores pra próximo dele e
isso dificultou a quantidade degols que ele marcou, mas no
final das contas ele era umjogador melhor por causa disso.

Speaker 1 (32:10):
E nem sempre a gente vai estar com os dados ali pra
executar a análise.

Speaker 2 (32:14):
No fim do dia nem tudo é fácil de quantificar
também.

Speaker 1 (32:16):
Né Assim, por exemplo , quando você vai construir
processos, por exemplo, às vezestem coisas que a gente faz no
dia a dia que você não consegueconverter aquilo em número
facilmente e depois pô, como éque eu transformo isso num
processo pra que ele sejareproduzido?
né, e assim essa interpretação,essa atividade, toda a gente

(32:37):
sabe que tudo fica melhor commatemática, tudo funciona melhor
com matemática.
Né você tem ali, sei lá, vocêpega um.
Eu lembro que eu vi esseexemplo uma vez.
Eu adorei que era um batom apessoa vai e passa um batom e
ele não tem uma aderência muitoboa contra outra marca que passa
e pô ele adere e tal Aí o carafalou assim sabe qual é a

(32:58):
diferença de um para o outro?
Matemática?
Alguém fez os cálculos maisavançados, conseguiu sabe
colocar uma aderência maior e aíentra para todo mundo.
Então, assim está tudo ligadode alguma forma.
Né, e esse profissional vocêtem ajudado ali.
O que você tem de históriadessa galera Onde é que eles
estão se metendo, isso é uma boapergunta Legal.

Speaker 4 (33:21):
Eu acho que uma parada que é legal de falar,
porque sempre tem aquela ideiade que o cara vai trabalhar com
dados, ele tem que vir dasexatas E isso não é mais
realidade.

Speaker 3 (33:31):
Isso é muito bom, muito bom mesmo que a galera tá
lá.
Porra, eu odeio matemática.
E aí Exato, vamos desmistificarisso, aí vamos tirar o coisa da
o elefante da sala.
Né.

Speaker 4 (33:43):
Sim, eu acho que dá pra primeiro, que dá pra você
vir de qualquer área.
Eu tive um mentorado uma vez,que ele era mecânico antes, e aí
a gente trabalhou ali no perfildele portfólio, todas essas
coisas.
Ele entrou no mercado, assimTem gente que Pô eu tive um
aluno Ele era mecânico deautomóvel.

Speaker 1 (33:59):
Mesmo O cara era mecânico ou mecânico.

Speaker 4 (34:00):
Não mecânico ou mecânico mesmo Caramba, cara,
tanto que eu falava pra físico.
O cara tem que ver a suaresiliência também, sabe Porque
isso conta pro profissional.
Então, primeira coisa, acho quedá pra você vir de qualquer
área Essa galera.
Hoje quem tá entrando nomercado mais recentemente tá

(34:21):
indo muito pra parte de análisede dados, porque análise de
dados hoje é diferente de 10anos atrás.
Quando eu comecei, antes agente em análise de dados a
gente olhava muito praestatística, mesmo pra modelos,
às vezes via modelo também, masera um cara que era muito bom
programador e muito bom emmatemática.
Hoje o analista de dados tá atétendo uma confusão ali, uma

(34:43):
mescla com o BI que o cara.
Ele é muito mais voltado pravisualização dashboards, essas
coisas, que o cara é muito maisvoltado para visualização
dashboards, essas coisas.
Então, assim, se você souberentender os gráficos, entender
ali como interpretar o queaquilo está te dizendo, você não
precisa ser um mestre naestatística para entrar nessa
área E você vira quase que umanalista de negócios 2.0, porque

(35:03):
você está ali no front, vocêestá mexendo com o produto, o
negócio todo o tempo, só quevocê tem ali um apoio dos dados,
do que você conseguiu extrairde informação.
Então acho que a galera estácomeçando muito por essa área E
muitos começam como analistapara tentar migrar depois para a
data science.
Porque de novo machine learning?

Speaker 3 (35:26):
Já que você falou dessa migração, é legal você
explicar para, Porque temouvinte aí que talvez não vai
saber a diferença.
né Você explicou um pouco aípra pessoal entender.

Speaker 4 (35:35):
Legal Na área de dados a gente tem assim, tem
vários cargos, mas os principais, assim que tem mais em
abundância aí é engenheiro dedados, que é basicamente o cara
que vai coletar os dados etratar eles pra deixar eles
minimamente preparados proanalista, pro cientista de dados
.
Aí depois esse cara que coletae organiza e tudo mais, a gente

(35:56):
vai pro analista de dados, que éo cara que vai gerar
informações mais rápidas, geraum dashboard, algum indicador,
faz alguma, tenta testar, faz umteste AB rapidinho ali alguma
modificação do produto.
Ele é esse cara e aí entra proterceiro, ali que é o cientista
de dados, que ele normalmentefaz estudos mais robustos.

(36:18):
Então ele vai fazer um modelode machine learning que leva ali
pelo menos umas duas semanas.
Ele vai fazer um estudo deinferência causal pra entender
se A causa B, mesmo que aíenvolve um certo tipo de dado,
um certo tipo de evento.
Então esse cara, ele acaba sendodos três, o que mais usa
matemática, o que mais vai tertrabalhos assim de médio, longo

(36:40):
prazo.
Então assim as três profissõesestão bem, estão em alta.
O engenheiro, ele vai ser cadavez mais exigido porque agora a
gente tem, além dele, integrarali o pipeline dele com os
modelos, com os testes, ab.
Ele vai ter ali agentes, vaiter LLMs vai ficar uma bagunça e
esse cara vai ter que dar umjeito ali de organizar isso.

(37:02):
O analista de dados como eudisse, ele é praticamente um
analista de negócios 2.0, queele vai estar em qualquer
empresa.
Qualquer empresa vai precisardesse cara.
Então ele vai estar ali o tempotodo ajudando um product manager
, ajudando um gestor qualquerali a fazer, a extrair algumas
informações rápidas.
E aí o cientista de dados, eleé um cara mais para o médio e

(37:25):
longo prazo.
Por isso tem empresas menoresque não tem.
Mas eu sempre falo que a galeraàs vezes, porque toda
tecnologia vem que nem a mesmo,ah, vira um hype absurdo.
Machine learning foi assim, néveio, virou um hype absurdo.
Aí agora começa a ondacontrária que é não, você nem
precisa tanto de machinelearning.
Aí começam a subestimar.
A gente sempre fica nissosuperestima, subestima.

Speaker 2 (37:47):
Ser humano, então tudo.

Speaker 4 (37:49):
É os hypes, né A gente vê as ondas Ciclos.
E aí não tem esse equilíbrio.
E aí hoje já tá num momento queo pessoal fica ah, mas acho que
não precisaria tanto de machinelearning, você não vai usar
isso.
Só que machine learning, oscientistas dados, por que ele
ainda existe, por que queempresas grandes gastam tanto
com esses caras E fortunas, néFortunas é dos três, fica entre

(38:13):
o engenheiro e o cientista.
Quem ganha mais?
assim, normalmente Esse cara,ele é dele que sai.
Aquelas aqueles cases absurdosde putz implementaram sei lá uma
mudança X e trouxe 10 milhõesde retorno, porque as mudanças
que um modelo causa tem umimpacto muito grande.
Assim pega um modelo típico quetoda empresa tem hoje em dia de

(38:34):
churn quando o meu cliente vaicancelar a assinatura, se você
sabe quando ele vai cancelar,que ele tá propenso a cancelar,
você oferta um desconto, vocêretém o cara, você vai obter ali
um valor ali pelos próximosmeses que você reteve.
Então geralmente tem impactosmuito grandes.
A Netflix fez isso né Com omodelo de recomendação, usou o
modelo de recomendação Hoje.

(38:55):
Eu lembro que uma época elesfalavam que 90 e poucos por
cento do que era visto era pelarecomendação E eles conseguem
prender a galera ali.

Speaker 3 (39:04):
Eu, por exemplo, é um exemplo clássico.
Eu sou muito preguiçoso, achoclássico eu sou muito preguiçoso
com as coisas que eu vouassistir.
Cara, eu chego lá porque eu nãogosto de perder muito tempo.
Se eu vou assistir trem, euaperto o botão e eu confio no
algoritmo.
Se ele aparecer ali recomendadopra mim deve ser.
Deve ser pra mim.
Eu não vou ficar lá Se eu nãosei o que eu vou assistir.
Eu aperto o que eles recomendame funciona, cara.

Speaker 2 (39:31):
E às vezes você, fun Cara, sabe o que é o negócio.
Se eu tiver que parar pradecidir o que eu vou assistir,
eu vou gastar muito tempo Aí eujá tô puto comigo mesmo.

Speaker 3 (39:37):
Eu valorizo o meu tempo.
Vou fazer uns testes.

Speaker 2 (39:39):
Eu vou tentar confiar no algoritmo Se eu gastei 20
minutos escolhendo o que eu iaassistir.

Speaker 3 (39:45):
Eu já não quero mais assistir.
Eu já perdi o meu tempo.
Cara, eu lá emmo.
Se alguém falou que érecomendado pra mim, é ele que
entende.

Speaker 1 (39:51):
A análise do algoritmo é a seguinte Não tem
que ser bom nos primeiros cincominutos, porque depois disso ele
dorme.

Speaker 2 (39:57):
Eu não durmo.

Speaker 3 (39:59):
Inclusive ele sabe porque, tipo assim ele tem um
dos algoritmos dele.

Speaker 1 (40:04):
Você ainda tá aí.
Que é isso aqui.
Se tu chegou no você e ainda táaí, é porque você já passou.

Speaker 3 (40:08):
Exato mas aí ele já tá aprendendo.
Como é que?

Speaker 2 (40:12):
eu sou Não, mas eu faço isso com o banco.
Por exemplo, Vou comprar algumacoisa Se o banco tá liberando
dinheiro, se o banco quer obanco se escuta de dinheiro, os
caras que têm de dinheiro te dãocrédito pra que você vai usar,
porque eu vou discutir com ele.

Speaker 3 (40:27):
Eu uso esse mesmo conceito para uma outra coisa,
exato Isso é muito maisprodutivo, mais arriscado, mais
arriscado seu.
O meu arrisco assistiu aporcaria do Netflix, vamos lá
Você falou um negócio legal.

Speaker 1 (40:38):
Agora que é pô quanto ganha um cientista de dados?
que é bastante, Dá um chute aíde salário, Só de exemplo
exemplo Ó, um iniciante vaitirar ali entre chutando por
baixo.

Speaker 4 (40:53):
é que agora surge algumas empresas pequenas
oferecendo mixaria, mas mixariamesmo muito abaixo.

Speaker 1 (40:57):
Mas na média.

Speaker 4 (40:58):
Na média ali o cara vai tirar entre 4 e 5 mil.
Se você começa numa empresagrande, eu não tenho certeza,
mas eu acho que Itaú, bradesco,nubank pagam em torno de 6,.
Já vi gente ganhando 6,500 delargada Iniciante ali.
Iniciante você já tá melhor doque 90% do país, sim, e ali em
média deve tá na faixa de uns 9mil, assim, tipo eu acho difícil

(41:19):
um cara que tem um, entrou naárea e tem ali um esforço mínimo
, assim não vou dizer que Um bomprofissional É um profissional
médio, assim o cara que não vaitalvez não seja o mais estudioso
, mais dedicado, mas ele não éum cara desleixado.
Eu acho difícil ele não tirarpelo menos 9 mil na área, assim,
porque é muito fácil.
Assim.
Eu tenho pô teve um aluno quemandou mensagem esses dias, o

(41:42):
Guilherme, acho que era o nomedele.
Bom, ele também não vai saber,que O pessoal não vai saber,
então eu posso falar os valores,é Guilherme.

Speaker 3 (41:49):
Mas ele Arroba a data , tô brincando.

Speaker 4 (41:52):
Ele conseguiu o primeiro emprego na área de
dados.
ele tinha entrado no clube deassinaturas.
O clube tem há dois anos E eletá ganhando hoje 11 mil.

Speaker 3 (42:00):
Então assim Opa churrasco na casa do Guilherme.

Speaker 1 (42:11):
Isso é uma coisa sobre um aluno, seu mecânico que
foi pra dados e tal Pô.
os seus cursos são altamenteacessíveis.

Speaker 2 (42:15):
A pessoa consegue um investimento baixo.

Speaker 1 (42:18):
E é assim.
Às vezes o cara tem um desejode uma transição de carreira, se
identifica com dados.
Pode parecer que não, mas porexemplo o mecânico tem tudo a
ver com a área de dados.
Porque assim o mecânico temtudo a ver com a área de dados?
Porque assim o cara.

Speaker 2 (42:32):
Eu estou tentando entender.

Speaker 1 (42:36):
O mecânico, ele é um investigador, Ele é um Sherlock
Holmes irmão.
Chega lá o carro está dando Agente descobre quando tem aquele
barulho, meu amigo.

Speaker 3 (42:47):
Ele tem que descobrir por que aquele barulho.
Tem que catalogar ali no tantode conhecimento que ele tem.
Descobre quando tem aquelebarulho, meu amigo.
Ele tem que descobrir por que éaquele barulho.
Tem que catalogar ali, no tantode conhecimento que ele tem,
tudo aquilo que?
é aquele barulho.

Speaker 1 (42:54):
Ele tem que pegar por cento de mil causas e pegar e
fazer o caminho reverso.
Ele faz engenharia reversa, elepega o dado que ele recebe é
uma mixaria.
As vezes chega assim não táligando e essa informação
normalmente é isso ou então tembarulho aonde não sei não tá

(43:18):
ligando aí o cara te perguntaqual barulho vocês viram esse
vídeo, também sensacional, e éum negócio que tem tudo a ver as
vezes você tá pensando numatransição de carreira e você não
percebe o quanto que aexperiência que você tem numa
coisa que aparentemente não temnada a ver com o conhecimento da

(43:41):
matemática e dos dados pode pôinconstruir o cara.

Speaker 3 (43:45):
Aí, eu tenho que mudar já e falar uma outra
questão, cara, que eu acho queacontece muito ainda.
Eu não sei se vocês vãoconcordar, mas tem muita gente
que não entende os fundamentosbaixos de estatística, lógica,
etc.
E vai direto para soluções, vaidireto ali mexer ali
informagráfico etc.
Mas não tem a menor ideia dalógica, de estatística, etc.

(44:05):
E tá lá fazendo gráficos,montando painel, etc.
Cara, esse negócio pode darcerto, pode dar ruim Por que
você pensa nisso, porque praminha opinião aquele cara ali a
tendência de não funcionar támuito grande.

Speaker 4 (44:18):
É arriscado, embora eu já apliquei isso em alguns
alunos.
Mas por quê Muito?
porque o cara sei lá, às vezeslargou o emprego ou tá ganhando
muito mal e quer entrar na área.
Aí eu tava.

Speaker 3 (44:29):
É uma gambi.
Você aplicou pra ele fazer Cara.
você vai fazer isso pra vocêaprender a gambi.
É você trocou a ordem dosfatores.
Vamos pra aqui, pra você jáentrar no mercado, enquanto
depois E a vaga tá ali, porqueessa vaga sempre vai ter o
construtor ali de imposto, etc.

Speaker 4 (44:43):
Falei cara, pelo amor de Deus.
Depois você volta nosfundamentos.

Speaker 1 (44:49):
É o cara pô.
Quero desesperadamente sermúsico.
Tá bom, aprende aqui faroestecaboclo, não pô?
Aprende a tocar pandeiro Seguraa atenção da galera.
Um pouquinho entendeu.

Speaker 2 (44:59):
Enquanto isso você vai estudando.
É o cara do pandeiro.

Speaker 4 (45:03):
Pandeiro é só o básico.
Porque a gente também não temmuitos profissionais júniors que
vão chegar muito formados,assim Tem os caras que vêm de
exato.
Então tem uma base diferente.
Mas é Se o cara consegueaprender a ferramenta ali pra
pelo menos suprir o que o júniorvai fazer ali no dia a dia, e
ele tiver forte vontade pradepois correr atrás.

(45:24):
Eu sempre falo pra eles issomano, depois você tem que correr
atrás.
Porque isso mano, depois vocêtem que correr atrás porque
senão esse é justamente oprofissional que o pessoal fica
falando ah, a IA vai substituira gente.
Se substituir o primeiro vaiser esse cara que só tá fazendo
mexendo ferramenta, apertando obotão.
Então você tem que depoisvoltar pra base, estudar coisas,
estudar lógica, estudarfundamentos matemáticos, álgebra

(45:44):
e estatística essas coisastodas, mas eu às vezes faço esse
caminho inverso muito pracolocar o aluno rápido e ó ele O
cara ir lá e fazer auxiliar ocara Exato.

Speaker 3 (45:53):
O cara está ajudando o cara na vida dele, também
Sensacional, e o que o cara Aítem que falar tem que.
Outro tema extremamentepolêmico, principalmente porque
a IA tá aí, tá evoluindo todosos dias na velocidade, e eu tô
na tecnologia há muito tempo.
Nunca vi algo evoluir tãorápido né, porque todos os dias
é um lançamento atrás do outro.
Não para né.
O que você vê você como da árearealmente ali em cinco anos

(46:19):
hoje, com a evolução das IAs,das tecnologias generativas que
estamos aí no mercado, a questãodo profissional de dados, do
cientista de dados qual vai sero papel nele nessa bagunça toda?

Speaker 4 (46:30):
Legal.
Eu acho que vai mudar um pouco,porque o cientista de dados eu
não sei se todo mundo estáfamiliarizado, mas ele tem ali
três áreas de atuação que secombinam, que é a matemática,
matemática, barra estatística,programação e negócios Ele é o
cara que junta essas três coisas.
Hoje é comum ter alguém que émuito matemática e muito negócio

(46:52):
e pouco programação, ou muitoprogramação, muito negócio mas
pouco matemática.
Isso é comum.
Tem gente que vem da ciência dacomputação que às vezes tem uma
propensão maior a entender maisde software, de certos
fundamentos, e o cara damatemática que vai mais pros
números.
Eu sempre fui esse cara dosnúmeros, mas eu acho que o
futuro vai mudar e a gente vaicomeçar a ter Esses três pesos
não vão ser mais iguais.

(47:12):
O peso da programação acho quevai vir muito, porque é o que eu
falei, a gente vai começar aintegrar muitos modelos
diferentes, muitas arquiteturasmisturadas ali, diferentes
dependências, ali de programa Ae B.
Então o cara para orquestrarisso, saber como botar um modelo
, por exemplo, de machinelearning em produção e esse

(47:34):
modelo funcionar direito, issovai importar muito mais do que
importa hoje.

Speaker 2 (47:38):
O projeto vai ter que ter um resultado.
Ele tem que conectar, fazeressas duas bases conversarem e
tudo mais.
Exato, vai acabar precisandotambém dessa parte mais robusta
de tecnologia.

Speaker 4 (47:47):
E até fundamento de engenharia de software, que às
vezes a gente dá ciência dedados, a gente às vezes,
principalmente quem vem damatemática, economia,
estatística, às vezes a gentenão dá tanta atenção
Versionamento, né teste, nossateste.
É muito raro alguém que sai damatemática, da economia, da
estatística saber colocar ali umteste no meio de um programa,

(48:08):
não importa o quão robusto sejao sistema do cara, o código não
vai estar modular, não vai usarorientação a objetos, não vai
usar teste.
Então acaba que a gente perdeualgumas das boas práticas,
porque antigamente era nãopreciso de alguém que conheça
esse modelo e faça ele rodar dealgum jeito.
Ali O resultado final era o queimportava.
É só que aí a coisa agora,quando vai integrar com muitas

(48:32):
ferramentas, agentes de ar, osprompts que a galera vai colocar
em cada agente, vai misturarmuita coisa.
Então a tendência é essa parteda engenharia ter cada vez mais
peso.
E aí eu acho que os cientistasda computação, a galera da
programação vai decolar maisainda, porque eu já sinto eles

(48:53):
muito bem.
Hoje em dia Eu sempre falo comos meus colegas que são
matemáticos, economistas também,que eu acho muito estranho como
muita gente da engenharia e daciência da computação se sai
melhor do que um estatístico eum matemático E eu teria tudo
para defender a minha classe.
Falaram não, nós somos bonsmatemáticos, sei o quê.
Mas eu vejo muito engenheiro ecientista da computação assim

(49:16):
decolando porque eles seimportam com algumas questões de
software, se importam comalgumas questões de arquitetura,
e isso no dia a dia acabafazendo muita diferença.
Fora que é uma galeraprincipalmente da engenharia que
é muito assim, o cara ésolucionador de problema, ele dá
um jeito ali, ele vai caçaralguma coisa.
Eu não sei tem uma, umacaracterística ali, algumas soft

(49:38):
skills diferentes.
Nessa galera, eu sinto pelomenos, e eu acho que pro futuro,
se os matemáticos estatísticosnão mexerem um pouco nisso, pode
ficar pra trás.
Eu acho que pro cara muito,muito bom, sei lá PhD em
matemática que tá fazendopesquisa lá na Amazon, tudo bem,
não vai importar, ele vaisempre ter oportunidade.
Mas pros outros eu acho que éfundamental a gente começar a

(50:00):
olhar mais pra só Então, nesseaí no futuro.

Speaker 3 (50:03):
Cara, ainda a gente fala um pouco das empresas que
tomam decisões ali por feeling,né.
E na sua opinião hoje o que temque fazer pra implementar
culturas analíticas na empresa?
A empresa realmente tomar adecisão baseada em dados e não
no feeling do chefe?

Speaker 4 (50:20):
ou no?

Speaker 3 (50:21):
feeling do cara do RH ou no feeling de fulano, sem
realmente pô os dados estão aquie eu tô indo pra lá por quê?
Eu vejo isso muito em qualquerlugar, cara, e assim não faz
sentido pra mim.
Eu sou um cara que gosto de veros números e depois eu tomo a
minha decisão.
Não importa, sabe, me dá número.
Nós discutimos sobre isso hoje.

Speaker 1 (50:39):
Eu não quero nem saber cara.

Speaker 3 (50:40):
Meu perfil é ideias, eu cara me dê, pra mim cara me
dá número, Aí eu tomo umadecisão baseada nisso e qualquer
coisa que tiver que fazer.
E aí eu fico louco com alguémtomar.
Ah, cara, eu acho que tipoassim, Acho que vai chover, Tipo
assim acho que vai chover Vocêtem a porra da previsão do tempo
.

Speaker 2 (50:57):
Vamos olhar.
Entendeu, Cara, depende Se vaique ele contratou o cacique e
cobra coral O cacique e cobracoral.

Speaker 3 (51:04):
Entendeu, vai fazer não, mas isso é um lance.

Speaker 2 (51:08):
Um abraço.
O Cassio e o Cobo Coral É umainstituição muito séria, ganha
muito dinheiro Rock in Riocontrata.

Speaker 3 (51:16):
ele sabe pra quê?
Pra não chover no Rock in Rio.

Speaker 4 (51:19):
É sério.
Isso É muito sério.
Eu juro por Deus.
Curiosidade.

Speaker 1 (51:23):
Eu achava que era sacanagem.

Speaker 3 (51:25):
É sensacional E quer que eu te fale.

Speaker 4 (51:31):
Sabe quem foi um dos fundadores?
Paulo Coelho, que isso Juro porDeus.
Eu tô falando isso, não é piada.
A dança da não chuva.

Speaker 3 (51:36):
E quer que eu te fale uma parada?
Tipo assim Carnaval do Rio,rock in Rio.

Speaker 1 (51:39):
Essas galeras contratam Campeonato de futebol.

Speaker 2 (51:42):
Caralho velho, a hora Aí eu fui cara, eu fui no site
velho E ele contou essa porra.

Speaker 3 (51:51):
nós estávamos numa praia, cara, e ia chover.
a previsão falava cadê ocacique que comeu a caralho,
entendeu?

Speaker 2 (51:57):
Vamos fazer uma vaquinha aqui.
Caralho, a gente queria tanto Éo índio que faz não chover A
gente queria tanto que nãochovesse, vez que eu tava quase
acreditando, entendeu.

Speaker 1 (52:06):
Vamos lá, vamos continuar.

Speaker 3 (52:08):
Existe.
isso É muito.
Essa era a piada do negócio masé um fato.

Speaker 4 (52:13):
Eu vou procurar depois.

Speaker 3 (52:14):
É um absurdo de ciência qualquer.

Speaker 4 (52:16):
Não legal mas.

Speaker 1 (52:17):
Respeita o cacique.

Speaker 2 (52:18):
Eu não brinco não senão vai começar só a chover em
cima da gente Dizendo o Googleé uma organização esotérica que
afirma controlar o clima.
Que loucura Vamos deixar o linkaqui na descrição.

Speaker 1 (52:33):
E desafios de matemáticos aprovaram o
contrário.

Speaker 3 (52:38):
Como estatísticas, estatísticas Como é que é o nome
da estatística, que a gentegosta de falar muito dentro do
Jornal Nacional.
Você recomenda muito dele.

Speaker 1 (52:46):
O que era chamado.

Speaker 3 (52:47):
É sempre.

Speaker 1 (52:49):
O matemático Oswaldo Souza, o Oswaldo, o que era
chamado o matemático OswaldSouza.
Oswald Souza, um ídolo ali do.

Speaker 3 (52:52):
Jornal Nacional.
Sempre a opinião dele eraimportada.
Né vamos lá de cultura,data-driven.

Speaker 4 (52:57):
Eu acho que assim uma das primeiras coisas é você
mostrar a importância daquilomesmo, realmente mostrar que faz
a diferença.
Eu tinha uma atividade que eudava em palestras, workshops,
que era assim eu passava pra, eumostrava foto de três
personagens e falava pra quemvocê recomendaria sei lá, esse
livro, acho que, de meditação eesse livro de economia.
Aí o pessoal chutava ah, praele, pra ela, sei lá aleatório.

(53:20):
Aí eu colocava algumainformação tipo idade, aí depois
eu colocava renda, e aí opessoal ia mudando as respostas
Até que eu ia, por exemplo, seilá, o último, sensacional, isso.
O último evento que ele fez néque ele participou.
E aí putz o cara foi sei lá numcongresso da Febraban, lá
bancário, e outro foi sei lá numretiro.
Aí o pessoal opa pera aí entãopra esse do retiro.

(53:42):
Então a ideia é ir mostrandoquanto mais dados você tem
quanto mais dados você tem, maispreciso fica a sua decisão.

Speaker 3 (53:54):
Porque a primeira decisão?
por quê?
Porque eu acho que a cara delecombina com esse livro.
Basicamente é isso, é a decisãodo machismo.
É o meu feeling.

Speaker 4 (54:00):
E eu também colocava muitas das questões que a gente
acreditava muito e que os dadosvieram e mostraram que era o
contrário.
Sabe, tem um paper, é que hojeele é mais polêmico.

Speaker 3 (54:10):
Assim, porque de metodologia e tal Gostão de
polêmica, vamos lá.

Speaker 4 (54:13):
E o tema também é polêmico.
Opa, gostamos das duas coisas,vamos lá E foi bom.
acho que todo mundo sabe queNova York era muito tinha alta
criminalidade anos 70, 80, e lápros anos 90 foi melhorando até
esse momento comentavam nosjornais de por que que melhorou

(54:35):
Aí o pessoal.
ah, teve um policiamento ali umpouco mais rigoroso.

Speaker 3 (54:39):
Mais constensivo vamos chamar.

Speaker 4 (54:41):
Teve ali implementação de tecnologia e
tudo mais, e assim.
Matematicamente esse paper hojeé um pouco mais contestado, mas
o que eles conseguiram provar éque a maior parte veio da
legalização do aborto, porque aífamílias menos estruturadas
acabam não tendo filho e aíacabava que diminuía.

Speaker 1 (55:00):
Reduziu ao longo do tempo o caralho.

Speaker 4 (55:03):
E deixando bem claro que não é sugerir usar a mão.

Speaker 3 (55:08):
Isso é correlação e não dá pra provar que seja
causalidade.

Speaker 4 (55:17):
Na verdade dá Porque?
qual?
Porque eu não lembro muitodesse paper?

Speaker 3 (55:21):
porque ele faz muito tempo mas o que a gente faz, Eu
já ia concordar com o paper,porque eu já Faz sentido mas Faz
sentido, mas segura a suaconcordância.

Speaker 1 (55:29):
Faz sentido, mas não vamos sair por aí opinando né.

Speaker 2 (55:33):
Vamos só ler o Conta mais sobre o paper Lembrando é o
paper.
Tá gente, não é a gente que táfalando isso não.

Speaker 4 (55:40):
É uma informação.
informações do paper StevenLevitt pra quem quiser ler.

Speaker 3 (55:42):
depois Vamos deixar o link, deixa a produção link.

Speaker 4 (55:44):
Eu inclusive quero ler esse paper É legal O que a
gente faz na economia, quando agente quer saber se uma política
pública teve impacto ou não,por exemplo, vamos dizer ali
polícia, né Se polícia realmentediminui significativamente o
crime ou não.
Quanto que um policial consegueadicionar um policial ao corpo

(56:04):
consegue diminuir decriminalidade.
Eu não posso chegar e falar euvou botar a polícia nesses
bairros, nesses outros não, evou ver qual que é a diferença.
Como se fosse um laboratório.
Não pode, não seria eticamentecorreto.
Então o que a gente faz, a gentebusca eventos que meio que
simulam experimentos, assim, eaí óbvio que incluindo alguns
controles.
Mas o que aconteceu, porexemplo na Inglaterra acho que

(56:27):
em Londres Teve um atentadoterrorista lá E aí o que
aconteceu, colocaram maispolícia, não tinha a ver com a
criminalidade de roubo equalquer outro tipo assalto, não
, eles só colocaram porque teveum ataque terrorista.
Isso é quase que um experimentocontrolado.
É quase como se eu falasse olha, vou colocar polícia aqui, não
vou colocar aqui, e vou ver qualque é o impacto.

(56:49):
Então a gente aproveita deeventos que funcionam quase como
um experimento ali, e aí, óbvio, adiciona alguns controles, uma
certa rigidez estatística e apartir disso a gente consegue
chegar à resposta de que A causaB?

Speaker 2 (57:03):
Os eventos que já aconteceram ou que pra você
conseguir.

Speaker 3 (57:06):
E se olhar o paper, cara, se encaixam no seu padrão
de pesquisa E se você olhar opaper assim, infelizmente, ou
não pode, famílias que às vezesnão deram atenção suficiente ali
pra aquele filho e aí, etc.
E pode causar um filho que nãofoi criado da forma mais correta
e a marginalização acaba indopro clima E ficar sem recursos,

(57:27):
exato uma série de coisas.

Speaker 1 (57:29):
Então assim entra a questão social.
É um monte de coisas.
Então faz sentido a estatística, O fim da história é assim se
você fizer a matemática certinho, certinho, certinho, você vai
concordar com o Thanos.
Entendeu?

Speaker 3 (57:43):
Não essa já complica, mas enfim É difícil.
Sabe quando foi uma falha doThanos, né Ele foi muito
aleatório.

Speaker 2 (57:54):
A justificativa do aleatório é a tentativa de ser
justo e não é equilíbrio.

Speaker 1 (58:00):
Mas sabe o que eu lembrei aqui, cara?
Eu lembrei do filme Tropa deElite, que tem uma cena
engraçadíssima dos policiaisarrastando o corpo de um bairro
pro outro, porque aí ia contarna estatística do outro batalhão
.

Speaker 3 (58:14):
Ah, sim, mas isso é um fato.
Né na estatística do outrobatalhão.
Ah sim, mas é isso, isso é umfato.
Né É um morto, joga lá de lá.
Joga lá de lá, e realmente é umfato.
A polícia tem que contar.
Todo mês tem que contar aestatística de crime de quem tem
que reportar isso aí.
Isso é um negócio louco, né?
E realmente eles.

Speaker 4 (58:31):
Ninguém quer até ficar com o número.
Problema parecido.
Quando eles começaram aremunerar professor com base na
performance dos alunos?
Aí, tem professor mostrandorespostas pra aluno.

Speaker 3 (58:40):
Não, isso é loucura.
Isso é loucura loucura.
Meu aluno é só 10, vai ver se é10, meu salário é 10.

Speaker 1 (58:47):
Vou dar um outro exemplo polêmico aqui.
Imagina um governo passadodesse mesmo presidente.
Ele fez uma coisa muitoengenhosa que é o seguinte
quando vieram os programas deassistência, de assistencialismo
, você tinha ali uma quantidadeX de cidadão que tinha uma renda

(59:10):
de um dólar por mês.
Ele falou não peraí, deu agrana pros caras.
Esses caras saíram da linha depobreza e o gráfico ficou
bonitão do dia pra noite.
Ele resolveu o problema.
Pronto, tá aí, saiu da linha dapobreza não sei quantos milhões
.

Speaker 3 (59:27):
Caraca esse cara já que é pra polemizar, é o
seguinte vamos lá se é prapolemizar essa questão de
gráficos e estatísticas, cara, épor isso que tem que tomar
muito cuidado pra analisar afonte.
Qualquer estatística que vocêvê, em qualquer noticiário, em
qualquer coisa, se você não távendo a fonte e entender a
metodologia como foi feita, elapode ser manipulada.

(59:47):
Ela pode se levar pra O númeropode te levar a tomar uma
decisão errada.
Quantas?

Speaker 2 (59:52):
vezes a gente já não viu que o gráfico que mostra que
o número menor tá maior nográfico que o número maior e tal
Não e não é isso, é porque,tipo assim, se o senhor não tem
a amostragem?
se não tem a fã, não sabe ali aorigem.
Aí é importância.
Eu não sei a qualidade dosdados.

Speaker 3 (01:00:04):
Cara, você não pode levar em consideração aquela
estatística, então assim tem quetomar muito cuidado com dados
também, isso que é legal daparte da ciência, porque na
ciência se alguém solta umartigo e tá manipulado, isso já
aconteceu bastante, tipo o carasolta, só que a galera vai

(01:00:27):
lançando deles.
Vai lançando, e aí é o lance.
Só que aí vamos lá.

Speaker 1 (01:00:30):
O cidadão médio às vezes e o noticiário se vai
manipular, vai ter viés.

Speaker 3 (01:00:40):
Aí já era em uma nova geração é complicado demais
porque eu vi a estatística.
Que estatística é essa baseadaem que?
qual é a fonte de dados?
a pessoa que entende que osdados vêm de algum lugar e
aquilo lá tem que ter umaqualidade, tipo de amostragem,
uma série de coisas.
Mostrar um gráfico pra mim semeu ver, eles sabem tanto que eu
sou crítico.
Eu pego a planilha.
Não apresenta tabela pra mimnão.
Porque tabela é ir lá.
E Cara, eu não quero ver atabela, eu quero ver a planilha,

(01:01:02):
eu quero ver o dado ali, euquero ver da onde tá vindo
aquilo ali.

Speaker 1 (01:01:05):
Vou contar uma coisa interessante sobre isso, sobre a
questão de manipulação de dados.
Eu morei na Argentina por cincoanos E aí vez eu tava com um
amigo lá, ele falou vou teensinar uma coisa.

Speaker 3 (01:01:19):
Aqui vamos comer no McDonald's.
Hoje vou te ensinar uma parada.

Speaker 1 (01:01:20):
Era brasileiro, esse amigo é, chegamos na fila do
McDonald's.
Ele falou assim acha o Big Macaí no cardápio?
eu olhei, pô não tinha Big Macno cardápio.
O hambúrguer mais baratocustava 50 pesos, um
hambúrguerzinho simples 50 pesos, um hamburguerzinho simples 50
pesos.
E eu pô tá, ele vamos pedir umBig Mac, aí quero um Big Mac, aí

(01:01:44):
pô 20 pesos.
Ele não só não estava nocardápio, como ele era
ridiculamente mais barato quetudo ele falou.
Eis a questão o Big Mac ele éusado pra índices de de inflação
.
Não mentira que eles faziam Mac, ele é usado pra índices de
inflação.

Speaker 3 (01:01:59):
Não mentira que eles faziam isso lá Tô te falando.
Ele é subsidiado porque oíndice Big Mac é um índice
global, Exatamente, E aí nãotinha no cardápio e ele era
muito mais barato.

Speaker 1 (01:02:11):
Peronismo raiz, e ele era muito mais barato.

Speaker 3 (01:02:15):
Caramba, velho Eu como era estudante lá na época
passei o resto da vida diretoCaramba, velho isso que eu chamo
de manipulação Só pra me dar oíndice Big.

Speaker 1 (01:02:24):
Mac Tradicional na economia.
Eu vivi isso, eu vi, comprei oBig Mac desse formato.

Speaker 3 (01:02:32):
Então subsidiar o Big Mac é Nossa cara.
Estamos chegando no nosso tempoaqui.
Mr Anderson, eu acho que caradá pra falar bastante tem muito
papo.

Speaker 1 (01:02:42):
É um assunto vasto, mas acho que abriu a cabeça da
galera pra muita coisa.
Acho que criamos boasoportunidades aqui.
André you kill foi massa masvou deixar contigo agora o
microfone pras suasconsiderações finais cara.

Speaker 3 (01:03:01):
Deixa a link abaixo um vida abraço pra mãe, pra pai,
pro irmão.
Isso o que você quiser, fica àvontade, amigo, vai lá, andrés.

Speaker 4 (01:03:06):
Vou agradecer aí primeiro pelo convite.
Pô, eu gosto demais de falar dedados.
Eu sou o nerdola dos dados,cara, eu gosto muito assim.
Eu leio paper de assuntos quenão tem nada a ver com a minha
vida, com machine learning,porque eu fico pirado assim
nessas coisas.
E aí, quem quiser conhecer oprojeto na Universidade dos
Dados, acessa aliuniversidadedosdadoscom Toda a

(01:03:29):
sede, aí é arroba,universidadedosdados, você vai
encontrar.
E lá, mesmo se você não quiserassinar o clube, a gente tem
conteúdo técnico gratuito,conteúdo bom.

Speaker 3 (01:03:38):
Então acho que vocês vão gostar bastante Sensacional,
galera, e olha só quiserconversar com ele.
Os links, além do link daUniversidade de Dallas, os links
do LinkedIn do Equil, as redessociais, vão estar todos aqui na
descrição do episódio.
Parabéns, equil, por essainiciativa de realmente
massificar um negócio que é tãocomplexo, né Entregar isso aí de
uma forma.
Eu vi aqui que tem mais de1.400 alunos já pra você estar

(01:04:01):
com certeza transformando a vidade muita gente também E
alimentando um mercado queprecisa cada vez mais analisar
dados, tomar decisões analíticase não no achismo.
Obrigado demais, cara.
O convite tá aberto aqui.
Com certeza Vamos conversaroutras vezes aí fazer um debate
sobre informação da AdMastilanie, tendo alguma coisa pra contar
pra gente, pode voltar.

(01:04:22):
É isso aí, até mais.

Speaker 4 (01:04:37):
Valeu, quero café, quero café.

All Episodes

Andre Yukio | Machine Learning é Matemática Pura!

Episode Transcript

Popular Podcasts

On Purpose with Jay Shetty

Stuff You Should Know

Dateline NBC

.css-15opob5{left:0;position:absolute;top:0.8rem;} All Episodes

.css-14f5ked{margin:0;word-break:break-word;display:-webkit-box;-webkit-box-orient:vertical;box-orient:vertical;-webkit-line-clamp:2;overflow:hidden;}Andre Yukio | Machine Learning é Matemática Pura!