Prof. Rafael Kunst cover art

Prof. Rafael Kunst

Prof. Rafael Kunst

By: Rafael Kunst
Listen for free

Prof. Rafael é um podcast sobre tecnologia, inteligência artificial, ciência de dados, machine learning, computação aplicada e inovação. A proposta é explicar temas relevantes da área de tecnologia de forma clara, direta e conectada com aplicações reais, aproximando conceitos técnicos do dia a dia de estudantes, profissionais, pesquisadores e pessoas interessadas no futuro digital.

Nos episódios, o Prof. Rafael aborda assuntos como IA generativa, aprendizado de máquina, computação em nuvem, programação, carreira em tecnologia, pesquisa científica, transformação digital, 5G, 6G, big data e os impactos da tecnologia na sociedade, na educação e no mercado de trabalho.

O podcast combina explicações didáticas, reflexões técnicas e comentários sobre tendências atuais, sempre com uma abordagem acessível, mas sem perder a profundidade. É um espaço para aprender, refletir e acompanhar a evolução da tecnologia com uma visão crítica, acadêmica e aplicada.

Se você se interessa por inteligência artificial, tecnologia, computação, inovação e carreira tech, este podcast é para você.

Rafael Kunst
Career Success Economics
Episodes
  • Matriz de Confusão: O Primeiro Conceito Que Você Precisa Dominar
    Jun 11 2026

    No segundo episódio da série Métricas de Avaliação para Machine Learning, exploramos um dos conceitos mais importantes para entender como modelos de classificação são avaliados: a Matriz de Confusão.

    Antes de falar sobre Acurácia, Precisão, Recall ou F1-Score, é fundamental compreender os quatro resultados possíveis de uma previsão:

    • Verdadeiro Positivo (VP)
    • Verdadeiro Negativo (VN)
    • Falso Positivo (FP)
    • Falso Negativo (FN)

    Ao longo do episódio, mostramos como a Matriz de Confusão compara a realidade com as previsões do modelo e por que diferentes tipos de erro podem ter impactos completamente distintos dependendo da aplicação.

    Utilizando exemplos práticos de diagnóstico médico e filtros de spam, discutimos por que nem todos os erros têm o mesmo custo e como essa análise serve de base para praticamente todas as métricas de classificação utilizadas em Machine Learning.

    Neste episódio

    • O que é uma Matriz de Confusão
    • Classes positivas e negativas
    • A diferença entre previsão e realidade
    • Verdadeiros Positivos e Verdadeiros Negativos
    • Falsos Positivos e Falsos Negativos
    • Por que alguns erros são mais graves do que outros
    • Como a Matriz de Confusão dá origem às principais métricas de classificação

    Série: Métricas de Avaliação para Machine Learning

    Episódio 1 — Por que Métricas Importam?

    Episódio 2 — Matriz de Confusão

    Próximo episódio: Acurácia — Quantos acertos o modelo teve?

    🎓 Conteúdo voltado para estudantes, pesquisadores, cientistas de dados, engenheiros de software e profissionais que desejam compreender os fundamentos da avaliação de modelos de Machine Learning e Inteligência Artificial.

    Show More Show Less
    22 mins
  • Por que métricas importam em Machine Learning? | Métricas para Machine Learning #01
    Jun 8 2026

    Você já viu alguém afirmar que um modelo de Machine Learning é excelente porque atingiu 99% de acurácia?

    Neste primeiro episódio da série Métricas para Machine Learning, discutimos por que essa conclusão pode estar completamente errada.

    A avaliação de modelos é uma das etapas mais importantes em qualquer projeto de Inteligência Artificial. No entanto, muitas vezes a atenção fica concentrada nos algoritmos, enquanto a escolha das métricas recebe menos atenção do que deveria.

    Ao longo deste episódio, exploramos o papel das métricas na avaliação de modelos, analisamos um exemplo clássico envolvendo diagnóstico médico, discutimos o impacto das classes desbalanceadas e mostramos por que diferentes aplicações exigem diferentes formas de avaliação.

    Também apresentamos uma visão geral das principais métricas que serão abordadas ao longo da série, incluindo Accuracy, Precision, Recall, F1-Score e ROC/AUC.

    Neste episódio

    • Por que métricas importam
    • Limitações da acurácia
    • Classes balanceadas e desbalanceadas
    • O custo dos erros em diferentes aplicações
    • Accuracy, Precision, Recall, F1 e ROC/AUC
    • Introdução à Matriz de Confusão

    Série: Métricas para Machine Learning

    Nesta série você aprenderá:

    • Matriz de Confusão
    • Acurácia (Accuracy)
    • Precisão (Precision)
    • Revocação (Recall)
    • F1-Score
    • ROC e AUC
    • Métricas para Regressão
    • Como escolher a métrica correta

    Porque em Machine Learning não existe a melhor métrica. Existe a métrica adequada para o seu problema.

    Show More Show Less
    20 mins
adbl_web_anon_alc_button_suppression_t1
No reviews yet