Vetores, matrizes e tensores aparecem como formas organizadas de guardar números. Você pratica operações que redes neurais usam o tempo todo, como produtos matriciais, formas de tensores e broadcasting.

Modelos lidam com incerteza, ruído e amostras incompletas. Aqui entram distribuições, média, variância, probabilidade condicional e a leitura correta de resultados experimentais.

Derivadas mostram como uma mudança pequena altera o erro de um modelo. Você conecta inclinação, gradiente e regra da cadeia ao processo real de ajuste dos pesos.

Antes das redes profundas, você constrói modelos lineares para prever números e classes. Isso cria a ponte natural entre estatística, aprendizado de máquina clássico e o primeiro neurônio artificial.

A história das redes neurais mostra por que certas ideias sumiram, voltaram e dominaram a prática moderna. O capítulo passa por perceptrons, backpropagation, invernos da IA, GPUs, ImageNet, transformers e modelos fundacionais.

Você monta uma rede densa pequena, passa dados por ela e vê como pesos, vieses, ativações e camadas se combinam. Ao final, você treina um classificador simples de ponta a ponta.

Backpropagation calcula como cada peso contribuiu para o erro final. Você acompanha o caminho do sinal para frente e do gradiente para trás usando grafos de computação.

O treinamento depende de escolher bons passos de atualização. Você compara descida do gradiente, mini-batches, momentum, RMSProp, Adam, taxas de aprendizado e agendamentos.

Bons resultados começam antes do modelo. Você trabalha com divisão treino-validação-teste, normalização, balanceamento, vazamento de dados, aumento de dados e versionamento de conjuntos.

Cada tarefa pede uma forma diferente de medir sucesso. Você usa acurácia, precisão, recall, F1, AUC, erro médio, log loss, perplexidade e calibração sem confundir métrica com objetivo real.

Redes profundas podem memorizar em vez de generalizar. Você usa regularização L1/L2, dropout, early stopping, batch normalization, data augmentation e validação cruzada quando fizer sentido.

Modelos modernos dependem de cálculo paralelo. Você usa GPUs, mini-batches, mixed precision, memória de dispositivo e perfis simples para treinar mais rápido sem desperdiçar recursos.

Projetos confiáveis precisam ser fáceis de repetir. Você organiza código em PyTorch, controla sementes, salva checkpoints, registra experimentos e separa treino, avaliação e inferência.

Redes convolucionais aproveitam padrões locais em imagens. Você usa convoluções, filtros, pooling, padding e arquiteturas como LeNet, VGG, ResNet e EfficientNet.

Visão computacional não termina em dizer o que há na foto. Você trabalha com detecção de objetos, segmentação semântica, segmentação de instâncias, keypoints e métricas como IoU e mAP.

Representações internas explicam por que uma rede consegue transferir conhecimento. Você usa embeddings, camadas intermediárias, transfer learning e fine-tuning em modelos pré-treinados.

Autoencoders comprimem dados e ajudam a revelar estruturas escondidas. Você usa codificadores, decodificadores, denoising autoencoders e VAEs para redução de dimensão, reconstrução e geração simples.

GANs colocam duas redes em disputa para criar exemplos realistas. Você pratica gerador, discriminador, instabilidade de treino, mode collapse e usos em imagem, dados sintéticos e transferência de estilo.

Texto precisa virar números antes de entrar em uma rede. Você usa tokenização, vocabulários, embeddings, n-gramas neurais e modelos de linguagem simples para prever a próxima palavra.

Redes recorrentes processam dados na ordem em que aparecem. Você usa RNNs, LSTMs, GRUs, estados ocultos e modelos sequence-to-sequence para texto, sinais e séries temporais.

Mecanismos de atenção deixam o modelo escolher quais partes da entrada importam mais. Você calcula queries, keys, values, atenção mascarada e atenção multi-head antes de chegar aos transformers.

Transformers substituíram muitas arquiteturas antigas em texto, visão, áudio e código. Você constrói blocos com atenção, feed-forward, normalização, positional encoding e mascaramento causal.

Muitos avanços recentes vêm de criar tarefas de treino a partir dos próprios dados. Você usa aprendizado contrastivo, masked modeling, pretext tasks e pré-treinamento que reduz dependência de rótulos manuais.

Modelos de linguagem grandes combinam pré-treinamento massivo, escala e prompting. Você trabalha com tokens, janelas de contexto, temperatura, top-p, instruções, limites de alucinação e custo de inferência.

Ajustar um modelo grande exige cuidado para não gastar demais nem destruir capacidades anteriores. Você usa fine-tuning supervisionado, LoRA, adapters, QLoRA, congelamento de camadas e avaliação antes e depois do ajuste.

RAG combina busca em documentos com geração de texto. Você cria chunks, embeddings, índices vetoriais, recuperação, reordenação, citações, avaliação de respostas e tratamento de fontes ruins.

Sistemas conversacionais precisam obedecer instruções, recusar pedidos perigosos e manter qualidade. Você cobre RLHF, DPO, red teaming, avaliações humanas, políticas de segurança e trade-offs entre utilidade e risco.

Modelos de difusão geram imagens, áudio e outros dados removendo ruído passo a passo. Você usa processos direto e reverso, U-Net, schedulers, guidance, condicionamento por texto e avaliação de qualidade.

Modelos multimodais ligam texto, imagem, áudio e vídeo no mesmo sistema. Você usa encoders compartilhados, contrastive learning, vision-language models, captioning, VQA e limites de confiabilidade.

Áudio tem estrutura própria e pede representações próprias. Você trabalha com waveform, espectrogramas, reconhecimento de fala, síntese de voz, separação de fontes e métricas de qualidade sonora.

Séries temporais exigem respeitar a ordem e o futuro desconhecido. Você usa janelas, validação temporal, previsão, detecção de anomalias, modelos recorrentes, transformers temporais e incerteza.

Sistemas de recomendação combinam preferência, contexto e ranking. Você usa embeddings de usuários e itens, modelos two-tower, negative sampling, reranking, feedback implícito e métricas offline e online.

Aprendizado por reforço profundo treina agentes por recompensa. Você usa ambientes, estados, ações, políticas, Q-learning profundo, policy gradients, actor-critic e problemas de exploração.

Muitos dados reais são redes de relações, não tabelas simples. Você usa grafos, vizinhanças, message passing, GCNs, GraphSAGE, GATs e aplicações em fraude, moléculas e redes sociais.

Modelos grandes nem sempre cabem no produto final. Você usa quantização, pruning, distillation, sparsity, batching e escolhas de arquitetura para reduzir custo, latência e consumo de memória.

Explicações ajudam a encontrar erro, viés e comportamento inesperado. Você usa saliency maps, Grad-CAM, SHAP, análise de embeddings, exemplos contrafactuais e testes por subgrupos.

Modelos podem falhar com dados fora do padrão ou ataques planejados. Você cobre exemplos adversariais, prompt injection, data poisoning, extração de modelos, detecção de out-of-distribution e testes de robustez.

Deep learning mexe com dados pessoais, direitos autorais e decisões que afetam pessoas. Você trata anonimização, privacidade diferencial, aprendizado federado, consentimento, viés, documentação de dados e prestação de contas.

Um modelo só gera valor quando alguém consegue usá-lo com estabilidade. Você empacota inferência, cria APIs, usa filas, batch serving, streaming, cache, GPUs em produção e testes de carga.

Depois do lançamento, o mundo muda e o modelo envelhece. Você monitora drift, qualidade, latência, custo, logs, feedback de usuários, alertas, rollback e ciclos de retreinamento.

Você percorre um projeto real desde o problema até a entrega. O fluxo inclui definir a pergunta, coletar dados, criar baseline, treinar, avaliar, explicar, implantar, monitorar e documentar decisões.

A carreira em deep learning tem papéis diferentes em pesquisa, engenharia, produto e dados aplicados. Você monta portfólio, lê artigos, acompanha benchmarks, contribui com projetos, avalia certificações úteis e planeja os próximos estudos.