sábado, 4 de abril de 2026

Políticas Públicas no Brasil: conceito, implementação e os fatores que explicam sua centralidade

Como o Estado transforma demandas sociais em ação — e por que esse processo é tão complexo no contexto brasileiro

Introdução

Falar de políticas públicas é, em essência, falar sobre a forma como a sociedade tenta responder aos seus próprios problemas por meio da ação do Estado. Quando faltam serviços, quando direitos não chegam à população, quando há desigualdade, violência, degradação ambiental ou exclusão social, a pergunta central deixa de ser apenas “qual é o problema?” e passa a ser: o que será feito, por quem, para quem e com quais resultados?

É exatamente nesse ponto que entram as políticas públicas. Elas não são apenas programas de governo, promessas eleitorais ou decisões administrativas isoladas. Elas representam diretrizes construídas para enfrentar problemas públicos concretos, envolvendo escolhas, prioridades, disputas, limitações e mecanismos de implementação. O tema, portanto, não pertence apenas ao universo da administração pública. Ele atravessa a política, a economia, a burocracia, a cultura institucional e, sobretudo, a vida cotidiana da população.

No Brasil, a discussão se torna ainda mais relevante. Trata-se de um país marcado por profundas desigualdades regionais e sociais, grande diversidade territorial, disputas federativas, forte presença burocrática e, ao mesmo tempo, exigência crescente por participação social. Nesse cenário, compreender o conceito de políticas públicas, as particularidades de sua implementação e os fatores que impulsionam sua adoção não é apenas um exercício acadêmico. É uma chave interpretativa para entender como o Estado brasileiro funciona — e, muitas vezes, por que falha.

Este artigo examina, de modo jornalístico e didático, três eixos centrais: o conceito de políticas públicas, as especificidades de sua implementação e os fatores que motivam sua implantação no Brasil, com base no material de referência apresentado.

1. O que são políticas públicas, afinal?

Antes de compreender o que é uma política pública, é necessário entender o que está por trás da própria ideia de política. O texto-base lembra que política está diretamente relacionada ao poder, à autoridade, aos governantes e aos processos de decisão que moldam a vida coletiva. A ciência política, nesse sentido, estuda sistemas de governo, comportamento político, disputas e distribuição de poder .

Essa observação é importante porque políticas públicas não nascem no vazio. Elas surgem dentro de relações de poder. Não são neutras. Não são automáticas. Não são meramente técnicas. Elas resultam de escolhas feitas em contextos políticos concretos.

A literatura destaca que políticas públicas podem ser entendidas como uma diretriz elaborada para enfrentar um problema público . Mais do que isso, autores reunidos por Souza apontam uma linha comum: o governo aparece como promotor de ações que influenciam a vida dos cidadãos, ao passo que a formulação de políticas públicas envolve responder perguntas como: quem ganha o quê, por quê e que diferença isso faz .

Essa formulação é extremamente reveladora. Ela desmonta a visão ingênua segundo a qual política pública seria apenas “fazer o bem”. Na prática, toda política pública seleciona prioridades, define públicos, distribui recursos, estabelece critérios e produz efeitos desiguais. Uma política habitacional, por exemplo, não alcança todos da mesma forma. Uma política educacional beneficia grupos em intensidades diferentes. Uma política de assistência social também estabelece recortes, mecanismos de acesso e formas de operacionalização.

Por isso, políticas públicas devem ser vistas como instrumentos por meio dos quais o Estado busca intervir na realidade coletiva, enfrentando problemas considerados relevantes do ponto de vista social.

2. Os dois elementos centrais de uma política pública

A literatura apresenta dois elementos fundamentais que ajudam a definir com precisão uma política pública: intencionalidade pública e problema público .

A intencionalidade pública corresponde à motivação para estabelecer ações voltadas ao tratamento ou à resolução de um problema. Em outras palavras, não basta que um problema exista; é preciso que haja vontade política, administrativa e institucional para enfrentá-lo.

Já o problema público é definido como a diferença entre a situação atual vivida e uma situação ideal possível para a coletividade . Essa ideia é crucial. Nem toda dificuldade social se converte automaticamente em problema público. Um problema passa a ser público quando atores políticos e institucionais o reconhecem como inadequado e relevante para o conjunto da sociedade ou para grupos sociais cuja situação exige resposta estatal .

Aqui está um dos pontos mais importantes do debate: a realidade social, por si só, não gera automaticamente uma política pública. Entre o sofrimento social e a ação estatal existe um processo de reconhecimento, disputa e definição. Isso significa que muitas situações graves permanecem invisibilizadas durante anos até que movimentos sociais, imprensa, especialistas, organizações civis ou setores do Estado consigam transformá-las em prioridade pública.

É como se a sociedade estivesse cheia de dores silenciosas, mas apenas algumas delas fossem “ouvidas” pelo sistema político. As políticas públicas começam justamente quando uma dessas dores deixa de ser tratada como fatalidade privada e passa a ser reconhecida como questão coletiva.

3. Política pública não é sinônimo de improviso estatal

Há um erro comum no debate público brasileiro: imaginar que qualquer ação do governo seja, automaticamente, uma política pública. Não é bem assim. Uma política pública pressupõe orientação, intencionalidade, articulação e finalidade voltada a um problema público. Ela não se resume a uma decisão isolada, nem a um gesto administrativo pontual.

A literatura também chama atenção para críticas às definições que enfatizam excessivamente os aspectos racionais e procedimentais das políticas públicas. Alguns autores argumentam que tais abordagens superestimam a racionalidade governamental e obscurecem o caráter conflituoso das decisões públicas .

Essa ressalva é importante porque políticas públicas não se desenvolvem em laboratório. Elas são produzidas em arenas reais, cheias de tensões. Há interesses divergentes, restrições de orçamento, disputas ideológicas, mudanças de governo, pressão de grupos organizados e resistência burocrática. Em tese, uma política pública pode ser desenhada de forma impecável no papel. Na prática, porém, ela pode fracassar por falta de apoio político, por desenho institucional ruim ou por incapacidade de execução.

Por isso, compreender políticas públicas exige olhar menos para o discurso oficial e mais para o percurso concreto entre decisão e resultado.

4. A implementação: o momento em que a política sai do papel

Se a formulação é o desenho, a implementação é o teste da realidade. O material define a implementação como o momento em que as decisões de políticas se traduzem em ações . Essa definição parece simples, mas carrega enorme densidade analítica.

Muita coisa pode parecer resolvida no plano da formulação. O problema foi reconhecido, a proposta foi elaborada, a lei foi aprovada, o programa foi anunciado. Mas nada disso garante, por si só, que a política funcionará. A implementação é justamente a travessia entre a intenção e o efeito.

É nessa fase que aparecem perguntas decisivas. Há estrutura administrativa suficiente? Os agentes executores entendem seus papéis? Existe orçamento? Há cooperação entre órgãos? O território está preparado para receber a política? Os públicos destinatários conseguem acessar os serviços? Há conflito entre atores? A burocracia facilita ou bloqueia?

A literatura insiste que esse processo é dinâmico e não linear . Isso quer dizer que implementação não ocorre como uma linha reta, previsível e mecânica. Ela sofre ajustes, desvios, resistências, adaptações e reinterpretações ao longo do caminho. A política pública, quando chega ao mundo concreto, encontra pessoas, instituições, culturas administrativas, desigualdades regionais e correlações de força. Em outras palavras: encontra o Brasil real.

5. Quatro particularidades centrais da implementação das políticas públicas

A literatura apresenta quatro fatores contextuais que exigem atenção especial na implementação. Eles ajudam a entender por que algumas políticas prosperam e outras emperram.

5.1 Grau de estabilidade política

Segundo os autores, um ambiente é mais propício à implementação de uma política pública quando há apoio político forte aos resultados pretendidos e quando a capacidade burocrática para tarefas analíticas e de implementação também é robusta .

Isso significa que políticas públicas não dependem apenas de boas ideias, mas também de sustentação política e administrativa. Uma política de saúde, por exemplo, pode ter excelente desenho técnico, mas, se for lançada em meio a crise institucional, fragmentação política ou baixa coordenação governamental, suas chances de êxito diminuem drasticamente.

A estabilidade política funciona, portanto, como o solo sobre o qual a política tenta se firmar. Sem esse solo minimamente sólido, a implementação tende a ser errática.

5.2 Mudanças no ambiente político e econômico externo

A literatura aponta que o ambiente político e econômico externo pode mudar de forma lenta ou rápida, e que esse ritmo de mudança interfere nas perspectivas de implementação .

Essa observação é especialmente atual. Uma política pública pode ser concebida em determinado contexto fiscal, institucional ou social e, pouco depois, ter de enfrentar inflação, crise econômica, mudança de governo, calamidade pública ou reorientação de prioridades. O ambiente externo muda as condições do jogo.

Em termos jornalísticos, a política pública vive num terreno movediço. Não basta ter mapa; é preciso conseguir caminhar enquanto o chão se desloca.

5.3 Abertura do processo de políticas públicas

A literatura também destaca a abertura do processo, isto é, o grau em que a formulação e implementação são influenciadas por uma série de atores, e não por uma base decisória estreita .

Em países com diversidade cultural e ideológica, presença de organizações não governamentais e liberdade de imprensa, a formulação tende a ser moldada por muitos atores . Isso traz ganhos democráticos, mas também amplia a complexidade. Quanto mais atores, mais negociação. Quanto mais pluralidade, mais conflito e mais necessidade de coordenação.

Essa é uma característica forte do Brasil contemporâneo. Conselhos, conferências, movimentos sociais, imprensa, tribunais, órgãos de controle, entidades de classe e diferentes níveis de governo entram no jogo. A política pública deixa de ser apenas uma decisão do alto e passa a ser um campo de mediação contínua.

5.4 Grau de descentralização do setor público

Outro fator decisivo é o grau de descentralização. A literatura afirma que essa descentralização afeta a forma como decisões são tomadas, recursos são mobilizados e atores administrativos e não burocráticos participam da implementação .

No Brasil, isso tem peso enorme. Um país federativo, extenso e desigual como o nosso não implementa políticas públicas do mesmo modo em todos os territórios. A política formulada nacionalmente precisa ser operacionalizada por estados, municípios, redes locais e estruturas administrativas muito heterogêneas.

A descentralização pode ser uma virtude, porque aproxima a política das realidades concretas. Mas também pode ser um desafio, porque amplia a dependência de coordenação, capacidade institucional e cooperação entre entes federativos.

6. Implementar é administrar? Sim. Mas não apenas isso

Um dos méritos da literatura é mostrar que o problema da implementação não é apenas técnico. A literatura afirma que, em primeiro lugar, é preciso verificar se a natureza do problema é administrativo-organizacional e se sua solução depende da especificação de objetivos e do controle de subordinados. Em segundo lugar, deve-se analisar se o problema decorre de conflito de interesses .

Essa distinção é extremamente importante. Há políticas que falham porque faltam estrutura, metas claras, coordenação, sistemas de informação e pessoal capacitado. Mas há outras que falham porque os atores envolvidos simplesmente não querem a mesma coisa.

Em certos casos, a política fracassa por desorganização. Em outros, fracassa por disputa.

O própria literatura propõe que a solução, nesses casos, é construir instituições ou mecanismos que criem um contexto de cooperação entre os participantes . Essa formulação é valiosa porque aponta para uma lição ampla: políticas públicas eficazes dependem tanto de desenho institucional quanto de capacidade de produzir cooperação.

7. O Brasil e a multiplicidade das políticas públicas

A literatura apresenta uma longa relação de políticas públicas nacionais, tanto as regulamentadas em legislação específica quanto aquelas não regulamentadas formalmente por lei específica, abrangendo áreas como meio ambiente, recursos hídricos, resíduos sólidos, educação ambiental, defesa civil, pessoa idosa, deficiência, cultura, drogas, assistência social, saúde bucal, educação inclusiva, atenção básica, habitação e juventude .

Essa multiplicidade revela algo importante: o Estado brasileiro não atua apenas em uma frente. Ele opera em várias dimensões da vida coletiva. Isso reforça a amplitude do conceito de política pública. Há políticas distributivas, regulatórias, protetivas, educacionais, ambientais, sanitárias, assistenciais e territoriais.

Mais que isso, a lista mostra que as políticas públicas brasileiras foram se consolidando como instrumentos de resposta a problemas historicamente negligenciados. Ao longo do tempo, o Estado ampliou seu raio de ação e passou a incorporar temas ligados a vulnerabilidade, direitos sociais, inclusão e proteção.

Essa ampliação, porém, não elimina contradições. Muitas vezes o país produz avanços normativos expressivos sem conseguir assegurar, com a mesma intensidade, a implementação uniforme e eficaz desses direitos.

8. Assistência social: um exemplo revelador da política pública brasileira

Com a Constituição Federal de 1988, afirma o texto, o país passou a viver uma nova concepção de assistência social, incorporada ao âmbito da Seguridade Social e regulamentada pela Lei Orgânica da Assistência Social (LOAS), de 1993, como política social pública, no campo dos direitos, da universalização dos acessos e da responsabilidade estatal .

Essa passagem é central. Ela mostra que políticas públicas não são apenas instrumentos de gestão; elas também expressam mudanças de paradigma. No caso da assistência social, a transição foi profunda: da lógica de favor ou caridade para a lógica de direito.

A Política Nacional de Assistência Social (PNAS), segundo o texto, tem por objetivo prover serviços, benefícios e projetos de proteção social básica e especial para famílias, indivíduos e grupos . A LOAS define a assistência social como direito do cidadão e dever do Estado, política de seguridade social não contributiva, destinada a garantir o atendimento às necessidades básicas .

Isso muda tudo. Quando uma política pública se afirma como direito, o Estado deixa de agir apenas quando deseja ou quando convém politicamente; ele passa a ter responsabilidade institucional diante da cidadania.

9. Quem motiva a implementação das políticas públicas no Brasil?

Chegamos aqui ao terceiro eixo central do artigo: os fatores que motivam a implementação das políticas públicas no Brasil. O material permite identificar, ao menos, seis grandes vetores.

9.1 A existência de problemas públicos concretos

A primeira motivação é o próprio problema público. A política pública nasce da percepção de que existe uma distância entre a realidade vivida e a situação ideal possível para a coletividade . Em outras palavras, o Estado age quando determinadas condições sociais se tornam insustentáveis ou politicamente relevantes.

9.2 A intencionalidade pública

Não basta haver problema. É preciso haver decisão de enfrentá-lo. O material chama isso de intencionalidade pública . Assim, a implementação também é motivada por vontade política, formulação institucional e reconhecimento de que determinada questão exige ação pública.

9.3 As demandas da sociedade

A literatura é explícito ao dizer que a forma como o problema de implementação é concebido é moldada a partir de uma análise das demandas da sociedade . Isso quer dizer que a pressão social, as necessidades coletivas e a mobilização da população têm papel decisivo.

Políticas públicas não surgem apenas por iniciativa espontânea da burocracia. Frequentemente, são resultado de reivindicações acumuladas, conflitos sociais, denúncias públicas e demandas historicamente construídas.

9.4 A ampliação do papel democrático do Estado

Nos últimos tempos, a administração das políticas públicas se tornou mais democrática, com o Estado desenvolvendo um papel mais próximo da sociedade civil organizada, em uma política menos centralizada e com maior participação popular .

Esse fator é decisivo. Quanto maior a participação social, maior a chance de novos temas ganharem centralidade na agenda pública. A implementação, nesse sentido, é motivada também pela democratização dos mecanismos de escuta, deliberação e pressão.

9.5 A institucionalização de direitos

No caso brasileiro, muitas políticas públicas foram impulsionadas pela constitucionalização de direitos e pela criação de marcos legais específicos. A Constituição de 1988, a LOAS, o ECA, o Estatuto do Idoso e outras normas citadas no texto revelam que a implementação muitas vezes decorre da necessidade de tornar efetivos direitos já reconhecidos no plano jurídico .

9.6 A atuação da sociedade civil organizada

Muitas conquistas são resultado de organizações civis que alcançaram políticas por meio de referendos, protestos e manifestos . Esse ponto é essencial. No Brasil, a implementação de políticas públicas não pode ser compreendida apenas de cima para baixo. A sociedade civil tem papel concreto na abertura da agenda, na pressão por regulamentação e na cobrança por execução.

10. As fragilidades estruturais das políticas públicas brasileiras

Embora o texto reconheça avanços, ele também aponta problemas sérios. Duas características fundamentais das políticas públicas brasileiras são destacadas: fragmentação e descontinuidade administrativa .

A fragmentação decorre, muitas vezes, das divergências entre agências de controle e da própria complexidade burocrática . Isso gera sobreposição de competências, ruído decisório, lentidão administrativa e dificuldade de coordenação.

Já a descontinuidade administrativa significa que políticas públicas frequentemente passam a ser pensadas e reorganizadas de acordo com o interesse dos gestores de ocasião, sofrendo alterações a cada mudança de cargo ou de governo .

Essa talvez seja uma das maiores tragédias silenciosas da gestão pública brasileira. Quando cada gestão age como se o Estado começasse nela, perde-se continuidade, memória institucional e capacidade de consolidar resultados duradouros. Políticas públicas exigem tempo. Mas o tempo da política eleitoral, muitas vezes, é curto demais para o tempo da transformação social.

11. Entre a promessa e a prática: por que o tema continua decisivo?

Em uma leitura mais crítica, o estudo das políticas públicas revela algo maior: a qualidade da democracia não se mede apenas pela existência de eleições, mas também pela capacidade do Estado de converter direitos em experiências concretas de cidadania.

Não basta reconhecer a educação como direito se a escola não chega com qualidade. Não basta reconhecer a assistência social como dever do Estado se o acesso é precário. Não basta legislar sobre meio ambiente se a implementação é frouxa. Não basta criar políticas inclusivas se a execução é desigual e descontinuada.

As políticas públicas são, nesse sentido, o ponto de prova do Estado. É nelas que a promessa constitucional encontra — ou não — a realidade social. Elas são a ponte entre norma e vida. E toda ponte mal construída não apenas falha: ela expõe a população ao abismo entre o direito formal e a experiência concreta.

Conclusão

Políticas públicas são instrumentos centrais da ação estatal voltados ao enfrentamento de problemas públicos relevantes. Seu conceito repousa na combinação entre intencionalidade pública e reconhecimento de problemas coletivos que demandam resposta institucional. Mais do que ações dispersas, elas representam diretrizes orientadas por escolhas políticas, disputas de interesse e objetivos de intervenção social.

Sua implementação, porém, está longe de ser automática. Trata-se de um processo dinâmico, não linear, condicionado pela estabilidade política, pelas mudanças no ambiente externo, pela abertura do processo decisório e pelo grau de descentralização do setor público. Implementar políticas públicas significa transformar decisões em ação concreta, o que exige capacidade burocrática, coordenação, cooperação institucional e sensibilidade às realidades territoriais.

No Brasil, a implementação das políticas públicas é motivada por múltiplos fatores: a existência de problemas públicos, as demandas sociais, a institucionalização de direitos, a pressão da sociedade civil e a ampliação do papel democrático do Estado. Ao mesmo tempo, esse processo enfrenta obstáculos históricos, como fragmentação burocrática e descontinuidade administrativa, que comprometem a efetividade de muitas iniciativas.

A grande questão, no fundo, é simples e profunda ao mesmo tempo: um Estado só se justifica plenamente quando consegue responder, com consistência e continuidade, às necessidades da população. É por isso que o debate sobre políticas públicas permanece tão atual. Ele não trata apenas de governo. Trata de cidadania, justiça social, prioridade pública e responsabilidade histórica. Em um país desigual como o Brasil, discutir políticas públicas é discutir o próprio sentido da democracia em funcionamento.

Referência

TEIXEIRA, Vanessa Ramos. Elaboração e implementação de políticas públicas.

Artigo 4.1 — Série: Como as máquinas aprendem - Aprender não é a mesma coisa para humanos e máquinas

Uma leitura filosófica e humanística sobre por que a eficácia algorítmica não elimina a singularidade da experiência, do sentido e da agência humana

Índice

Lide

Uma das maiores confusões do debate contemporâneo sobre inteligência artificial nasce quando se usa a mesma palavra — aprender — para designar processos profundamente diferentes. No caso humano, aprender envolve experiência encarnada, linguagem situada, memória biográfica, valores, intenção, imaginação, responsabilidade e inserção no mundo. No caso da máquina, aprender significa ajustar parâmetros com base em dados, otimizar uma função objetivo e melhorar desempenho em uma tarefa delimitada. Essa diferença não é um detalhe semântico. É uma distinção filosófica decisiva. Emily Bender e Alexander Koller argumentam que sistemas treinados apenas sobre forma não têm, a priori, acesso ao significado; Teppo Felin e Matthias Holweg sustentam que a cognição humana depende de raciocínio causal orientado por teorias, e não apenas de previsão a partir de dados; a UNESCO insiste, em sua agenda recente sobre IA e educação, que a preservação da agência humana deve permanecer central em um mundo de automação. (ACL Anthology)

Introdução: o problema não é apenas técnico

No senso comum, costuma-se dizer que um modelo “aprendeu” quando ele melhora seu desempenho. Do ponto de vista técnico, essa frase pode ser aceitável. Mas, do ponto de vista filosófico, ela é insuficiente. O perigo começa quando a linguagem técnica migra sem crítica para o plano antropológico e passa a sugerir que aprender, para a máquina, é algo do mesmo tipo que aprender, para uma pessoa. Não é. A UNESCO, ao tratar de IA e educação em 2025, insistiu precisamente na necessidade de preservar a agência humana em um mundo de automação, o que já indica que a questão não é apenas funcional, mas humana e política. (UNESCO)

Essa diferença importa porque a sociedade começa a transferir para sistemas algorítmicos funções que antes dependiam de julgamento, interpretação, deliberação e responsabilidade. Se não se distingue adequadamente o que a máquina faz do que o humano faz, instala-se uma ilusão perigosa: a de que eficiência estatística seria equivalente a compreensão, e a de que previsão algorítmica seria equivalente a sabedoria prática. A crítica filosófica, aqui, não serve para negar a utilidade dos sistemas de IA, mas para colocá-los em seu devido lugar. (SSRN)

Quando se diz que uma máquina aprende, o que isso realmente significa

No plano técnico, machine learning designa métodos pelos quais modelos ajustam parâmetros a partir de dados para melhorar desempenho em tarefas específicas, como classificação, regressão, agrupamento ou decisão sequencial. Isso significa que “aprender”, no caso da máquina, é uma forma de otimização computacional: reduzir erro, maximizar recompensa, encontrar padrões ou construir representações úteis. Trata-se de um conceito operacional e matemático, não existencial. Essa descrição é consistente com a formulação técnica contemporânea do campo e com a crítica de Stuart Russell ao modo como a IA foi historicamente tratada como uma tecnologia de objetivos rigidamente definidos. (People EECS Berkeley)

O ponto decisivo é que esse aprendizado não envolve, por si, interioridade, sofrimento, intenção moral, consciência histórica ou vivência do mundo. A máquina modifica pesos, coeficientes, políticas e fronteiras de decisão. Ela pode tornar-se muito eficaz nesse processo. Mas eficácia não é experiência. Desempenho não é sentido. Essa distinção aparece com força na crítica de Bender e Koller, que afirmam que sistemas treinados apenas sobre forma não têm acesso a priori ao significado. (ACL Anthology)

Aprendizagem humana: experiência, corpo, linguagem e mundo

A aprendizagem humana não é apenas acúmulo de correlações. Ela se dá em corpos situados, em histórias concretas, em linguagens vivas, em práticas sociais e em horizontes de sentido. Aprende-se com o erro, mas também com a dor, com o desejo, com a imitação, com a memória, com a cultura, com a relação com os outros e com a capacidade de reinterpretar o vivido. Quando um ser humano aprende, ele não apenas ajusta uma resposta: ele transforma sua relação com o mundo.

É justamente aqui que as críticas mais sofisticadas à antropomorfização da IA ganham peso. Bender e Koller argumentam que significado não pode ser reduzido à mera manipulação de forma linguística, porque o sentido depende de referência ao mundo e de intenção comunicativa. Felin e Holweg, por sua vez, sustentam que a cognição humana é teoricamente orientada, causal e prospectiva, e não apenas uma função de dados passados. Em outras palavras, o humano aprende também porque interpreta, projeta, imagina e age sobre o real. (ACL Anthology)

Aprendizagem de máquina: ajuste estatístico, otimização e desempenho

A aprendizagem de máquina, ao contrário, não nasce da experiência vivida, mas da exposição a dados e da atualização de parâmetros em função de um objetivo formal. Um modelo supervisionado aprende aproximando entradas e saídas. Um modelo não supervisionado aprende encontrando estruturas em dados não rotulados. Um agente por reforço aprende maximizando recompensa em um ambiente. Em todos os casos, o que existe é uma arquitetura de ajuste. A máquina não se transforma existencialmente; ela recalibra seu comportamento estatístico.

Isso não é pouco. Em muitos domínios, essa forma de aprendizagem é extraordinariamente eficaz. Mas sua eficácia não deve ser confundida com equivalência antropológica. Ela opera em outro registro. Como sintetizam Bender e Koller, sistemas treinados apenas sobre forma podem ser muito úteis sem que isso implique entendimento humano do que processam. (ACL Anthology)

Forma não é sentido: a crítica de Emily Bender e Alexander Koller

Entre os autores mais importantes para essa discussão estão Emily M. Bender e Alexander Koller. No artigo “Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data”, eles argumentam que um sistema treinado apenas sobre forma não tem, a priori, como aprender significado. O ponto central do texto é que a correlação estatística entre formas linguísticas não basta para produzir compreensão no sentido humano forte. (ACL Anthology)

A força dessa crítica está em mostrar que linguagem humana não é apenas sequência formal de símbolos. Ela envolve intenção, contexto, referência e inserção no mundo. Um modelo pode prever a próxima palavra com grande competência e, ainda assim, não “entender” como um humano entende. Essa diferença é especialmente importante hoje, quando a fluência verbal dos grandes modelos de linguagem frequentemente produz a ilusão de interioridade. Bender insiste, inclusive em debates mais recentes sobre “stochastic parrots”, que a ausência de vida mental própria não é um insulto ao sistema, mas uma descrição estrutural do seu funcionamento. (Jornal de Mídia Interativa na Educação)

Causalidade, teoria e imaginação: a crítica de Teppo Felin e Matthias Holweg

Se Bender e Koller insistem na diferença entre forma e significado, Teppo Felin e Matthias Holweg aprofundam a diferença entre previsão algorítmica e cognição humana ao enfatizar o papel das teorias, das crenças e do raciocínio causal. Em “Theory Is All You Need: AI, Human Cognition, and Causal Reasoning”, eles argumentam que a cognição humana é guiada por estruturas teóricas que permitem interpretar o mundo, fazer experimentação dirigida e gerar novidade, ao passo que a IA, em geral, é retroativa e dependente de dados históricos. (Boston University)

Essa crítica é muito importante porque recoloca a imaginação e a causalidade no centro da diferença entre humanos e máquinas. O humano não apenas detecta padrões no passado; ele formula hipóteses, age com base em crenças sobre o que ainda não ocorreu, constrói explicações e tenta intervir no mundo. A máquina, na maior parte dos casos, é extraordinariamente boa em inferir regularidades a partir do que já foi observado. O humano, porém, pode decidir contra a regularidade, inventar novas categorias e agir orientado por teoria, valor ou visão de futuro. (SSRN)

O humano não é uma função de recompensa: a advertência de Stuart Russell

Stuart Russell oferece outra contribuição decisiva a essa discussão. Em Human Compatible, ele argumenta que o problema da IA não pode ser tratado como simples maximização de objetivos rigidamente fixados, porque sistemas muito competentes podem perseguir metas mal especificadas de maneira perigosa. Sua proposta de máquinas benéficas depende justamente da incerteza quanto às preferências humanas e da necessidade de cooperação com os humanos. (People EECS Berkeley)

Essa posição é filosoficamente relevante porque mostra que o humano não pode ser reduzido a um vetor simples de objetivos formalizáveis. A vida humana é ambígua, conflitiva, plural, histórica e valorativamente densa. Quando se supõe que uma máquina pode “aprender o que queremos” de modo direto e completo, subestima-se a complexidade do próprio querer humano. Russell, portanto, é importante não apenas como pesquisador de IA, mas como alguém que reconhece que a técnica precisa permanecer subordinada a uma compreensão mais profunda da condição humana. (People EECS Berkeley)

Miguel Nicolelis e a recusa da analogia simplista entre cérebro e computador

No debate brasileiro, Miguel Nicolelis se tornou uma das vozes mais contundentes contra a equiparação simplista entre cérebro humano e computador. Em entrevistas e intervenções recentes, ele tem rejeitado a ideia de que IA possa ser tratada como equivalente às capacidades do cérebro humano. Em 2024, Nicolelis afirmou que o cérebro é mais do que uma máquina computacional; em 2024 e 2026, textos e entrevistas sobre sua posição reiteraram a crítica à noção de que a IA seria “nem inteligente nem artificial” em sentido forte, justamente porque depende de produção humana e não possui a vitalidade cognitiva dos organismos. (Cofen)

Mesmo quando suas formulações assumem tom provocativo, o núcleo filosófico de sua crítica é claro: a inteligência humana não pode ser reduzida à computação estatística. O cérebro humano, para Nicolelis, não é apenas um processador de sinais, mas um sistema biológico, corporificado, inventivo e orientado à produção de conhecimento novo. Essa crítica se aproxima, por outra via, daquelas formuladas por Bender, Koller, Felin e Holweg: todas recusam a redução da vida cognitiva humana a um simples problema de correlação ou computação. (Brasil de Fato)

Por que a aprendizagem humana envolve sentido, valor e responsabilidade

Um ser humano não aprende apenas para otimizar desempenho. Aprende também para julgar, escolher, amar, resistir, criar, cuidar, interpretar, sofrer e responder pelos próprios atos. A aprendizagem humana é inseparável de um horizonte ético. Quando um médico aprende, não aprende só a detectar padrões em exames; aprende também prudência, responsabilidade, escuta e deliberação. Quando um professor aprende, não aprende apenas a transmitir conteúdo; aprende a ler contextos, acolher dificuldades e formar pessoas.

É exatamente esse tipo de dimensão que a UNESCO tenta preservar quando insiste, em sua agenda recente sobre IA e educação, na proteção da agência humana em um mundo de automação. A organização afirma que a IA pode complementar criatividade e reforçar a tomada de decisão humana, mas não deve apagar a centralidade da agência, da ética e dos direitos. Isso indica que a questão decisiva não é se a máquina pode ser muito eficaz, mas sob quais limites e sob qual ordenação humana essa eficácia será integrada à vida social. (UNESCO)

A máquina pode ser eficaz sem ser sujeito

Reconhecer a diferença entre aprendizagem humana e aprendizagem de máquina não exige negar a eficácia técnica da IA. Pelo contrário: é justamente porque os sistemas podem ser altamente eficazes que a distinção precisa ser preservada. Um sistema pode classificar imagens médicas, resumir textos, sugerir decisões e detectar padrões com notável desempenho. Mas isso não o transforma em sujeito moral, nem em consciência, nem em instância legítima de substituição integral do humano.

A distinção correta, portanto, não é entre “máquina inútil” e “humano superior” de forma vazia. A distinção correta é entre capacidade operacional e condição subjetiva. A máquina pode superar humanos em tarefas delimitadas e ainda assim permanecer incapaz de experiência, sentido, responsabilidade e valor. É precisamente essa nuance que desaparece quando o debate é dominado por slogans triunfalistas ou por metáforas mal controladas. (ACL Anthology)

Exemplo didático 1: aprender medicina não é o mesmo que reconhecer padrões clínicos

Um modelo treinado com milhares de exames pode aprender a reconhecer padrões associados a determinadas condições com grande precisão. Isso é extremamente útil. Mas um médico não aprende medicina apenas reconhecendo padrões. Ele aprende a interpretar sintomas em contexto, a ponderar incertezas, a conversar com pacientes, a deliberar diante de conflitos éticos e a assumir responsabilidade por decisões. O sistema algorítmico pode apoiar o raciocínio clínico; não o substitui integralmente enquanto prática humana complexa.

Esse exemplo ajuda a ver a diferença entre eficácia estatística e formação humana. O modelo aprende uma função. O médico aprende uma profissão, uma ética e uma forma de presença no mundo. A UNESCO, ao insistir na preservação da agência humana, oferece um enquadramento normativo justamente para esse tipo de situação. (UNESCO)

Exemplo didático 2: escrever não é apenas prever a próxima palavra

Grandes modelos de linguagem podem produzir textos fluidos, coerentes e, por vezes, elegantemente estruturados. Isso mostra uma capacidade impressionante de modelar padrões formais de linguagem. Mas escrever, para um humano, não é apenas prever a próxima palavra. É escolher um tom, assumir um ponto de vista, responder a um contexto, carregar uma memória, ter algo a dizer e responder publicamente por isso.

É exatamente aqui que a crítica de Bender e Koller ganha força: manipular forma linguística não equivale, por si, a compreender significado. Um texto pode parecer cheio de sentido e, ainda assim, nascer de mecanismos que não possuem intenção comunicativa própria nem referência vivida ao mundo. A fluência verbal da máquina é real; a interioridade que muitos projetam sobre ela não é demonstrada pelo simples desempenho textual. (ACL Anthology)

Humanidade, agência e educação na era da automação

A discussão sobre diferença entre humano e máquina torna-se especialmente sensível quando entra no campo da educação. Se aprender humanamente envolve formação de juízo, interpretação, autonomia e responsabilidade, então a escola e a universidade não podem ser reduzidas a centros de otimização de resposta. A UNESCO, em 2025, colocou exatamente esse ponto no centro do debate ao organizar seus eventos e diretrizes sobre IA e educação em torno da ideia de preservar a agência humana em um mundo de automação. (UNESCO)

Isso não significa rejeitar a tecnologia. Significa recusar a substituição da formação humana por uma lógica puramente instrumental. A IA pode ajudar a personalizar rotinas, ampliar acesso, apoiar pesquisa e automatizar tarefas. Mas educar continua sendo algo mais profundo do que otimizar desempenho. É formar sujeitos capazes de compreender, julgar, criar e responder por suas ações. Essa conclusão está em sintonia com a orientação normativa da UNESCO e com a própria crítica filosófica dos autores discutidos. (UNESCO)

Por que essa distinção importa para o debate público

No debate público, a confusão entre aprendizagem humana e aprendizagem de máquina tem efeitos concretos. Ela alimenta a fantasia de substituição integral do humano, enfraquece a percepção dos limites dos sistemas e favorece a transferência acrítica de autoridade para tecnologias altamente eficazes, porém ontologicamente distintas de nós. Quando se esquece essa diferença, corre-se o risco de naturalizar decisões automatizadas como se fossem equivalentes a julgamento humano.

É por isso que esta distinção não é apenas teórica. Ela é política, educacional e civilizatória. Preservar a diferença entre sujeito humano e sistema algorítmico não serve para frear conhecimento, mas para impedir que a linguagem da inovação dissolva a linguagem da responsabilidade. Uma sociedade madura em relação à IA não é a que idolatra a máquina nem a que a demoniza. É a que sabe exatamente o que ela faz, o que ela não faz e por que sua eficácia precisa permanecer submetida a finalidades humanas. (UNESCO)

Conclusão

O conceito de aprender, quando aplicado a humanos e máquinas, não pode ser usado de maneira indiferenciada. No humano, aprender é um processo vivido, encarnado, interpretativo, valorativo e historicamente situado. Na máquina, aprender é ajustar parâmetros, otimizar funções e melhorar desempenho em tarefas formalizadas. Essas duas coisas podem compartilhar analogias superficiais, mas pertencem a ordens distintas. Emily Bender e Alexander Koller lembram que forma não basta para significado; Teppo Felin e Matthias Holweg mostram que previsão baseada em dados não equivale à cognição humana causal e teórica; Stuart Russell adverte que preferências humanas não podem ser reduzidas ingenuamente a objetivos fixos de máquina; e a UNESCO insiste em que a agência humana deve permanecer central diante da automação. (ACL Anthology)

A máquina pode ser extraordinariamente eficaz. Pode superar humanos em tarefas delimitadas. Pode apoiar decisões, ampliar capacidades e transformar instituições. Mas por mais eficaz que seja, ela não substitui a singularidade da condição humana: a capacidade de atribuir sentido, de habitar um mundo, de sofrer, de imaginar, de deliberar, de criar fins e de responder moralmente por escolhas. No fim, a verdadeira reflexão não é se a máquina aprende “como nós”, mas se nós continuaremos capazes de lembrar aquilo que, ao aprender, só os humanos ainda podem ser. (UNESCO)

Referências

BENDER, Emily M.; KOLLER, Alexander. Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 2020. Disponível em: https://aclanthology.org/2020.acl-main.463/. Acesso em: 4 abr. 2026. (ACL Anthology)

FELIN, Teppo; HOLWEG, Matthias. Theory Is All You Need: AI, Human Cognition, and Causal Reasoning. 2024. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4737265. Acesso em: 4 abr. 2026. (SSRN)

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Artificial Intelligence Risk Management Framework (AI RMF 1.0). 2023. Disponível em: https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf. Acesso em: 4 abr. 2026. (UNESCO)

NICOLELIS, Miguel. Miguel Nicolelis: “É impossível que IA se torne melhor que o cérebro”. COFEN, 2024. Disponível em: https://www.cofen.gov.br/miguelnicolelis-e-impossivel-que-ia-se-torne-melhor-que-o-cerebro/. Acesso em: 4 abr. 2026. (Cofen)

NICOLELIS, Miguel. “O cérebro é um criador ativo do que existe aqui fora”. Brasil de Fato, 2024. Disponível em: https://www.brasildefato.com.br/2024/03/31/nicolelis-o-cerebro-e-um-criador-ativo-do-que-existe-aqui-fora-o-cerebro-planeja-o-futuro/. Acesso em: 4 abr. 2026. (Brasil de Fato)

ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT. AI Principles. 2024. Disponível em: https://www.oecd.org/en/topics/ai-principles.html. Acesso em: 4 abr. 2026. (Stanford HAI)

RUSSELL, Stuart. Human Compatible: Artificial Intelligence and the Problem of Control. 2019. Disponível em: https://people.eecs.berkeley.edu/~russell/papers/mi19book-hcai.pdf. Acesso em: 4 abr. 2026. (People EECS Berkeley)

UNESCO. International Day of Education 2025: AI and education — preserving human agency in a world of automation. 2025. Disponível em: https://www.unesco.org/en/articles/international-day-education-2025-ai-and-education-preserving-human-agency-world-automation. Acesso em: 4 abr. 2026. (UNESCO)

UNESCO. Artificial intelligence in education. 2025. Disponível em: https://www.unesco.org/en/digital-education/artificial-intelligence. Acesso em: 4 abr. 2026. (UNESCO)

Artigo 5 - Série: Como as Máquinas Aprendem - Por que os algoritmos erram: perda, ajuste e generalização

Aprender não é decorar: modelos podem falhar por simplificar demais, por se ajustar em excesso ao treino ou por generalizar mal diante do mundo real

Índice

Lide

Uma das maiores ilusões em torno do machine learning é imaginar que, depois de treinado, um modelo simplesmente “sabe” o que fazer. Não sabe. Ele apenas ajusta parâmetros para reduzir erro em uma tarefa delimitada. O problema é que reduzir erro no treinamento não basta. Um modelo pode parecer excelente dentro do laboratório e fracassar quando encontra dados novos. É por isso que três ideias se tornam centrais para compreender o aprendizado de máquina: perda, ajuste e generalização. A perda mede o quanto o modelo erra; o ajuste descreve como ele tenta corrigir esse erro; e a generalização mostra se o que foi aprendido realmente funciona fora do conjunto de treino. Sem esses três conceitos, não se entende nem a potência nem o limite dos algoritmos (Google, 2026a; Google, 2025a; Scikit-learn Developers, 2026a).

Introdução: errar faz parte do aprendizado de máquina

No senso comum, o erro costuma aparecer como sinal de fracasso. No machine learning, ele é parte constitutiva do processo. Um modelo aprende justamente porque erra, mede esse erro e ajusta seus parâmetros para tentar errar menos na próxima vez. Sem esse ciclo, não há treinamento real. É por isso que materiais introdutórios do Google definem o aprendizado de máquina como o processo de treinar um modelo para fazer previsões úteis a partir de dados, o que pressupõe comparação entre previsão e resultado desejado (Google, 2026a).

Mas há um ponto decisivo: errar menos no treino não significa, automaticamente, aprender melhor. Um modelo pode reduzir muito sua perda no conjunto de treinamento e, ainda assim, falhar ao encontrar novos dados. A literatura técnica chama atenção precisamente para esse problema ao discutir overfitting, isto é, o ajuste excessivo aos exemplos do treino, e a necessidade de separar treino, validação e teste para avaliar o comportamento do modelo fora da amostra usada no ajuste (Google, 2025a; Scikit-learn Developers, 2026a).

Essa tensão entre desempenho interno e capacidade de generalização está no coração do campo. Entendê-la é fundamental para abandonar a imagem ingênua do algoritmo infalível. O modelo não é um oráculo. É uma estrutura estatístico-computacional que pode acertar, errar, memorizar, simplificar demais ou ser enganada por padrões que não se sustentam fora do contexto em que foi treinada.

O que significa dizer que um modelo erra

Em termos simples, um modelo erra quando sua previsão não coincide, ou coincide mal, com o resultado esperado. Em classificação, isso pode significar rotular incorretamente um exemplo. Em regressão, pode significar prever um valor distante do valor real. Em ambos os casos, o erro não é uma impressão subjetiva; ele precisa ser quantificado por métricas específicas. O scikit-learn dedica uma seção inteira à avaliação de modelos e à quantificação da qualidade das previsões, justamente porque não existe aprendizado sério sem medida formal de desempenho (Scikit-learn Developers, 2026b).

O Google, ao apresentar métricas de classificação, mostra que a simples ideia de “acertou” ou “errou” pode ser insuficiente. Dependendo do problema, precisão, revocação e métricas relacionadas podem ser mais reveladoras do que a acurácia bruta, especialmente em bases desbalanceadas (Google, 2026b). Isso já indica algo importante: erro não é apenas desvio genérico. É desvio medido em função da tarefa, da métrica e do contexto.

Em outras palavras, o erro do modelo não é um acidente externo ao sistema. É uma propriedade mensurável de sua interação com os dados e com os critérios de avaliação definidos por humanos.

Perda: a medida formal do desvio

No treinamento, o erro costuma ser operacionalizado por meio de uma função de perda. Trata-se de uma regra matemática que traduz a distância entre a saída do modelo e o resultado esperado em um valor numérico que pode ser minimizado. O processo de treinamento tenta justamente encontrar parâmetros que reduzam essa perda ao longo do tempo (Google, 2025b; Google, 2025c).

Essa ideia é central porque transforma o aprendizado em problema de otimização. Em vez de perguntar, de modo abstrato, se o modelo “entendeu”, pergunta-se quanto ele se afastou da resposta desejada e como esse afastamento pode ser diminuído. A documentação do Google sobre regularização deixa isso explícito ao mostrar que o treinamento busca minimizar uma combinação entre perda e complexidade do modelo, o que já introduz a tensão entre acertar bem e não se tornar excessivamente complexo (Google, 2025c).

A perda, portanto, é como um termômetro do desajuste. Quanto maior ela é, mais distante o modelo está do comportamento esperado. Quanto menor, mais próximo parece estar. Mas esse “parece” é importante. Uma perda baixa no treino pode ser sinal de bom aprendizado, mas também pode ser sintoma de memorização excessiva. Por isso, a perda é necessária, porém insuficiente. Ela precisa ser lida junto com a capacidade de generalização.

Ajuste: quando o modelo tenta reduzir o erro

Uma vez medida a perda, o modelo precisa ajustar seus parâmetros internos. É esse processo que, em linhas gerais, constitui o aprendizado computacional. O sistema produz uma previsão, compara com o alvo, calcula a perda e modifica seus parâmetros para tentar melhorar. Esse ciclo se repete múltiplas vezes durante o treinamento. É o coração do ajuste iterativo descrito nos materiais introdutórios do Google e presente também no ecossistema do scikit-learn em suas rotinas de fit, seleção e avaliação de modelos (Google, 2026a; Scikit-learn Developers, 2026c).

O ponto importante aqui é que ajustar não é compreender. O modelo não formula hipóteses filosóficas sobre o fenômeno. Ele apenas se recalibra para reduzir desvio segundo uma função objetivo. Em alguns casos, esse ajuste ocorre sobre coeficientes lineares; em outros, sobre árvores, margens de separação, vizinhanças ou pesos em múltiplas camadas. A forma muda, mas a lógica permanece: otimizar desempenho diante de dados.

Talvez a melhor metáfora seja a de um arco e flecha. Cada disparo informa o quão longe a flecha caiu do alvo. O arqueiro ajusta a mira, a força e a inclinação. O modelo faz algo análogo, mas em linguagem matemática. O alvo, aqui, é a redução da perda.

Generalização: o verdadeiro teste do aprendizado

Se a perda mede o erro e o ajuste tenta reduzi-lo, a generalização responde à pergunta mais importante de todas: o que foi aprendido no treino continua funcionando em dados novos? O Google define overfitting justamente como a situação em que o modelo se ajusta tão de perto ao conjunto de treinamento que falha em fazer previsões corretas em novos dados (Google, 2025d). Essa definição mostra com clareza que o desempenho relevante não é o do laboratório isolado, mas o que se sustenta fora dele.

A documentação do scikit-learn reforça isso ao tratar de validação cruzada e avaliação de desempenho como instrumentos para estimar a capacidade do modelo em generalizar. Não basta medir acerto sobre o conjunto já conhecido; é preciso testar como o estimador se comporta quando enfrenta exemplos ainda não vistos (Scikit-learn Developers, 2026d).

Esse é o ponto em que o aprendizado de máquina se aproxima de um princípio pedagógico intuitivo. Um estudante que apenas reproduz os exercícios já resolvidos não prova domínio real do conteúdo. Só demonstra memória localizada. Aprender, no sentido forte, exige capacidade de operar diante do novo. Em machine learning, essa capacidade recebe o nome de generalização.

Underfitting: quando o modelo aprende de menos

O underfitting ocorre quando o modelo é simples demais, ou mal ajustado, para capturar a estrutura relevante dos dados. Nessa situação, ele erra muito não apenas em dados novos, mas também no próprio conjunto de treino. Seu problema não é excesso de adaptação; é insuficiência de aprendizagem. Ele vê pouco, simplifica demais e deixa escapar regularidades importantes.

Embora o debate público fale mais de overfitting, o underfitting é igualmente importante porque mostra que nem todo erro decorre de excesso de complexidade. Às vezes, o modelo fracassa porque sua forma é rudimentar demais diante da complexidade do problema. A literatura de seleção de modelos e avaliação do scikit-learn trabalha justamente com esse equilíbrio entre complexidade e desempenho, mostrando que a boa modelagem não está no extremo da simplicidade cega nem no extremo da adaptação excessiva (Scikit-learn Developers, 2026d; 2026b).

Em linguagem simples, o underfitting é como tentar explicar uma sinfonia com duas notas. Há algo do fenômeno ali, mas o instrumento analítico é pobre demais para capturar sua estrutura.

Overfitting: quando o modelo aprende demais o que não importa

O overfitting é, talvez, o erro mais emblemático do machine learning. Ocorre quando o modelo se ajusta tanto aos detalhes específicos do conjunto de treino — inclusive ruídos, flutuações locais e idiossincrasias — que perde capacidade de generalizar para dados novos. O Google descreve isso de modo bastante direto: um modelo sobreajustado memoriza o conjunto de treinamento a ponto de se tornar ineficaz no mundo real (Google, 2025d).

Esse fenômeno é perigoso porque produz uma ilusão sedutora. No treino, o modelo parece brilhante. As métricas melhoram, a perda cai e o desempenho aparenta excelência. Mas, quando o sistema encontra dados que não estavam no conjunto original, sua fragilidade emerge. O laboratório aplaude; a realidade desmente.

É por isso que o overfitting pode ser comparado a uma aprendizagem decorada. O modelo não capturou a lógica geral do problema; capturou marcas específicas do material de treino. E como o mundo real raramente repete o treino de forma literal, essa pseudoaprendizagem cobra seu preço.

Treino, validação e teste: por que comparar contextos é indispensável

Para enfrentar esse problema, a prática técnica consagrada recomenda dividir os dados em subconjuntos de treino, validação e teste. O Google enfatiza que essa divisão é necessária para obter uma prova mais justa da qualidade do modelo e alerta inclusive para o efeito nocivo de exemplos duplicados entre as partições (Google, 2025a). O scikit-learn faz o mesmo ao destacar validação cruzada, avaliação de estimadores e procedimentos de seleção de modelos (Scikit-learn Developers, 2026d).

O raciocínio é simples. O treino serve para ajustar o modelo. A validação serve para comparar versões, ajustar hiperparâmetros e monitorar desempenho sem contaminar o teste final. O teste, por sua vez, serve como estimativa mais honesta do comportamento em dados não vistos. Sem essa separação, o pesquisador corre o risco de confundir adaptação ao treino com capacidade de generalização.

Esse ponto é metodologicamente decisivo. Em ciência de dados, medir bem não é detalhe burocrático; é condição de credibilidade. Um modelo mal avaliado pode parecer excelente no papel e ser inútil na prática.

Regularização, complexidade e controle do excesso de ajuste

Se o overfitting decorre, em parte, do ajuste excessivo à complexidade local do treino, uma estratégia importante para enfrentá-lo é a regularização. O Google mostra isso claramente ao explicar a regularização L2 como um mecanismo para minimizar não apenas a perda, mas também a complexidade do modelo. Em termos formais, o treinamento passa a buscar algo como perda mais um termo de complexidade ponderado por uma taxa de regularização (Google, 2025c).

A ideia é elegante. Um modelo muito complexo pode se adaptar demais aos detalhes do treino. Ao penalizar essa complexidade, a regularização tenta forçar soluções mais estáveis e menos propensas à memorização espúria. Em outras palavras, a boa aprendizagem algorítmica não consiste em seguir cada ondulação do terreno, mas em encontrar a inclinação estrutural do problema.

A documentação do scikit-learn sobre seleção de modelos e práticas recomendadas converge com esse espírito ao insistir na necessidade de calibrar parâmetros e evitar armadilhas metodológicas que mascaram desempenho real (Scikit-learn Developers, 2026a; 2026e). Regularizar, nesse contexto, é disciplinar o modelo para que ele não se apaixone demais pelos detalhes acidentais do treino.

Um exemplo didático: prever evasão ou apenas repetir o passado?

Imagine um modelo treinado para prever evasão escolar. A base contém frequência, notas, histórico de faltas, uso da plataforma institucional e dados socioeconômicos. Durante o treino, o modelo encontra muitas correlações úteis. Até aqui, tudo parece promissor.

Mas suponha que a base contenha particularidades muito localizadas de um único campus, de um único período ou até de uma conjuntura excepcional. O modelo pode ajustar-se tão bem a essas condições que passe a tratá-las como se fossem regras gerais. Quando aplicado em outro campus, em outro calendário ou em outra população, o desempenho despenca.

Nesse caso, o problema não é apenas técnico. É interpretativo. O sistema talvez não tenha aprendido a estrutura mais robusta da evasão; talvez tenha apenas memorizado um passado específico. A previsão, então, deixa de ser leitura confiável de tendência e vira repetição automatizada de um contexto estreito.

Esse exemplo ajuda a ver por que a generalização importa tanto. Sem ela, o modelo não aprende o suficiente para operar no mundo. Aprende apenas a repetir bem uma fotografia antiga.

Erro não é só falha técnica: também é problema de método

Há ainda um aspecto muitas vezes negligenciado: parte do erro algorítmico não nasce do modelo em si, mas do método empregado ao longo do processo. A documentação do scikit-learn alerta para armadilhas recorrentes, como pré-processamento inconsistente e vazamento de dados, isto é, situações em que informações indevidas contaminam o treinamento ou a avaliação e produzem uma impressão falsa de desempenho (Scikit-learn Developers, 2026e).

Isso significa que um modelo pode parecer melhor do que realmente é simplesmente porque foi testado de forma inadequada. Em termos científicos, esse é um ponto grave. Não se trata apenas de erro operacional, mas de erro epistemológico. O problema deixa de ser “o algoritmo falhou” e passa a ser “o processo inteiro de avaliação estava comprometido”.

Em outras palavras, o erro em machine learning não é apenas uma questão de matemática interna. Também é uma questão de desenho metodológico, disciplina analítica e honestidade inferencial.

Por que isso importa no debate público

No debate público, costuma-se falar dos resultados dos algoritmos como se fossem saídas prontas e neutras. Mas compreender perda, ajuste e generalização muda esse quadro. Mostra que o comportamento de um modelo depende de como ele foi treinado, avaliado e regularizado; de como os dados foram divididos; de quais métricas foram escolhidas; e de como se controlaram problemas como overfitting e vazamento de dados.

Isso é fundamental porque sistemas algorítmicos são cada vez mais usados em contextos sensíveis: crédito, saúde, educação, segurança, recomendação de conteúdo e priorização de atendimento. Um modelo que generaliza mal pode parecer tecnicamente sólido e, ainda assim, produzir decisões frágeis ou injustas quando deslocado para novas populações ou cenários. A aparência de precisão pode esconder instabilidade real.

Por isso, alfabetização algorítmica não é apenas saber que existem redes neurais, árvores ou regressões. É entender que toda promessa de acerto depende de condições metodológicas rigorosas. Sem isso, o debate público fica refém de slogans tecnológicos.

Conclusão

Os algoritmos erram porque aprender, em machine learning, não é um ato de compreensão plena, mas um processo de otimização sob condições limitadas. A perda mede o desvio entre previsão e alvo. O ajuste tenta reduzir esse desvio. A generalização verifica se essa redução faz sentido fora do conjunto de treino. Entre esses três elementos se desenha o verdadeiro drama do aprendizado de máquina: acertar o suficiente sem decorar demais, simplificar sem empobrecer, modelar sem confundir o recorte com a totalidade do real.

É justamente aí que surgem os dois grandes riscos complementares. De um lado, o underfitting, quando o modelo aprende de menos e não capta a estrutura relevante do problema. De outro, o overfitting, quando aprende demais o que não importa e falha diante do novo. O trabalho técnico sério consiste em encontrar um equilíbrio entre esses extremos, usando validação adequada, métricas coerentes, regularização e controle metodológico rigoroso. Compreender isso é indispensável para qualquer leitura crítica da inteligência artificial contemporânea. Afinal, um modelo não se define apenas por quanto acerta no laboratório, mas por quão bem sustenta seu desempenho quando o mundo deixa de repetir o treino.

Referências

Google. What is Machine Learning? 2026a. Disponível em: https://developers.google.com/machine-learning/intro-to-ml/what-is-ml. Acesso em: 15 mar. 2026. (Google for Developers)

Google. Classification: Accuracy, recall, precision, and related metrics. 2026b. Disponível em: https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall. Acesso em: 15 mar. 2026. (Scikit-Learn)

Google. Overfitting: L2 regularization. 2025b. Disponível em: https://developers.google.com/machine-learning/crash-course/overfitting/regularization. Acesso em: 15 mar. 2026. (Google for Developers)

Google. Dividing the original dataset. 2025a. Disponível em: https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets. Acesso em: 15 mar. 2026. (Google for Developers)

Google. Overfitting. 2025d. Disponível em: https://developers.google.com/machine-learning/crash-course/overfitting/overfitting. Acesso em: 15 mar. 2026. (Google for Developers)

Scikit-learn Developers. Model selection and evaluation. 2026a. Disponível em: https://scikit-learn.org/stable/model_selection.html. Acesso em: 15 mar. 2026. (Scikit-Learn)

Scikit-learn Developers. Metrics and scoring: quantifying the quality of predictions. 2026b. Disponível em: https://scikit-learn.org/stable/modules/model_evaluation.html. Acesso em: 15 mar. 2026. (Scikit-Learn)

Scikit-learn Developers. Getting started. 2026c. Disponível em: https://scikit-learn.org/stable/getting_started.html. Acesso em: 15 mar. 2026. (Scikit-Learn)

Scikit-learn Developers. Cross-validation: evaluating estimator performance. 2026d. Disponível em: https://scikit-learn.org/stable/modules/cross_validation.html. Acesso em: 15 mar. 2026. (Scikit-Learn)

Scikit-learn Developers. Common pitfalls and recommended practices. 2026e. Disponível em: https://scikit-learn.org/stable/common_pitfalls.html. Acesso em: 15 mar. 2026. (Scikit-Learn)

Artigo 4 - Série: Como as Máquinas Aprendem - Como um modelo é treinado na prática

Do dado de entrada ao ajuste interno: o treinamento é o coração do aprendizado de máquina e funciona por repetição, comparação, erro e correção

Índice

Lide

O ponto em que o machine learning deixa de ser uma expressão abstrata e se torna processo concreto é o treinamento. É nessa etapa que o modelo recebe dados, produz previsões iniciais, compara essas previsões com resultados esperados, mede o erro e ajusta seus parâmetros internos para melhorar o desempenho. Em termos simples, treinar um modelo não significa ensiná-lo como se ensina uma pessoa, mas calibrá-lo matematicamente para que encontre relações úteis entre entradas e saídas. Entender esse mecanismo é decisivo, porque é justamente nele que aparecem as promessas de eficiência, os riscos de erro e as ilusões mais comuns sobre o que uma máquina realmente faz quando “aprende” (Google, 2026a; Google, 2026b).

Introdução: treinar não é programar regra por regra

Ao ouvir que um modelo foi “treinado”, muita gente imagina um processo nebuloso, quase mágico, como se a máquina passasse a adquirir capacidades por conta própria. O que ocorre, porém, é bem mais preciso e, ao mesmo tempo, mais interessante. Treinar um modelo significa ajustar uma estrutura matemática usando dados, de modo que ela melhore seu desempenho em uma tarefa definida. Em vez de escrever manualmente todas as regras possíveis, constrói-se um sistema capaz de modificar internamente seus parâmetros a partir dos exemplos que recebe (Google, 2026a; Scikit-learn Developers, 2026a).

Essa diferença é central. Na programação tradicional, o desenvolvedor descreve explicitamente as regras de decisão. No machine learning, o desenvolvedor escolhe a arquitetura do modelo, define a tarefa, organiza os dados e adota um procedimento de ajuste. O comportamento final não vem apenas da regra codificada de antemão, mas do modo como o modelo se ajusta ao conjunto de treino. É por isso que materiais introdutórios do Google definem machine learning como uma forma de treinar software para fazer previsões ou gerar saídas a partir de dados (Google, 2026a).

Em outras palavras, o treinamento é o momento em que a abstração encontra a prática. É ali que os dados começam a moldar o modelo. E é justamente por isso que compreender o treinamento ajuda a desmontar duas ilusões muito difundidas: a de que o algoritmo “aprende sozinho” e a de que, uma vez treinado, ele passa a conhecer o mundo como um sujeito humano.

O que significa treinar um modelo

Treinar um modelo é submetê-lo a um processo iterativo de ajuste. O sistema recebe exemplos, produz uma saída, compara essa saída com o valor esperado, mede o desvio e altera seus parâmetros internos para reduzir esse desvio nas próximas tentativas. Em cursos introdutórios oficiais, o aprendizado supervisionado é explicado justamente como o processo em que o modelo aprende a prever um rótulo a partir de atributos, com base em exemplos rotulados (Google, 2026b; Google, 2026c).

O aspecto mais importante aqui é a palavra ajuste. Um modelo não desperta para a realidade; ele é calibrado. Em muitos casos, esse ajuste envolve pesos numéricos associados às variáveis de entrada. Em outros, envolve partições sucessivas, fronteiras de separação, regras probabilísticas ou estruturas em camadas. O formato pode mudar conforme o algoritmo, mas a lógica geral permanece: encontrar uma configuração interna que reduza erro e aumente a capacidade de previsão em novos dados (Scikit-learn Developers, 2026a; Scikit-learn Developers, 2026b).

Talvez a analogia mais útil seja a de um instrumento musical sendo afinado. A melodia desejada não nasce espontaneamente; surge de sucessivos ajustes finos. O treinamento de um modelo é algo semelhante: uma sequência de correções orientadas por um critério de desempenho. Essa analogia é didática, mas é fiel ao princípio técnico do processo.

A lógica geral do treinamento

Embora cada algoritmo tenha sua mecânica específica, a estrutura geral do treinamento costuma seguir um encadeamento relativamente estável. Primeiro, define-se a tarefa. Depois, selecionam-se os dados. Em seguida, escolhe-se um modelo. O sistema então começa a receber exemplos, produzir previsões, calcular erro e ajustar parâmetros. Por fim, avalia-se se o que foi aprendido no treino se sustenta fora dele, em dados não vistos anteriormente (Scikit-learn Developers, 2026c; Google, 2026d).

Esse fluxo aparece de modo recorrente na documentação técnica contemporânea. O ecossistema do scikit-learn, por exemplo, organiza o trabalho com modelos em torno de estimadores, ajuste (fit), predição (predict), seleção de modelos e avaliação. Já os materiais do Google enfatizam a necessidade de separar conjuntos de treino, validação e teste para medir de forma mais robusta a capacidade de generalização do modelo (Scikit-learn Developers, 2026a; Google, 2026d).

Assim, o treinamento não é uma etapa isolada. Ele é o núcleo de um ciclo metodológico mais amplo. Um modelo pode ajustar-se muito bem ao conjunto de treino e, ainda assim, falhar no mundo real. Por isso, treinar é apenas uma parte do problema. A outra parte é verificar se aquilo que foi ajustado realmente generaliza.

Entrada, features e rótulos

Todo treinamento começa com uma forma de entrada. Em aprendizado supervisionado, essa entrada costuma ser composta por features, isto é, atributos que descrevem cada exemplo, e por um label, o rótulo ou valor que se deseja prever. O Google explica esse processo com bastante clareza: o modelo aprende a mapear atributos para rótulos a partir de exemplos rotulados (Google, 2026c).

Se o problema for prever o preço de uma casa, as features podem incluir metragem, localização, número de quartos e idade do imóvel. O rótulo será o preço. Se o problema for classificar e-mails, as features podem ser palavras, frequência de termos, remetente e metadados; o rótulo, nesse caso, será “spam” ou “não spam”. O scikit-learn trata essas estruturas como base do ajuste supervisionado e da avaliação posterior do estimador (Scikit-learn Developers, 2026a).

Esse ponto é importante porque mostra que o treinamento já começa moldado por escolhas humanas. O modelo só poderá aprender relações entre aquilo que lhe foi dado como entrada e aquilo que lhe foi apresentado como alvo. Ele não vê o fenômeno inteiro; vê a versão do fenômeno que foi traduzida para variáveis.

Predição inicial: o modelo começa errando

Uma característica didaticamente poderosa do treinamento é esta: no início, o modelo geralmente erra bastante. Ele ainda não encontrou uma boa configuração interna, portanto suas previsões iniciais tendem a ser frágeis, aleatórias ou grosseiras. Isso não é defeito; é condição normal do processo. O aprendizado ocorre justamente porque o sistema começa distante do resultado desejado e, aos poucos, é ajustado em direção a ele (Google, 2026a; TensorFlow, 2026).

Esse aspecto ajuda a desfazer o imaginário da inteligência espontânea. O modelo não nasce pronto. Ele depende de sucessivas comparações entre o que previu e o que deveria ter previsto. Em muitos tutoriais de treinamento com redes neurais no TensorFlow, por exemplo, esse processo é apresentado como uma sequência de épocas em que o modelo vai melhorando gradualmente as métricas de perda e acurácia à medida que os parâmetros são atualizados (TensorFlow, 2026).

Em linguagem simples, o modelo aprende porque pode errar, medir esse erro e corrigi-lo. Sem essa dinâmica, não há treinamento real.

Erro, função de perda e ajuste dos parâmetros

O motor do treinamento é o erro. Mais exatamente, é a mensuração formal do erro. Em machine learning, essa mensuração costuma ser representada por uma função de perda, isto é, uma regra matemática que quantifica a distância entre a previsão do modelo e o resultado esperado. O objetivo do treinamento é encontrar uma configuração de parâmetros que reduza essa perda (Google, 2026e; Scikit-learn Developers, 2026c).

Aqui entra um dos núcleos mais importantes do campo: a otimização. Uma vez calculado o erro, o algoritmo precisa ajustar os parâmetros internos do modelo para tentar melhorar a próxima previsão. Em modelos lineares, isso pode significar alterar coeficientes. Em redes neurais, significa atualizar pesos em múltiplas camadas. Em árvores, significa redefinir critérios de separação. A forma varia, mas a lógica permanece: usar o erro como bússola para calibrar o modelo (Scikit-learn Developers, 2026b; TensorFlow, 2026).

É por isso que treinar um modelo está mais próximo de otimizar uma função do que de desenvolver entendimento humano. Há uma meta formal, uma medida de desvio e um mecanismo de ajuste. O que chamamos de aprendizado, nesse contexto, é a redução progressiva da perda em uma tarefa delimitada.

Iterações, épocas e convergência

O treinamento raramente acontece de uma só vez. Em geral, ele ocorre por repetição. O modelo percorre os exemplos, produz previsões, mede perdas, ajusta parâmetros e repete o processo múltiplas vezes. Em muitos contextos, cada passagem completa pelo conjunto de treino é chamada de época. Em tutoriais oficiais de TensorFlow, essa linguagem aparece de modo recorrente para descrever a evolução do treinamento ao longo do tempo (TensorFlow, 2026).

Essa repetição é importante porque o ajuste precisa de refinamento progressivo. Um único contato com os dados dificilmente basta para encontrar uma configuração adequada. O modelo precisa aproximar-se, corrigir excessos, recalibrar pesos e estabilizar seu desempenho. Quando esse processo começa a se estabilizar em torno de bons valores de perda ou desempenho, fala-se em convergência, ainda que na prática esse ponto exija avaliação cuidadosa e não seja uma linha mágica claramente marcada (TensorFlow, 2026; Scikit-learn Developers, 2026c).

A imagem mais útil talvez seja a de alguém tentando acertar o foco de uma lente. No começo, tudo está borrado. Depois de pequenos ajustes, a imagem melhora. Ajustes excessivos, porém, podem piorar o resultado. O treinamento vive exatamente nessa tensão entre correção insuficiente e correção excessiva.

Treino, validação e teste: por que o processo não termina no ajuste

Um dos erros mais comuns é pensar que, se o modelo foi bem no treino, então está pronto. Não está. Os materiais do Google insistem que o conjunto original deve ser dividido, em geral, em treino, validação e teste, para verificar se o desempenho observado no ajuste se mantém fora da amostra usada no treinamento. O objetivo é evitar que o modelo apenas memorize o conjunto de treino (Google, 2026d).

A documentação do scikit-learn segue a mesma direção ao enfatizar divisão entre treino e teste, validação cruzada e seleção de modelos como partes centrais da avaliação de desempenho. Ela também alerta para armadilhas metodológicas, como vazamento de dados e pré-processamento inadequado fora do pipeline correto, que podem inflar artificialmente os resultados (Scikit-learn Developers, 2026c; Scikit-learn Developers, 2026d).

Isso quer dizer que o treinamento só é intelectualmente sério quando acompanhado de controle metodológico. Um modelo que parece excelente nos dados que já viu pode desmoronar quando encontra dados novos. Em termos pedagógicos, é a diferença entre decorar a lista de exercícios e realmente saber resolver problemas inéditos.

Um exemplo didático: prever aprovação escolar

Imagine um modelo construído para prever a probabilidade de aprovação de estudantes em uma disciplina. As entradas podem incluir frequência, notas parciais, atrasos em atividades, participação em plataforma virtual e histórico de desempenho anterior. O rótulo será o resultado final: aprovado ou reprovado.

No início do treinamento, o modelo faz previsões ruins. Em seguida, compara essas previsões com os resultados reais de turmas passadas. O erro é calculado. Depois, os parâmetros são ajustados. O ciclo se repete muitas vezes. Aos poucos, o sistema passa a identificar regularidades: estudantes com baixa frequência e muitos atrasos talvez apresentem maior probabilidade de reprovação; estudantes com desempenho intermediário, mas alta participação, talvez tenham outra trajetória.

Mas observe o ponto decisivo: o modelo não “entende” pedagogia, sofrimento psíquico, desigualdade social ou contexto familiar. Ele ajusta relações estatísticas entre variáveis observadas e desfechos passados. Se a base estiver enviesada, incompleta ou mal desenhada, esse aprendizado será limitado ou distorcido. Portanto, o treinamento é poderoso, mas não soberano. Ele opera dentro da moldura informacional que lhe foi entregue.

Quando o modelo parece aprender, mas apenas decorou

Um dos problemas centrais do treinamento é o chamado sobreajuste, ou overfitting. Ele ocorre quando o modelo se adapta tanto aos detalhes do conjunto de treino que perde capacidade de generalizar para dados novos. O Google explica esse risco ao tratar da divisão de conjuntos e da necessidade de avaliar o modelo fora da base de treinamento. O scikit-learn, por sua vez, destaca esse tipo de armadilha entre os problemas clássicos de modelagem e avaliação (Google, 2026d; Scikit-learn Developers, 2026d).

A analogia escolar volta a ser útil. Um estudante pode decorar exatamente os exemplos vistos em sala e obter ótimo desempenho em uma repetição quase literal deles. No entanto, diante de uma questão nova, fracassa. O modelo sobreajustado faz algo parecido: aprende demais a forma específica dos dados de treino e de menos a estrutura geral do problema.

Esse ponto é crucial porque desmonta a leitura ingênua de que mais treino sempre produz melhor modelo. Nem sempre. Às vezes, treinar demais sobre o mesmo padrão significa aprisionar o sistema a um passado estreito. O bom treinamento não é o que memoriza mais; é o que generaliza melhor.

Treinar é otimizar, não compreender

Depois de observar a mecânica do treinamento, torna-se mais fácil perceber um fato conceitualmente decisivo: o modelo não compreende o problema no sentido humano. Ele otimiza desempenho. Essa frase pode parecer seca, mas é talvez a mais importante de toda a discussão.

O treinamento opera sobre parâmetros, perda, dados, métricas e iterações. Mesmo quando produz resultados impressionantes, continua sendo um processo de ajuste orientado por critérios formais. O Google define machine learning como treinamento de software para fazer previsões ou gerar conteúdo usando dados; essa formulação já mostra que o centro do problema está na performance operacional, não na consciência ou na compreensão subjetiva (Google, 2026a).

Dizer isso não diminui o valor da tecnologia. Apenas a recoloca em seu lugar. Um modelo pode ser extremamente eficaz para certas tarefas e ainda assim não “saber” o que faz no sentido forte do verbo saber. O que ele realiza é inferência estatística e otimização computacional, dentro de uma arquitetura projetada por humanos.

Por que entender o treinamento importa no debate público

A etapa do treinamento raramente aparece de forma clara no debate social sobre inteligência artificial. Fala-se muito em resultados, pouco em processo. No entanto, é no treinamento que várias decisões fundamentais são tomadas: quais dados entram, quais variáveis contam, qual objetivo será perseguido, como o erro será medido, que métrica será privilegiada e como a validação será realizada. Esses elementos influenciam diretamente o comportamento final do sistema (Scikit-learn Developers, 2026c; Scikit-learn Developers, 2026d).

Isso significa que compreender treinamento é compreender poder. Um modelo usado para crédito, segurança, educação ou saúde não é apenas um artefato neutro. Ele é produto de escolhas metodológicas e institucionais sedimentadas durante o processo de ajuste. Quando a sociedade ignora esse processo, tende a tratar o resultado algorítmico como se fosse puro fato técnico. Quando o compreende, pode começar a questioná-lo de maneira mais madura.

Em termos públicos, a alfabetização algorítmica começa justamente aqui: não em repetir o vocabulário da moda, mas em entender que todo modelo treinado carrega uma história de seleção, ajuste, exclusão, métrica e validação. O treinamento é o laboratório em que a promessa de previsão encontra os limites do real.

Conclusão

Treinar um modelo é submetê-lo a um processo rigoroso de ajuste orientado por dados. O sistema recebe entradas, produz previsões iniciais, mede o erro, corrige parâmetros e repete esse ciclo até alcançar um desempenho mais consistente. Em aparência, trata-se de um processo técnico. Em essência, porém, trata-se do próprio coração do machine learning, porque é no treinamento que o modelo deixa de ser uma estrutura abstrata e passa a encarnar, em forma matemática, certas regularidades extraídas do mundo registrado em dados.

Esse processo, no entanto, não deve ser romantizado. O modelo não desperta para a compreensão; ele é calibrado. Não pensa, no sentido humano; otimiza. Não conhece o real em sua plenitude; ajusta-se a um recorte formalizado dele. É por isso que o treinamento precisa ser entendido ao mesmo tempo como potência e como limite. Potência, porque permite construir sistemas capazes de prever, classificar e apoiar decisões com alto desempenho. Limite, porque esse desempenho depende da qualidade dos dados, da correção metodológica e da capacidade de generalizar para além do conjunto de treino. Compreender isso é indispensável para qualquer análise séria sobre algoritmos, inteligência artificial e suas implicações sociais.

Referências

Google. What is Machine Learning? 2026a. Disponível em: https://developers.google.com/machine-learning/intro-to-ml/what-is-ml. Acesso em: 15 mar. 2026.

Google. Supervised learning. 2026b. Disponível em: https://developers.google.com/machine-learning/intro-to-ml/supervised. Acesso em: 15 mar. 2026.

Google. Test your understanding. 2026c. Disponível em: https://developers.google.com/machine-learning/intro-to-ml/understanding. Acesso em: 15 mar. 2026.

Google. Dividing the original dataset. 2026d. Disponível em: https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets. Acesso em: 15 mar. 2026.

Google. Classification: Accuracy, recall, precision, and related metrics. 2026e. Disponível em: https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall. Acesso em: 15 mar. 2026.

Scikit-learn Developers. Getting started. 2026a. Disponível em: https://scikit-learn.org/stable/getting_started.html. Acesso em: 15 mar. 2026.

Scikit-learn Developers. Linear models. 2026b. Disponível em: https://scikit-learn.org/stable/modules/linear_model.html. Acesso em: 15 mar. 2026.

Scikit-learn Developers. Model selection and evaluation. 2026c. Disponível em: https://scikit-learn.org/stable/model_selection.html. Acesso em: 15 mar. 2026.

Scikit-learn Developers. Common pitfalls and recommended practices. 2026d. Disponível em: https://scikit-learn.org/stable/common_pitfalls.html. Acesso em: 15 mar. 2026.

TensorFlow. Introduction to TensorFlow. 2026. Disponível em: https://www.tensorflow.org/learn. Acesso em: 15 mar. 2026.