O machine learning move as recomendações, os filtros de spam e os assistentes de voz que você usa todos os dias, mas as ideias por trás dele são mais simples do que o hype sugere. Este curso constrói seu entendimento do zero, com explicações em linguagem clara e intuição do mundo real em vez de matemática densa ou exercícios de programação. Você vai começar aprendendo o que é machine learning de verdade e em que ele difere da programação tradicional — ensinar um sistema com exemplos em vez de escrever regras explícitas — e a diferença chave entre supervised learning, unsupervised learning e reinforcement learning. A partir daí você vai explorar o supervised learning em profundidade: como modelos como linear regression, logistic regression, decision trees e k-nearest neighbors aprendem a prever resultados a partir de exemplos rotulados. Em seguida você vai aprender a saber se um modelo é realmente bom — divisões de train/test, accuracy, precision e recall, e as armadilhas clássicas de overfitting e underfitting que silenciosamente arruínam projetos reais. Depois você vai explorar o unsupervised learning e receber uma introdução suave e intuitiva às neural networks e ao deep learning, a tecnologia por trás da IA mais avançada de hoje. Por fim você vai conectar tudo à prática — o fluxo completo de dados brutos até um modelo funcional, feature engineering, armadilhas comuns, e as questões éticas que todo profissional precisa considerar, como bias e justiça. Ao final você vai pensar com clareza sobre machine learning, entender o que esses modelos podem e não podem fazer, e estará pronto para se aprofundar em qualquer técnica específica com confiança.