Neural Network From Scratch

Contexto

Repositórios de estudo só ajudam o portfólio quando mostram cuidado técnico, não só curiosidade. Eu mantive este porque ele saiu do nível de notebook e virou um sistema pequeno, testável e com avaliação determinística.

Problema

Eu queria entender a mecânica de uma rede neural sem me esconder atrás de frameworks. Ao mesmo tempo, eu queria provar que projetos de aprendizado ainda podem respeitar padrões reais de engenharia.

Restrições

• Nada de framework alto nível de ML.
• Resultados reproduzíveis para CI e demos de portfólio.
• Artefatos simples que possam ser inspecionados depois.

Arquitetura

dataset utils
  -> normalization and split
  -> model
  -> backprop training
  -> evaluation metrics
  -> JSON / JSONL logs

Decisões e trade-offs

• Eu usei implementação sem framework porque o valor de aprendizado era o objetivo.
• Eu adicionei script determinístico de avaliação porque reproduzibilidade é o que separa um repo de estudo de um experimento descartável.
• Eu mantive logs em JSON e JSONL em vez de colocar um experiment tracker pesado cedo demais.

O que funcionou

• O repositório agora comunica rigor em vez de só entusiasmo.
• O script de avaliação gera uma trilha fácil de conversar em entrevista.
• O smoke evaluation orientado a CI é mais forte do que um pytest -q básico.

O que ainda está incompleto

• Um benchmark curto ou export de confusion matrix deixaria a história dos artefatos ainda mais forte.
• Ainda existe espaço para configuração mais rica de experimentos sem perder o foco educacional.

Evidência

Saídas:
- logs/eval-summary.json
- logs/eval-history.jsonl