Estudos de caso, notas de sistema e encaixe de vaga organizados na mesma superfície editorial.
Repo público
Neural Network From Scratch
Uma implementação educacional de rede neural com avaliação determinística, logs, testes e pipeline reproduzível.
Por que este caso importa
Ele continua público porque mostra disciplina de engenharia dentro de um projeto de estudo: avaliação reproduzível, smoke checks e documentação estruturada.
Repo público, educacional mas bem delimitado
O que inspecionar primeiro
Comece pela superfície do repositório: README, caminho de setup, CI, docs e os blocos de evidência que mostram que o sistema sobrevive fora do caminho feliz.
Abrir repositórioContexto
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.
Prova centralScript de avaliação determinística
Sinal do repositórioLogs e smoke checks no CI
Preocupação operacionalArtefatos portáteis em JSON e JSONL
Arquitetura
datasets úteis
-> normalization and split
-> model
-> backprop training
-> evaluation metrics
-> JSON / JSONL logs
Rota de reprodutibilidadePreparo de dados, treino, avaliação determinística e artefatos simples
01Normalizar um dataset pequeno
As utilidades de dados mantêm o preprocessing legível e determinístico para o repo rodar do mesmo jeito em CI e em demos locais.
02Treinar sem atalhos de framework
Forward pass e backprop ficam visíveis no código, porque esse é o ponto educacional do repositório.
03Avaliar com seed fixa
O script de avaliação trava seed e parâmetros para que screenshots do portfólio e saídas de CI sejam reproduzíveis.
04Guardar artefatos em arquivos simples
Logs em JSON e JSONL deixam o resultado portátil, inspecionável e fácil de discutir sem infraestrutura pesada de experimento.
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 -qbásico.
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