<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0">
    <channel>
        <title>MRScience — Data Science, AI &amp; Research</title>
        <link>https://mrscience.com.br/</link>
        <description>Conhecimento técnico, pesquisa e experimentação aplicada em Ciência de Dados e Inteligência Artificial.</description>
        <lastBuildDate>Sun, 04 Oct 2026 05:05:44 GMT</lastBuildDate>
        <docs>https://validator.w3.org/feed/docs/rss2.html</docs>
        <generator>https://github.com/jpmonette/feed</generator>
        <language>pt-BR</language>
        <copyright>© 2026 Marcos Rogério Silveira</copyright>
        <item>
            <title><![CDATA[Seu Data Drift pode estar alto. E seu modelo pode estar ótimo.]]></title>
            <link>https://mrscience.com.br/articles/data-drift-modelo-pode-estar-otimo</link>
            <guid isPermaLink="false">https://mrscience.com.br/articles/data-drift-modelo-pode-estar-otimo</guid>
            <pubDate>Wed, 06 May 2026 00:00:00 GMT</pubDate>
            <description><![CDATA[Data Drift não significa, necessariamente, degradação do modelo. Entenda por que uma mudança em P(X) nem sempre afeta a relação entre features e target.]]></description>
            <author>Marcos Rogério Silveira</author>
            <category>MLOps</category>
        </item>
        <item>
            <title><![CDATA[Seu Data Drift pode não estar no modelo. Pode estar no pipeline.]]></title>
            <link>https://mrscience.com.br/articles/data-drift-nao-esta-no-modelo</link>
            <guid isPermaLink="false">https://mrscience.com.br/articles/data-drift-nao-esta-no-modelo</guid>
            <pubDate>Wed, 22 Apr 2026 00:00:00 GMT</pubDate>
            <description><![CDATA[Antes de retreinar um modelo depois de um alerta de drift, vale perguntar: o comportamento do negócio realmente mudou, ou foram apenas os dados?]]></description>
            <author>Marcos Rogério Silveira</author>
            <category>MLOps</category>
        </item>
        <item>
            <title><![CDATA[Testando o TabFM: uma comparação inicial com o CatBoost para dados tabulares]]></title>
            <link>https://mrscience.com.br/articles/tabfm-vs-catboost</link>
            <guid isPermaLink="false">https://mrscience.com.br/articles/tabfm-vs-catboost</guid>
            <pubDate>Wed, 18 Mar 2026 00:00:00 GMT</pubDate>
            <description><![CDATA[O Google lançou o TabFM, um Foundation Model para dados tabulares baseado em In-Context Learning. Comparei seu desempenho e custo computacional com o CatBoost em um problema de detecção de fraudes.]]></description>
            <author>Marcos Rogério Silveira</author>
            <category>Machine Learning</category>
        </item>
        <item>
            <title><![CDATA[CatBoost e Text Features: suporte nativo para atributos textuais]]></title>
            <link>https://mrscience.com.br/articles/catboost-text-features</link>
            <guid isPermaLink="false">https://mrscience.com.br/articles/catboost-text-features</guid>
            <pubDate>Tue, 10 Feb 2026 00:00:00 GMT</pubDate>
            <description><![CDATA[O CatBoost já é conhecido por lidar bem com variáveis categóricas. Menos gente sabe que ele também processa colunas de texto nativamente, sem pipelines separados de NLP.]]></description>
            <author>Marcos Rogério Silveira</author>
            <category>Machine Learning</category>
        </item>
    </channel>
</rss>