diff --git a/exemplos_de_aula/08-logistic-reg.R b/exemplos_de_aula/08-logistic-reg.R
new file mode 100644
index 0000000..5b826a0
--- /dev/null
+++ b/exemplos_de_aula/08-logistic-reg.R
@@ -0,0 +1,99 @@
+# objetivo: ajustar uma regressao logistica no R
+# com regularizacao
+
+
+# Pacotes -----------------------------------------------------------------
+
+library(tidymodels)
+library(ISLR)
+
+
+# Base dados --------------------------------------------------------------
+
+data(credit_data)
+
+dados_numericos <- credit_data |>
+  select(
+    Status, Seniority, Time, Age, Expenses, Income,
+    Assets, Debt, Amount, Price
+  ) |>
+  drop_na()
+# isso aqui nao é muito legal! na proxima aula vamos ver como
+# melhorar para nao precisar manipular desse jeito antes de
+# modelar
+
+# Analises iniciais -------------------------------------------------------
+
+# nao vou fazer hoje
+
+
+# split inicial -----------------------------------------------------------
+
+credit_initial_split <- initial_split(dados_numericos)
+
+treino <- training(credit_initial_split)
+teste <- testing(credit_initial_split)
+
+# receita -----------------------------------------------------------------
+
+receita <- recipe(Status ~ ., data = treino) |>
+  step_normalize(all_numeric_predictors())
+
+# modelo ------------------------------------------------------------------
+
+modelo <- logistic_reg(
+  engine = "glmnet",
+  penalty = tune()
+)
+
+# workflow ----------------------------------------------------------------
+
+meu_fluxo <- workflow() |>
+  add_recipe(receita) |>
+  add_model(modelo)
+
+
+# cv ----------------------------------------------------------------------
+
+reamostras <- vfold_cv(treino, v = 5)
+
+# tunagem -----------------------------------------------------------------
+
+metricas <- metric_set(mn_log_loss)
+
+tunagem <- tune_grid(
+  meu_fluxo,
+  resamples = reamostras,
+  metrics = metricas,
+  grid =grid_regular(penalty(c(-12, 0)))
+)
+
+
+# graficos ----------------------------------------------------------------
+
+autoplot(tunagem)
+
+
+# finalizar workflow ------------------------------------------------------
+
+workflow_final <- meu_fluxo |>
+  finalize_workflow(
+    select_best(tunagem)
+  )
+
+# modelo final
+
+# antes teria que fazer o de treino/teste pra ver se nao overfitou...
+
+modelo_final <- fit(workflow_final, dados_numericos)
+
+dados_com_previsao <- dados_numericos |>
+  bind_cols(
+    predict(modelo_final, new_data = dados_numericos, type = c("prob")),
+    predict(modelo_final, new_data = dados_numericos, type = c("class"))
+  )
+
+dados_com_previsao |>
+  mutate(prob_grafico = ifelse(Status == "good", .pred_good, .pred_bad)) |>
+  ggplot(aes(x = .pred_good, fill = Status)) +
+  geom_density(alpha = 0.5)
diff --git a/exemplos_de_aula/rascunho_exercicio.R b/exemplos_de_aula/rascunho_exercicio.R
new file mode 100644
index 0000000..4da33e1
--- /dev/null
+++ b/exemplos_de_aula/rascunho_exercicio.R
@@ -0,0 +1,104 @@
+# Pacotes -----------------------------------------------------------------
+
+library(tidymodels)
+
+# Base de dados -----------------------------------------------------------
+
+data(concrete, package = "modeldata")
+nrow(concrete)
+glimpse(concrete)
+
+# initial split?
+
+# exercício 0 -------------------------------------------------------------
+# Defina uma 'recipe' que normalize todas as variáveis explicativas.
+# Dicas: recipe(), step_normalize(), all_numeric_predictors().
+
+receita <- recipe(compressive_strength ~ ., x = concrete)
+
+# exercício 1 -------------------------------------------------------------
+# Defina uma especificação de f que caracterize uma regressão linear
+# (mode 'regression'). Especifique também que você deseja tunar a 'penalty' e
+# a 'mixture'.
+# Dicas: linear_reg(), set_engine(), set_mode(), tune().
+
+modelo_arvore <- decision_tree(
+    mode = "regression",
+    tree_depth = tune()
+    # tune() indica que é um hiperparametro que deve ficar
+    # sem definição exata até irmos testar na base validação (ou bases no caso de
+    # cv/cross-validation)
+)
+
+# exercício 2 -------------------------------------------------------------
+# Defina um 'workflow' que junte a receita do ex. 0 e o modelo do ex. 1.
+# Dicas: workflow(), add_model(), add_recipe().
+
+meu_fluxo <- workflow() |>
+  add_recipe(receita) |>
+  add_model(modelo_arvore)
+
+# exercício 3 -------------------------------------------------------------
+# Crie um objeto que represente a estratégia de reamostragem do tipo K-Fold cross
+# validation com 5 folds.
+# Dica: vfold_cv().
+
+bases_validacao <- vfold_cv(concrete, v = 5)
+
+# exercício 4 -------------------------------------------------------------
+# Defina um grid de hiperparâmetros que você irá testar tanto de 'penalty' quanto
+# de 'mixture'.
+# Dica: grid_regular(), penalty(), mixture().
+
+# exercício 5 -------------------------------------------------------------
+# Execute a tunagem do modelo usando os objetos criados nos exercícios anteriores.
+# Dica: tune_grid()
+
+tunagem <- tune_grid(
+  meu_fluxo, resamples = bases_validacao
+)
+
+autoplot(tunagem)
+
+show_best(tunagem) |> View()
+
+
+
+# exercício 6 -------------------------------------------------------------
+# Visualize os resultados dos modelos ajustados e atualize o workflow com os
+# parâmetros do melhor modelo.
+# Dica: autoplot(), collect_metrics(), show_best(), select_best(), finalize_workflow().
+
+
+# desafio 1 ---------------------------------------------------------------
+# Qual hiperparâmetro tem maior efeito no resultado do modelo? Justifique
+# a sua afirmativa com um gráfico.
+
+
+# exercício 7 -------------------------------------------------------------
+# Ajuste o modelo na base de treino e verifique o desempenho na base de teste.
+# Dica: last_fit(split = ______initial_split), collect_metrics()
+
+
+# exercício 8 -------------------------------------------------------------
+# Ajuste o modelo final para a base inteira salve-o em um arquivo .rds.
+# Dica: fit(), saveRDS().
+
+## final. o que saiu do modelo?
+
+meu_fluxo_finalizado <- meu_fluxo |>
+  finalize_workflow(
+    select_best(tunagem)
+  )
+# aqui o tune() deixa de ser tune()
+
+modelo_final <- fit(meu_fluxo_finalizado, concrete)
+
+base_original_com_previsoes <- concrete |>
+  mutate(
+    forca_proposta = predict(modelo_final, new_data = concrete)$.pred
+  )
+
+base_original_com_previsoes |>
+  ggplot(aes(x = age, y = compressive_strength)) +
+  geom_point()