diff --git a/book/_quarto.yml b/book/_quarto.yml
index fc18f34..68fb66e 100644
--- a/book/_quarto.yml
+++ b/book/_quarto.yml
@@ -5,6 +5,13 @@ book:
   title: "Previsão de Séries temporais com Python: um pequeno guia"
   author: "Felipe Angelim"
   date: "10/11/2025"
+  favicon: "logo.jpeg"
+  search: true
+  repo-url: https://github.com/sktime/python_brasil_2025/
+  repo-actions: [edit]
+  sharing: [twitter, facebook]
+  cover-image: "logo.jpeg"
+  cover-image-alt: "Uma ilustração de séries temporais"
   chapters:
   - index.qmd
   - part: "Part I: Básico"
diff --git a/book/content/pt/part2/exog_variables.qmd b/book/content/pt/part2/exog_variables.qmd
index 390cbdd..aef8fbe 100644
--- a/book/content/pt/part2/exog_variables.qmd
+++ b/book/content/pt/part2/exog_variables.qmd
@@ -183,13 +183,16 @@ Outra opção é criar versões defasadas das variáveis exógenas e usá-las co
 
 Para isso, podemos usar o transformador Lag do sktime.
 Ao utilizar defasagens (lags), surgem dois desafios principais:
-	1.	O aparecimento de valores NaN, que muitos modelos de previsão não conseguem tratar.
-	2.	O número de variáveis exógenas pode aumentar significativamente, o que pode levar a overfitting ou, no caso do nosso conjunto de dados, a um número de features maior que o número de amostras — o que pode gerar erros no processo de ajuste (fitting).
+
+1.	O aparecimento de valores NaN, que muitos modelos de previsão não conseguem tratar.
+
+2.	O número de variáveis exógenas pode aumentar significativamente, o que pode levar a overfitting ou, no caso do nosso conjunto de dados, a um número de features maior que o número de amostras — o que pode gerar erros no processo de ajuste (fitting).
 
 Para lidar com isso, no exemplo abaixo utilizamos um TransformerPipeline que realiza as seguintes etapas:
-	•	Seleção de variáveis: executa uma seleção das variáveis exógenas, mantendo apenas as mais relevantes.
-	•	Defasagem: aplica o transformador Lag para criar versões defasadas das variáveis exógenas.
-	•	Imputação: usa o transformador Imputer para preencher os valores NaN criados pelo processo de defasagem. Neste caso, é usado o método backfill (preenchimento a partir de valores posteriores).
+
+* Seleção de variáveis: executa uma seleção das variáveis exógenas, mantendo apenas as mais relevantes.
+* Defasagem: aplica o transformador Lag para criar versões defasadas das variáveis exógenas.
+* Imputação: usa o transformador Imputer para preencher os valores NaN criados pelo processo de defasagem. Neste caso, é usado o método backfill (preenchimento a partir de valores posteriores).
 
 ```{python}
 from sktime.transformations.compose import TransformerPipeline
diff --git a/book/logo.jpeg b/book/logo.jpeg
new file mode 100644
index 0000000..840368c
Binary files /dev/null and b/book/logo.jpeg differ
diff --git a/notebooks/tmp.ipynb b/notebooks/tmp.ipynb
deleted file mode 100644
index e69de29..0000000
diff --git a/pyproject.toml b/pyproject.toml
index 1b40694..01700e3 100644
--- a/pyproject.toml
+++ b/pyproject.toml
@@ -17,11 +17,9 @@ scikit-learn = "^1.7.2"
 lightgbm = "^4.6.0"
 prophetverse = {version = "^0.10.0", python = "<3.12,>=3.9"}
 pytorch-forecasting = "^1.5.0"
+pytest = ">=8.4.2"
 
 
-[tool.poetry.group.dev.dependencies]
-pytest = "^8.4.2"
-
 [build-system]
 requires = ["poetry-core"]
 build-backend = "poetry.core.masonry.api"