IA e Dados
Roadmap Cientista de Dados e IA
Da estatística e da preparação de dados a modelos de machine learning e LLMs, terminando com um desafio final aplicado.
- Avançado
- cerca de 23 horas
- 13 módulos
- 29 etapas
Antes de começar
O que você vai aprender
1. Fundamentos de Estatística
Resuma dados com estatística descritiva, raciocine com probabilidade e distribuições e identifique viés de amostragem.
- Estatística Descritiva — Estatística · Estatística Descritiva
- Probabilidade — Estatística · Probabilidade
- Distribuições — Estatística · Distribuições
- Amostragem e Viés — Estatística · Amostragem e Viés
2. Fundamentos de SQLOpcional
Consulte dados relacionais com SELECT, filtros, ordenação e joins.
- Fundamentos de SQL — Bancos de Dados · Fundamentos de SQL
- Joins — Bancos de Dados · Joins
3. Inferência Estatística e Experimentos
Tire conclusões de amostras com testes de hipótese e intervalos de confiança, diferencie correlação de causalidade, conduza testes A/B e ajuste regressões simples.
- Testes de Hipótese — Estatística · Testes de Hipótese
- Intervalos de Confiança — Estatística · Intervalos de Confiança
- Correlação vs Causalidade — Estatística · Correlação vs Causalidade
- Testes A/B — Estatística · Testes A/B
- Fundamentos de Regressão — Estatística · Fundamentos de Regressão
4. Análise de Dados com NumPy e pandas
Carregue, limpe, combine e agregue dados tabulares com NumPy e pandas.
- NumPy — Análise de Dados com Python · NumPy
- Fundamentos de pandas — Análise de Dados com Python · Fundamentos de pandas
- Limpeza de Dados — Análise de Dados com Python · Limpeza de Dados
- Merge e Join — Análise de Dados com Python · Merge e Join
- GroupBy e Agregação — Análise de Dados com Python · GroupBy e Agregação
5. Séries Temporais e Notebooks Reprodutíveis
Reamostre e aplique janelas a dados indexados por tempo com pandas, e mantenha análises em notebooks reprodutíveis.
- Séries Temporais — Análise de Dados com Python · Séries Temporais
- Notebooks e Reprodutibilidade — Análise de Dados com Python · Notebooks e Reprodutibilidade
6. Visualização de DadosOpcional
Escolha o gráfico certo para cada pergunta, plote-o com Matplotlib e Seaborn e combine gráficos em dashboards claros.
- Escolhendo o Gráfico Certo — Visualização de Dados e BI · Escolhendo o Gráfico Certo
- Visualização com Matplotlib e Seaborn — Análise de Dados com Python · Visualização com Matplotlib e Seaborn
- Dashboards — Visualização de Dados e BI · Dashboards
7. SQL para Análise de DadosOpcional
Resuma dados com GROUP BY e HAVING e responda perguntas mais difíceis com subqueries, CTEs e window functions.
- GROUP BY e HAVING — Bancos de Dados · GROUP BY e HAVING
- Subqueries, CTEs e Window Functions — Bancos de Dados · Subqueries, CTEs e Window Functions
8. Fundamentos de Machine Learning
Aprendizado supervisionado e não supervisionado, treino e validação, e as métricas usadas para avaliar modelos.
- Aprendizado Supervisionado e Não Supervisionado — Machine Learning · Aprendizado Supervisionado e Não Supervisionado
- Treino, Validação e Validação Cruzada — Machine Learning · Treino, Validação e Validação Cruzada
- Precisão, Recall, F1 e ROC — Machine Learning · Precisão, Recall, F1 e ROC
9. Fundamentos de Aplicações com LLMs
Como funcionam redes neurais, transformers e LLMs, tokens e janelas de contexto, e prompts com saídas estruturadas.
- IA, Redes Neurais e Transformers — Engenharia de IA · IA, Redes Neurais e Transformers
- LLMs, Tokens e Janelas de Contexto — Engenharia de IA · LLMs, Tokens e Janelas de Contexto
- Engenharia de Prompt e Saídas Estruturadas — Engenharia de IA · Engenharia de Prompt e Saídas Estruturadas
10. Modelos Supervisionados
Regressão e classificação, o trade-off entre viés e variância e regularização, e ensembles de árvores.
- Regressão e Classificação — Machine Learning · Regressão e Classificação
- Viés, Variância e Regularização — Machine Learning · Viés, Variância e Regularização
- Árvores de Decisão, Random Forest e Boosting — Machine Learning · Árvores de Decisão, Random Forest e Boosting
11. Features, Clusterização e Redes Neurais
Crie features melhores, encontre estrutura com clusterização e PCA, e treine redes neurais.
- Engenharia de Features — Machine Learning · Engenharia de Features
- Clusterização e PCA — Machine Learning · Clusterização e PCA
- Redes Neurais — Machine Learning · Redes Neurais
12. RAG e Recuperação de InformaçãoOpcional
Embeddings e busca vetorial, e geração aumentada por recuperação com chunking e reranking.
- Embeddings e Busca Vetorial — Engenharia de IA · Embeddings e Busca Vetorial
- RAG, Chunking e Reranking — Engenharia de IA · RAG, Chunking e Reranking
13. Desafio Final: Cientista de Dados e IA
Um desafio final baseado em cenários que mistura estatística, preparação de dados, machine learning, avaliação de modelos e LLMs.
- Desafio Final: Cientista de Dados e IA — Desafios Finais · Desafio Final: Cientista de Dados e IA
Cada etapa é liberada quando você responde bem às suas questões, e um módulo concluído conta em todos os roadmaps que o compartilham.
Comece este roadmap grátis