Repositório de recomendação de materiais da mentoria
- Análise de Dados
- Aprendizado de Máquina
- Aprendizado por Reforço
- Estatística
- Inteligência Artificial
- Matemática para Computação
- Processamento de Linguagem Natural
- Programação e Pensamento Computacional
- Visualização de Dados
- Fluxo do Trabalho com Dados do Zero à Prática (Escola de Dados)
- Análise de Dados com Python (Playlist Programação Dinâmica)
- Dicas de Pandas
- Efficient Pandas Dataframes in Python
- What's Going On in This Graph? - New York Times Learning
-
MLU-EXPLAIN - Visual explanations of core machine learning concepts
-
Como projetos de Machine Learning falham por Flávio Clésio (Vídeo)
-
O que faz uma pessoa engenheira de Machine Learning? com Thiago Santos(Vídeo)
-
Princípios de Modelagem Preditiva por André Lima (Artigo) Este material apresenta um conjunto de princípios que ajudam a direcionar a construção de um modelo preditivo para problemas reais. É fruto da experiência do autor trabalhando com ciência de dados (principalmente machine learning) em consultoria para diferentes indústrias.
-
Programa de cursos integrados Machine Learning Engineering for Production (MLOps)
- Reinforcement Learning, An introduction (Livro)
- A Beginner's Guide to Deep Reinforcement Learning (Artigo)
- 7days of code | Alura - Data Science
- Quais são as etapas da Ciência de Dados de ponta-a-ponta? (Vídeo)
- TDSP: Team Data Science Process, proposed by Microsoft in 2018
- Machine Learning Bias in Computer Vision: Why do I have to care?
- Estudo do Instituto Cappra sobre a implementação de Inteligência Artificial
- Racismo algorítmico: inteligência artificial e discriminação nas redes digitais
Se você já tem uma base boa do ensino médio:
- Mathematics for Machine Learning (Livro)
- Linear Algebra and Learning from Data (Livro)
- Mathematics for Machine Learning (University of Berkeley, 2018)
Não adianta tentar aprender aspectos avançados se você não tem uma base razoável de matemática elementar. Se a notação matemática, operações com matrizes, composição e inversão de funções ou trigonometria, por exemplo, te causam desconforto, sugiro revisar as bases com uma série de livros chamada Fundamentos de Matemática Elementar. Uma outra opção é a Khan Academy. Discutimos alguns tópicos de matemática usando programação em uma série de lives no ano passado: Matemática Elementar para Computação.
Se você tem maturidade matemática e busca algo mais avançado, por exemplo, para entender deep learning, recomendamos este outro livro especifico para redes neurais, que dedica 4 capítulos à revisão de fundamentos matemáticos.
- Speech and Language Processing (3rd ed. draft) Dan Jurafsky and James H. Martin
- CS224n: Natural Language Processing with Deep Learning
- Hugging Face Course
- Papers with Code - Natural Language Processing
Além da base matemática, a base de computação também é muito importante. Quando a gente não tira um tempo pra entender como algumas coisas funcionam, pra experimentar e aprender com os erros em exemplos simples, tendemos a travar por muito mais tempo em casos mais complicados. E o pior, se o seu conhecimento for completamente disperso, você vai demorar mais para aprender coisas novas, porque não consegue relacioná-las ao que já conhece.
Recomendações:
- Nós temos um curso chamado Python do Jeito Certo, para quem nunca programou ou está no começo da jornada (se você faz parte da mentoria, pode adquiri-lo com desconto).
- How to think like a Computer Scientist (versão original aqui)
- Introduction to Computational Thinking
- Problem Solving Using Computational Thinking - University of Michigan
- How to Think Like a Computer Scientist
- Como escolher uma ferramenta para fazer um gráfico? - The Chartmaker Directory
- Como escolher um gráfico? - DataViz Project
- Como escolher um gráfico? - The Data Visualisation Cataloue
- Data Visualisation - A Game of Decisions with Andy Kirk
Uma outra grande necessidade apresentada foi construir um portfólio e ter orientações para projetos. Se este é o seu caso, recomendamos o seguinte:
i) Faça um brainstorming de ideias de projetos
Muita gente tem dificuldade em ter ideias de projetos. Se for o seu caso, tudo bem. Tente fazer esse exercício algumas vezes, sem colocar filtros nas suas ideias, simplesmente anote o que vier à sua cabeça. Em um outro momento, você poderá filtrar e editar as ideias que teve. Se sentir que ainda está difícil, pode ser devido à sua inexperiência com projetos do tipo. Neste caso, não é um problema você fazer projetos “guiado”, seguir tutoriais para implementar alguma coisa. O processo de fazer algo irá servir como estímulo para você ter ideias para seus próprios projetos. Temos dois vídeos que podem servir como pontos de partida para você:
- 5 projetos para um portfólio de CIENTISTA DE DADOS Iniciante
- DADOS GRATUITOS para INSPIRAR seu portfolio de Cientista de Dados INICIANTE
ii) Priorize projetos de escopo pequeno
Todo mundo admira e quer fazer um mega projeto, mas que tal começarmos com pequenos passos até termos confiança para darmos passos maiores? Este é o segredo para você manter a motivação durante o trabalho e também para conseguir melhores resultados no futuro. Um “projetão”, que resolve um problema real, importante etc, só vai ser bem concretizado depois de você fazer alguns processos diversas vezes e compreender bem as partes que o compõe.
Aliás, você vai perceber que o tempo necessário para concretizar o seu projeto será maior que o estimado inicialmente. Este é um aprendizado para levar pro próximo.
iii) Tenha um compromisso consigo! Ou com outrem...
Não adianta ter uma ideia legal e um cronograma razoável se você não trabalhar. Haverá sempre alguma coisa para ocupar seu tempo. Sugerimos que sistematize um momento na sua rotina semanal para priorizar seu projeto. Às vezes, firmar um compromisso com outra pessoa pode te ajudar. Por exemplo, o constrangimento de não apresentar uma evolução na reunião seguinte da mentoria pode motivar algumas pessoas a trabalharem mais na véspera. Analise se este é o seu caso e se você dispõe de alguém que poderia lhe cobrar de vez em quando.