Machine Learning / IA (Python) do Zero à Primeira Vaga

O caminho, parada por parada

1. 0✦ você está aqui
   Semana 1

   Setup, Python hardcore e primeiro notebook

   Ambiente pronto, Python fluente, e a mente aberta pra matemática prática.

   concluída

   Instalar Conda/Miniforge, Jupyter, Git, VS Code com extensões Python/Jupyter.Python: variáveis, tipos, estruturas (list, dict, tuple, set), comprehensions, funções, Classes 101.NumPy arrays básicos: shapes, tipos, operações elemento a elemento, broadcasting.Matplotlib hello-world: plot, scatter, histogramas.

   Recursos, projetos e entregável

   Nível 1 começa aqui: IA como tutor.

   Recursos (PT-BR)

   • Documentação oficial do Python em PT-BR
   • Curso Python para Ciência de Dados, Flávio Corvaro
   • NumPy quickstart

   Projetos pra fixar

   • Explorar 3 datasets aleatórios com plot: distribuição, histogramas, scatter.

   Marco: Ambiente rodando, primeiro notebook com dados, Jupyter fluente.

2. 1✦ você está aqui
   Mês 1 (Semanas 2-4)

   Fundamentos de dados com Pandas e estatística básica

   Manipulação de dados do mundo real: limpeza, exploração, agregações.

   concluída

   Pandas: Series, DataFrames, leitura (CSV, Excel, JSON), manipulação (loc, iloc, query).Limpeza: valores nulos, outliers, tipos, duplicatas.Exploração visual e estatística: média, mediana, correlação, distribuição.Estatística descritiva: normal, skewness, kurtosis, percentis.

   Recursos, projetos e entregável

   Nível 1 sólido. Peça para explicar por trás de correlação, desvio padrão, distribuições.

   Entregável: 5 mini-projetos de EDA (exploração) em notebooks

   Recursos (PT-BR)

   • Pandas documentation
   • 10 Minutos com Pandas em PT-BR
   • StatQuest com Josh Starmer, YouTube (correlação, distribuição, Z-score)

   Projetos pra fixar

   • Explorar dataset público (Titanic, Iris ou similar): missing values, tipos, correlações.
   • Comparar 2 distribuições de variáveis numéricas.
   • Agregação: média por grupo, pivot tables.
   • Detectar e tratar outliers em dataset real.
   • Recriar um gráfico de análise que viu num blog/paper.

   Marco: Lê um CSV, limpa, explora, faz 3 perguntas com dados e responde com gráficos.

3. 2✦ você está aqui
   Mês 2 (Semanas 5-8)

   Introdução a Scikit-learn e regressão linear

   Primeiro modelo supervisionado: entender overfitting, validação, métricas reais.

   concluída

   Supervised learning: regressão vs classificação.Regressão linear: fit, predict, coeficientes, interpretação.Train/test split, validação cruzada, overfitting.Métricas: MSE, RMSE, R², MAE para regressão.Normalização/padronização (StandardScaler, MinMaxScaler).

   Recursos, projetos e entregável

   Nível 1-2: explique os passos, IA explica a matemática se travar.

   Entregável: 3 modelos regressivos com validação no portfólio

   Recursos (PT-BR)

   • Scikit-learn getting started
   • Hands-On Machine Learning (caps 1-3, via biblioteca)
   • ML Mastery, Jason Brownlee (regressão linear)

   Projetos pra fixar

   • Prever preço de casa (dataset publico): EDA -> normalizar -> modelo -> avaliar.
   • Prever nota de aluno baseado em horas de estudo: explorar, encaixar, interpretar coeficientes.
   • Comparar 2 modelos diferentes no mesmo dataset e explicar qual é melhor.

   Marco: Treina um modelo, avalia em dados unseen, entende overfitting e métricas.

4. 3✦ você está aqui
   Mês 3 (Semanas 9-12)

   Classificação e árvores de decisão

   Problemas binários/multiclasse, feature importance, primeiros padrões emergentes.

   concluída

   Classificação: regressão logística, árvore de decisão, random forest.Métricas: acurácia, precisão, recall, F1, matriz de confusão, curva ROC/AUC.Desbalanceamento de classes: SMOTE, pesos, threshold tuning.Feature importance: árvores ensinam o que importa.GridSearchCV para hyperparameter tuning básico.

   Recursos, projetos e entregável

   Nível 2: Cursor/Claude Code no fluxo, você escreve o pipeline.

   Entregável: Sistema de classificação no portfólio (ex: detecção de fraude, diagnóstico)

   Recursos (PT-BR)

   • Scikit-learn classification guide
   • Curso Aprenda Machine Learning em 7 dias (semana 3)
   • Intuitive Explanations of Confusion Matrix, StatQuest

   Projetos pra fixar

   • Classificador binário (ex: Diabetes dataset): explorar, balancear, treinar, avaliar F1.
   • Classificador multiclasse (ex: Iris ou similar): explicar feature importance.
   • Comparar regressão logística vs árvore vs random forest no mesmo problema.

   Marco: Treina 3+ modelos, explica trade-off entre métricas, diagnostica classe com recall baixo.

5. 4✦ você está aqui
   Mês 4-5 (Semanas 13-20)

   Feature engineering e ensemble (primeiros projetos maiores)

   Transformar dados brutos em features que modelos entendem bem.

   concluída

   Detecção e tratamento de outliers (IQR, Z-score, isolation forest).Codificação: one-hot, ordinal, target encoding; quando usar cada uma.Criação de features: polinomiais, interações, log/sqrt para dados enviesados.Ensemble: Gradient Boosting (XGBoost), Bagging, Voting.Validação: estratificada, temporal (se série).Seleção de features: correlação, importância, recursiva.

   Recursos, projetos e entregável

   Nível 3: IA sugere hipóteses sobre features, você experimenta e valida.

   Entregável: 2 projetos com feature engineering robusto e notebook explicativo

   Recursos (PT-BR)

   • Feature Engineering for Machine Learning, Alice Zheng
   • XGBoost documentation
   • Kaggle Learn: Feature Engineering track

   Projetos pra fixar

   • Problema kaggle real (ex: House Prices, Titanic): feature eng + ensemble + rank no top 30%.
   • Dataset do seu domínio (ex: saúde, ecommerce, RH): explorar, criaçao de features, modelo, notebook explicativo.
   • Refazer projeto anterior (mês 3) com ensemble: comparar desempenho.

   Marco: Cria features que melhram modelo, explica por quê, usa ensemble com hiperparâmetros sintonizados.

6. 5✦ você está aqui
   Mês 6 (Semanas 21-24)

   Deep learning: redes neurais e TensorFlow/Keras

   Imagens, séries temporais, redes convolucionais e RNNs básicas.

   concluída

   Redes neurais: neurônios, backprop, gradient descent (intuição, não derivadas).TensorFlow/Keras: Sequential, Dense, Conv2D, LSTM, batch size, epochs.CNNs: convolução, pooling, flattening, transfer learning (MobileNet, ResNet).RNNs/LSTMs: sequências, time steps, exemplos simples (temperatura, estoque).Data augmentation: rotação, flip, crop (imagens); dropout, regularização.Early stopping, learning rate scheduling.

   Recursos, projetos e entregável

   Nível 3-4: IA ajuda com arquitetura e debugging de treinamento.

   Entregável: 3 modelos deep + 1 CNN em produção (local)

   Recursos (PT-BR)

   • TensorFlow documentation
   • Keras guide
   • Fast.ai (lesson 1-3, visão computacional)
   • Deep Learning Specialization resumido, Coursera

   Projetos pra fixar

   • Classificar imagens (ex: MNIST, CIFAR10, gatos/cães): CNN simples, avaliar, transferência de aprendizado.
   • Prever série temporal (ex: temperatura, estoque, preço): LSTM simples, entender sequências.
   • Classificação de imagens de seu domínio (ex: qualidade de produto, tipo de lesão): treinar, desplegar local.

   Marco: Treina CNN com transfer learning, entende overfitting, consegue prever série temporal com LSTM.

7. 6✦ você está aqui
   Mês 7 (Semanas 25-28)

   PyTorch, modelos maiores e experimentação avançada

   Mais controle, custom layers, modelos modernos, ablation studies.

   concluída

   PyTorch basics: Tensors, autograd, nn.Module, forward pass.Transformers 101: atenção, BERT para classificação (via HuggingFace).Validação estratificada em deep learning.Análise de erro: confusão, cases de borda, visualizar erros.Ablation studies: remover componentes, entender contribuição.Reproducibilidade: seed, checkpoints, logging.

   Recursos, projetos e entregável

   Nível 4: IA ajuda automatizar experimentos, testar variações.

   Entregável: 1 projeto com ablation ou comparação de arquiteturas

   Recursos (PT-BR)

   • PyTorch tutorials
   • HuggingFace documentation
   • Attention is All You Need paper (overview, não álgebra)

   Projetos pra fixar

   • Treinar modelo PyTorch customizado (não transfer): CNN ou RNN simples.
   • Fine-tuning de transformer para classificação de texto/imagem (HuggingFace).
   • Ablation: treinar modelo com/sem camada específica, comparar, documentar.

   Marco: Escreve modelo customizado, entende attention, faz ablation clara.

8. 7✦ você está aqui
   Mês 8-9 (Semanas 29-36)

   Projeto integrador 1: ponta a ponta com deploy local

   Unificar: dados -> features -> modelo -> avaliação -> aplicação pronta.

   concluída

   Pipeline completo: EDA → preprocessing → feature eng → train/val/test → evaluate → inference.Versionamento de dados e modelos (DVC, MLflow introdução).Reprodutibilidade: config files, seeds, documentação.FastAPI ou Flask para servir modelo como API.Docker para empacotar pipeline.Logging e métricas basics.

   Recursos, projetos e entregável

   Nível 4-5: automação de pipeline, logging, monitoramento.

   Entregável: Projeto fullstack ML deployado localmente (API + frontend ou CLI)

   Recursos (PT-BR)

   • MLflow documentation
   • DVC basics
   • FastAPI tutorial

   Projetos pra fixar

   • Projeto capstone 1: dados reais (seu domínio ou Kaggle), pipeline inteira, servido via API ou CLI, git + README + GIF de uso.

   Marco: Projeto do zero ao deploy local, README que explica decisões, modelo versionado, pipeline reproduzível.

9. 8✦ você está aqui
   Mês 10-11 (Semanas 37-44)

   Projeto integrador 2: profundidade em um eixo

   Escolher um eixo: visão (detecção de objetos), NLP, series temporais, MLOps ou domínio específico.

   concluída

   Se visão: YOLO, Mask R-CNN, object detection, segmentação.Se NLP: transformers para NER/QA, fine-tuning BERT em PT, embeddings.Se series temporais: seasonal decomposition, ARIMA, Prophet, LSTM com atenção.Se MLOps: CI/CD pra ML, data/model drift, retraining automático, A/B testing.Se domínio: análise exploratória muito profunda, features do negócio.Testes: validação de dados, testes de modelo (data integrity, performance thresholds).

   Recursos, projetos e entregável

   Nível 5: automação avançada de experimentação, pipeline CI/CD pro ML.

   Entregável: Projeto com arquitetura mais sofisticada no eixo escolhido

   Recursos (PT-BR)

   • YOLO documentação (se visão)
   • NLP with Transformers (Hugging Face)
   • Time Series Forecasting with Prophet
   • Practical MLOps, Noah Gift

   Projetos pra fixar

   • Projeto capstone 2: escolher 1 eixo, ir a fundo, demonstrar especialidade.

   Marco: Domina um eixo, modelo sofisticado, paper/blog post ou apresentação explicando abordagem.

10. 9✦ você está aqui
    Mês 12-14 (Buffer)

    Portfólio, habilidades blandas e preparação para mercado

    Polimento, comunicação, redes, primeiras oportunidades.

    concluída

    Comunicação técnica: escrever sobre projetos, decisões, aprendizados.Entrevista técnica ML: explique trade-offs, quando usar cada modelo, cases de uso.Redes: comunidades Python/ML PT-BR (PyData, Grupy, Machine Learning Brasil).Contribuições open source menores (bugs, docs).Iterar com feedback de processos seletivos: aprofundar gaps.

    Recursos, projetos e entregável

    Consolidar habilidades de IA adquiridas, usar em entrevistas técnicas.

    Entregável: Portfólio pronto (GitHub + LinkedIn + site pessoal), 1 blog post técnico ou vídeo

    Recursos (PT-BR)

    • Comunidade Machine Learning Brasil no Slack
    • PyData Brasil, eventos e networking
    • Towards Data Science (PT), Medium

    Projetos pra fixar

    • 1 repositório 'showcase': README impecável, GIF/vídeo de funcionamento, decisões documentadas.
    • 1 blog post técnico ou vídeo explicando um projeto/conceito.

    Marco: Pronto para processo seletivo, portfólio que conversa, rede formada.

11. ✦você, do outro lado

Checklist final

• Ambiente Python/Jupyter/Git funcionando, commits regulares desde semana 1
• 3 projetos de EDA/exploração em notebooks públicos
• 2 projetos supervisionados (regressão + classificação), com validação e métricas explicadas
• 1 projeto com deep learning (CNN ou RNN) + transfer learning
• 2 projetos capstone: ponta a ponta (dados -> deploy local), documentados, git + README + GIF
• 1 projeto com especialidade em eixo específico (visão, NLP, séries, MLOps)
• Portfoli GitHub com 8+ meses de commits, README com GIF/vídeo de cada projeto
• 1 blog post técnico ou vídeo educacional de um projeto/conceito
• Teste prático de entrevista ML: explica trade-offs, escolhe modelo, valida resultado
• Rede formada: comunidades, contatos, 1-2 conversas com profissionais da área

Princípios

• Erre muito: errar é entender. Cada erro é um padrão que nunca mais faz.
• Matemática cresce com prática: não precisa memorizar fórmulas, só entender intuição.
• Dados são tudo: garbage in, garbage out. Gaste mais tempo em EDA do que em tuning.
• Validação honesta: se treina em tudo, não aprende em nada. Test set é sagrado.
• Portfolio > Certificados: construir bate diploma. Mostre o que fez.
• Comunidade acelera: pergunte, aprenda com outros, compartilhe.
• Honestidade em uncertainty: 'não sei' + plano é melhor que fazer algo arbitrário.
• Reprodutibilidade é profissionalismo: código que roda em outro PC, seedado, documentado.