「Estudando Machine Learning por conta própria」

baeba · 2026-07-16T09:47:55+09:00

1. Objetivo e estrutura do documento Este texto é uma coletânea de materiais de estudo que reúne de forma sistemática cursos, blogs, GitHub, artigos acadêmicos, datasets e outros recursos para quem quer estudar machine learning e deep learning por conta própria. Não é apenas uma lista de links: também apresenta a ordem recomendada de estudo para iniciantes, junto com o nível de dificuldade e o propósito de uso. Abrange uma ampla variedade de temas, de Python a matemática e estatística, machine learning, deep learning, LLMs e prática no Kaggle. É mantido como um projeto público no GitHub, com materiais adicionados por vários colaboradores. 2. Ordem de estudo recomendada Recomenda-se começar aprendendo a sintaxe de Python, depois seguir para o processamento de dados com NumPy e Pandas e para a visualização com ferramentas como Matplotlib. Em seguida, estude álgebra linear, cálculo diferencial, probabilidade e estatística para entender os princípios dos algoritmos de machine learning. Na etapa seguinte, estude machine learning tradicional com Scikit-learn e deep learning baseado em TensorFlow e PyTorch. Por fim, a estrutura busca desenvolver habilidades práticas por meio de projetos no Kaggle, implementação de artigos acadêmicos e análise de dados reais. 3. Fundamentos de matemática e estatística Há uma curadoria de aulas que explicam conceitos matemáticos necessários para estudar IA, como vetores, matrizes, derivadas, derivadas parciais, logaritmo natural e similaridade. Na área de estatística, cobre distribuição de probabilidade, distribuição normal, teste de hipóteses, p-value, intervalo de confiança e teoria bayesiana. Também inclui materiais sobre AR, MA e ARIMA para análise de séries temporais, além de transformada de Fourier em processamento de sinais e decomposição modal empírica. Recomenda-se primeiro materiais introdutórios que ajudam a entender fórmulas complexas com ilustrações e aulas manuscritas. 4. Machine learning tradicional Primeiro explica os princípios básicos de como os modelos aprendem, como gradiente descendente, backpropagation e funções de perda. Cobre algoritmos representativos como regressão linear, regressão logística, árvores de decisão, KNN, SVM, PCA e análise de clusters. Também inclui métodos para reduzir overfitting, como regularização L1 e L2, Lasso, Ridge e ElasticNet. Cada tópico oferece aulas conceituais junto com materiais de implementação em Python, conectando teoria e prática. 5. Principais áreas de deep learning Organiza os principais modelos de deep learning, começando pela estrutura das redes neurais e seguindo por CNN, RNN, LSTM, GAN e reinforcement learning. Em visão computacional, apresenta casos de uso de detecção de objetos, segmentação de imagens, direção autônoma e OpenCV. Em processamento de linguagem natural, cobre Word2Vec, BERT, GPT, Transformer, Attention, Seq2Seq e outros. Permite aprender não só a usar modelos simples, mas também a entender artigos, implementar código e ajustar hiperparâmetros. 6. Tecnologias recentes de IA e formas de aprendizado Apresenta técnicas que encontram automaticamente a estrutura do modelo e seus parâmetros, como AutoML, otimização bayesiana, Hyperband e NAS. Meta-learning é uma forma de aprender rapidamente novos problemas, enquanto active learning é uma forma de treinar escolhendo apenas os dados necessários. Federated learning treina modelos em conjunto em vários dispositivos, sem reunir os dados em um servidor central. Incremental learning e continual learning tratam de métodos para continuar aprendendo novos dados mantendo o conhecimento existente. 7. LLM·LangChain·ChatGPT Apresenta agentes de IA como o AutoGPT, que dividem objetivos propostos pelo usuário em várias etapas e os executam automaticamente. Por meio de exemplos como KoChatGPT e KoAlpaca, é possível estudar fine-tuning de LLMs em coreano e técnicas como RLHF e LoRA. Nos materiais de LangChain, aborda como conectar LLMs a PDFs, sites, CSV·Excel e modelos do Hugging Face. Usando a documentação da OpenAI API e o Cookbook, é possível desenvolver serviços de perguntas e respostas, resumo de documentos e análise de dados. 8. Aprendizado prático com Kaggle e Dacon Oferece materiais em etapas, desde como começar no Kaggle até uso de datasets, API, processo de participação em competições e soluções vencedoras. É possível praticar problemas de classificação e regressão, como Titanic, preços de imóveis, risco de crédito e demanda por bicicletas. Também há competições e tutoriais separados por área, como detecção de imagens, processamento de linguagem natural, séries temporais e áudio. O ponto central é ganhar experiência em pré-processamento de dados, validação de modelos e melhoria de desempenho em problemas semelhantes aos do trabalho real. 9. Diversas formas de materiais de estudo As aulas são compostas principalmente por conteúdos gratuitos ou abertos de plataformas como Coursera, Stanford, T Academy e YouTube. Os blogs explicam com mais profundidade temas como matemática, estatística, artigos acadêmicos e processamento de linguagem natural. Os repositórios no GitHub incluem Jupyter Notebooks executáveis, códigos de exemplo, modelos pré-treinados e datasets. Wikidocs e e-books são adequados para estudar Python, deep learning, algorithmic trading e outros temas em sequência, como em um livro. 10. Open data e ferramentas de desenvolvimento Apresenta diversas fontes de dados, como AI Hub, portal de dados públicos, Seoul Open Data Plaza e Papers with Code. Organiza bibliotecas por objetivo, com foco em TensorFlow, PyTorch e Scikit-learn. Também inclui o PublicDataReader, que consulta dados públicos como DataFrame, além de datasets médicos, de visão e em coreano. Há ainda materiais sobre ambientes de desenvolvimento baseados em Docker e configuração de servidores com GPU, úteis para montar um ambiente real de projeto. 11. Comunidades e informações de carreira É possível trocar perguntas e informações por meio de comunidades por tecnologia, como TensorFlow Korea, PyTorch KR e Kaggle Korea. Entrevistas com cientistas de dados e engenheiros de machine learning em atuação apresentam experiências sobre trabalho, emprego, salário e pós-graduação. Também é possível conhecer a possibilidade de entrada para quem não vem da área e as diferenças entre os papéis de data scientist e engenheiro de ML. Mostra que, além do aprendizado técnico, portfólio, competições e participação em comunidades são importantes para se preparar para a carreira. Avaliação principal Perspectiva Conteúdo Natureza do material Coletânea abrangente de links e materiais práticos para estudar machine learning e IA por conta própria Principais vantagens Abrange desde fundamentos até LLMs recentes e tem muitos materiais gratuitos Leitores indicados Iniciantes em IA, desenvolvedores, analistas de dados e quem se prepara para o Kaggle Forma de uso Em vez de ver todos os materiais em sequência, escolher uma trilha de estudo de acordo com a área de interesse Atenção Alguns materiais são antigos, por isso é necessário verificar as versões das bibliotecas e se as tecnologias ainda são atuais

(github.com/teddylee777)

32 pontos por baeba 6 시간 전 | 2 comentários | Compartilhar no WhatsApp

1. Objetivo e estrutura do documento

Este texto é uma coletânea de materiais de estudo que reúne de forma sistemática cursos, blogs, GitHub, artigos acadêmicos, datasets e outros recursos para quem quer estudar machine learning e deep learning por conta própria.
Não é apenas uma lista de links: também apresenta a ordem recomendada de estudo para iniciantes, junto com o nível de dificuldade e o propósito de uso.
Abrange uma ampla variedade de temas, de Python a matemática e estatística, machine learning, deep learning, LLMs e prática no Kaggle.
É mantido como um projeto público no GitHub, com materiais adicionados por vários colaboradores.

2. Ordem de estudo recomendada

Recomenda-se começar aprendendo a sintaxe de Python, depois seguir para o processamento de dados com NumPy e Pandas e para a visualização com ferramentas como Matplotlib.
Em seguida, estude álgebra linear, cálculo diferencial, probabilidade e estatística para entender os princípios dos algoritmos de machine learning.
Na etapa seguinte, estude machine learning tradicional com Scikit-learn e deep learning baseado em TensorFlow e PyTorch.
Por fim, a estrutura busca desenvolver habilidades práticas por meio de projetos no Kaggle, implementação de artigos acadêmicos e análise de dados reais.

3. Fundamentos de matemática e estatística

Há uma curadoria de aulas que explicam conceitos matemáticos necessários para estudar IA, como vetores, matrizes, derivadas, derivadas parciais, logaritmo natural e similaridade.
Na área de estatística, cobre distribuição de probabilidade, distribuição normal, teste de hipóteses, p-value, intervalo de confiança e teoria bayesiana.
Também inclui materiais sobre AR, MA e ARIMA para análise de séries temporais, além de transformada de Fourier em processamento de sinais e decomposição modal empírica.
Recomenda-se primeiro materiais introdutórios que ajudam a entender fórmulas complexas com ilustrações e aulas manuscritas.

4. Machine learning tradicional

Primeiro explica os princípios básicos de como os modelos aprendem, como gradiente descendente, backpropagation e funções de perda.
Cobre algoritmos representativos como regressão linear, regressão logística, árvores de decisão, KNN, SVM, PCA e análise de clusters.
Também inclui métodos para reduzir overfitting, como regularização L1 e L2, Lasso, Ridge e ElasticNet.
Cada tópico oferece aulas conceituais junto com materiais de implementação em Python, conectando teoria e prática.

5. Principais áreas de deep learning

Organiza os principais modelos de deep learning, começando pela estrutura das redes neurais e seguindo por CNN, RNN, LSTM, GAN e reinforcement learning.
Em visão computacional, apresenta casos de uso de detecção de objetos, segmentação de imagens, direção autônoma e OpenCV.
Em processamento de linguagem natural, cobre Word2Vec, BERT, GPT, Transformer, Attention, Seq2Seq e outros.
Permite aprender não só a usar modelos simples, mas também a entender artigos, implementar código e ajustar hiperparâmetros.

6. Tecnologias recentes de IA e formas de aprendizado

Apresenta técnicas que encontram automaticamente a estrutura do modelo e seus parâmetros, como AutoML, otimização bayesiana, Hyperband e NAS.
Meta-learning é uma forma de aprender rapidamente novos problemas, enquanto active learning é uma forma de treinar escolhendo apenas os dados necessários.
Federated learning treina modelos em conjunto em vários dispositivos, sem reunir os dados em um servidor central.
Incremental learning e continual learning tratam de métodos para continuar aprendendo novos dados mantendo o conhecimento existente.

7. LLM·LangChain·ChatGPT

Apresenta agentes de IA como o AutoGPT, que dividem objetivos propostos pelo usuário em várias etapas e os executam automaticamente.
Por meio de exemplos como KoChatGPT e KoAlpaca, é possível estudar fine-tuning de LLMs em coreano e técnicas como RLHF e LoRA.
Nos materiais de LangChain, aborda como conectar LLMs a PDFs, sites, CSV·Excel e modelos do Hugging Face.
Usando a documentação da OpenAI API e o Cookbook, é possível desenvolver serviços de perguntas e respostas, resumo de documentos e análise de dados.

8. Aprendizado prático com Kaggle e Dacon

Oferece materiais em etapas, desde como começar no Kaggle até uso de datasets, API, processo de participação em competições e soluções vencedoras.
É possível praticar problemas de classificação e regressão, como Titanic, preços de imóveis, risco de crédito e demanda por bicicletas.
Também há competições e tutoriais separados por área, como detecção de imagens, processamento de linguagem natural, séries temporais e áudio.
O ponto central é ganhar experiência em pré-processamento de dados, validação de modelos e melhoria de desempenho em problemas semelhantes aos do trabalho real.

9. Diversas formas de materiais de estudo

As aulas são compostas principalmente por conteúdos gratuitos ou abertos de plataformas como Coursera, Stanford, T Academy e YouTube.
Os blogs explicam com mais profundidade temas como matemática, estatística, artigos acadêmicos e processamento de linguagem natural.
Os repositórios no GitHub incluem Jupyter Notebooks executáveis, códigos de exemplo, modelos pré-treinados e datasets.
Wikidocs e e-books são adequados para estudar Python, deep learning, algorithmic trading e outros temas em sequência, como em um livro.

10. Open data e ferramentas de desenvolvimento

Apresenta diversas fontes de dados, como AI Hub, portal de dados públicos, Seoul Open Data Plaza e Papers with Code.
Organiza bibliotecas por objetivo, com foco em TensorFlow, PyTorch e Scikit-learn.
Também inclui o PublicDataReader, que consulta dados públicos como DataFrame, além de datasets médicos, de visão e em coreano.
Há ainda materiais sobre ambientes de desenvolvimento baseados em Docker e configuração de servidores com GPU, úteis para montar um ambiente real de projeto.

11. Comunidades e informações de carreira

É possível trocar perguntas e informações por meio de comunidades por tecnologia, como TensorFlow Korea, PyTorch KR e Kaggle Korea.
Entrevistas com cientistas de dados e engenheiros de machine learning em atuação apresentam experiências sobre trabalho, emprego, salário e pós-graduação.
Também é possível conhecer a possibilidade de entrada para quem não vem da área e as diferenças entre os papéis de data scientist e engenheiro de ML.
Mostra que, além do aprendizado técnico, portfólio, competições e participação em comunidades são importantes para se preparar para a carreira.

Avaliação principal

Perspectiva	Conteúdo
Natureza do material	Coletânea abrangente de links e materiais práticos para estudar machine learning e IA por conta própria
Principais vantagens	Abrange desde fundamentos até LLMs recentes e tem muitos materiais gratuitos
Leitores indicados	Iniciantes em IA, desenvolvedores, analistas de dados e quem se prepara para o Kaggle
Forma de uso	Em vez de ver todos os materiais em sequência, escolher uma trilha de estudo de acordo com a área de interesse
Atenção	Alguns materiais são antigos, por isso é necessário verificar as versões das bibliotecas e se as tecnologias ainda são atuais

2 comentários

ihope 4 시간 전

Oh~~ gostei desse tipo de coisa~!

blizard4479 4 시간 전

Uau, obrigado pelo material incrível!