Roadmap guiado

Inteligencia Artificial

Usa dados, modelos e algoritmos para criar sistemas que reconhecem padroes e apoiam decisoes.

Abra cada etapa, estude as explicações e marque o que você já praticou. Não é uma corrida: o progresso serve para mostrar seu próximo passo.

Começar o roadmap Refazer o quiz

Sua trilha

Estude uma etapa de cada vez

Os tempos são referências. Você pode avançar mais rápido, revisar assuntos ou adaptar a ordem conforme seus projetos.

01 Iniciante - 0-2 meses Python e dados Construir a base antes de falar em modelo. 0/3
IA aplicada comeca em programacao e dados. Python permite automatizar experimentos, Pandas organiza tabelas e graficos ajudam a enxergar distribuicoes, valores estranhos e relacoes antes de qualquer modelo.
O que praticar nesta etapa
- Pratique Python, listas, funcoes e notebooks. Marque depois de praticar, não apenas depois de ler.
- Aprenda Pandas para ler e limpar dados. Marque depois de praticar, não apenas depois de ler.
- Use graficos simples para entender padroes. Marque depois de praticar, não apenas depois de ler.
Desafio da etapa
Conclua exercicios de Python, carregue uma base em um notebook, trate campos ausentes e explique tres observacoes usando graficos simples.

Materiais para continuar

Tutorial Python: introducao informal Fundamentos oficiais de numeros, textos, listas e repeticoes. Abrir material Documentacao Pandas: primeiros passos Tutoriais oficiais para trabalhar com dados tabulares. Abrir material
02 Iniciante - 2-4 meses Matematica na medida Entender o suficiente para nao usar IA no escuro. 0/3
A matematica entra para explicar variacao, distancia, erro e ajuste. No inicio, media, desvio, porcentagem, correlacao e leitura de graficos sao mais uteis do que tentar dominar todo o calculo antes de praticar.
O que praticar nesta etapa
- Revise media, desvio, porcentagem e correlacao. Marque depois de praticar, não apenas depois de ler.
- Entenda treino, teste, erro e metrica. Marque depois de praticar, não apenas depois de ler.
- Nao trave em matematica avancada no inicio. Marque depois de praticar, não apenas depois de ler.
Desafio da etapa
Calcule medidas de uma base pequena, compare duas distribuicoes e explique com suas palavras por que correlacao nao prova causa.

Materiais para continuar

Preparacao Google ML: prerequisites Revisao recomendada de algebra, estatistica e Python. Abrir material Livro aberto OpenIntro Statistics Material gratuito para fundamentos de estatistica. Abrir material
03 Intermediario - 4-6 meses Machine learning basico Treinar modelos simples e medir resultado. 0/3
Machine learning aprende padroes a partir de exemplos. Separar treino e teste, escolher uma metrica coerente e comparar com um baseline evita achar que um modelo e bom apenas porque produziu um numero alto.
O que praticar nesta etapa
- Pratique classificacao e regressao. Marque depois de praticar, não apenas depois de ler.
- Compare modelos simples antes de buscar complexidade. Marque depois de praticar, não apenas depois de ler.
- Explique onde o modelo erra e por que isso importa. Marque depois de praticar, não apenas depois de ler.
Desafio da etapa
Treine um modelo de classificacao e outro de regressao. Para cada um, defina baseline, metrica e dois tipos de erro que teriam impacto diferente no mundo real.

Materiais para continuar

Curso Machine Learning Crash Course Curso oficial do Google com conceitos e exercicios. Abrir material Documentacao scikit-learn: getting started Fluxo oficial para treino, avaliacao e pipelines. Abrir material
04 Intermediario - 6-8 meses Projeto aplicado Resolver um problema pequeno com dados reais. 0/3
Projeto aplicado precisa comecar por uma pergunta e uma base adequada, nao pelo algoritmo mais complexo. Limpeza, avaliacao e interpretacao costumam consumir mais trabalho do que chamar o metodo de treino.
O que praticar nesta etapa
- Escolha uma base publica com objetivo claro. Marque depois de praticar, não apenas depois de ler.
- Documente limpeza, modelo, metrica e conclusao. Marque depois de praticar, não apenas depois de ler.
- Mostre limites e cuidados eticos. Marque depois de praticar, não apenas depois de ler.
Desafio da etapa
Escolha uma base publica, escreva o objetivo antes do codigo e publique um notebook com limpeza, baseline, modelo, metrica, erros e limitacoes.

Materiais para continuar

Plataforma Kaggle Learn Mini-cursos e notebooks para pratica orientada. Abrir material Exemplos scikit-learn examples Galeria oficial de problemas e modelos. Abrir material
05 Avancado inicial - 8-10 meses IA em produto Integrar IA a uma solucao utilizavel. 0/3
Colocar IA em um produto inclui interface, tempo de resposta, custo, privacidade e uma forma de lidar com resultados incorretos. Modelos prontos aceleram prototipos, mas precisam de limites claros e avaliacao no contexto real.
O que praticar nesta etapa
- Consuma uma API ou modelo pronto com responsabilidade. Marque depois de praticar, não apenas depois de ler.
- Crie uma interface simples para testar o resultado. Marque depois de praticar, não apenas depois de ler.
- Adicione alertas sobre erro, vies e privacidade. Marque depois de praticar, não apenas depois de ler.
Desafio da etapa
Crie uma interface pequena para um modelo ou API, inclua exemplos de uso, aviso de limitacoes e uma forma de o usuario corrigir ou rejeitar o resultado.

Materiais para continuar

Curso Hugging Face Course Uso pratico de modelos, datasets e bibliotecas abertas. Abrir material Curso Hugging Face Audio Course Exemplo oficial de uma especializacao aplicada em audio. Abrir material
06 Carreira - 10-12 meses Portfolio e foco Decidir se a porta de entrada sera dados, automacao ou ML. 0/3
O portfolio deve provar que voce sabe explicar um experimento, nao apenas executar uma biblioteca. Dados, baseline, metrica, erros, vieses e decisao final precisam aparecer para que outra pessoa consiga avaliar o trabalho.
O que praticar nesta etapa
- Monte 2 projetos explicaveis e bem documentados. Marque depois de praticar, não apenas depois de ler.
- Estude vagas junior e requisitos recorrentes. Marque depois de praticar, não apenas depois de ler.
- Treine explicar IA sem prometer milagre. Marque depois de praticar, não apenas depois de ler.
Desafio da etapa
Selecione dois projetos com problemas diferentes e prepare uma apresentacao sem jargao. Compare vagas de dados, automacao e ML para escolher a proxima especializacao.

Materiais para continuar

Guia Google: Responsible AI Praticas para avaliar impactos e limites de sistemas de IA. Abrir material Documentacao Model Cards Formato para registrar uso, avaliacao e limitacoes de modelos. Abrir material

Depois da trilha

Transforme estudo em algo que você possa mostrar

Escolha um dos projetos sugeridos na página da área, publique o processo e explique o que aprendeu. Um projeto pequeno concluído vale mais do que uma lista enorme apenas lida.

Ver projetos da área Explorar outra rota

Inteligencia Artificial

Estude uma etapa de cada vez

O que praticar nesta etapa

Materiais para continuar

O que praticar nesta etapa

Materiais para continuar

O que praticar nesta etapa

Materiais para continuar

O que praticar nesta etapa

Materiais para continuar

O que praticar nesta etapa

Materiais para continuar

O que praticar nesta etapa

Materiais para continuar

Transforme estudo em algo que você possa mostrar