Trilha de estudo
Trilha Aprendizado de Máquina: tudo o que estudar, tópico por tópico
Avaliação abrangente de aprendizado de máquina cobrindo estatística, ML clássico, aprendizado profundo, MLOps, técnicas avançadas e sistemas de ML em produção.
Resposta curta
Para aprender Aprendizado de Máquina, percorra 6 módulos e 29 tópicos na ordem em que um apoia o próximo. Comece por Fundamentos e siga para ML Clássico e Aprendizado Profundo. Use o mapa como checklist, ou meça seu nível e estude só o que falta.
O que você vai estudar
Os tópicos estão agrupados por módulo. Abra um para ver os objetivos e os conceitos-chave.
1 · Fundamentos4 tópicos
Estatística e Probabilidade
Distribuições, testes de hipótese, teorema de Bayes, intervalos de confiança e significância estatística
Objetivos
- Aplicar o teorema de Bayes a problemas de classificação
- Interpretar testes de hipótese e intervalos de confiança
Conceitos-chave
- distribuições de probabilidade
- teorema de Bayes
- testes de hipótese
- intervalos de confiança
- valores-p
- teorema do limite central
Álgebra Linear
Vetores, matrizes, decomposição em autovalores, SVD e seu papel em algoritmos de ML
Objetivos
- Explicar como SVD se aplica à redução de dimensionalidade
- Calcular e interpretar operações matriciais para ML
Conceitos-chave
- multiplicação de matrizes
- autovalores
- autovetores
- SVD
- produto escalar
- espaços vetoriais
Pré-processamento de Dados
Valores ausentes, codificação, escalonamento, normalização e estratégias de divisão de dados
Objetivos
- Escolher a codificação apropriada para variáveis categóricas
- Aplicar estratégias de escalonamento corretas para diferentes algoritmos
Conceitos-chave
- imputação de valores ausentes
- codificação one-hot
- codificação de rótulos
- escalonamento min-max
- padronização
- divisão treino-teste
Análise Exploratória de Dados
Análise de distribuições, correlação, detecção de outliers, relacionamentos entre features e visualização
Objetivos
- Identificar problemas de qualidade de dados por meio de EDA
- Selecionar features relevantes usando análise de correlação
Conceitos-chave
- análise de correlação
- detecção de outliers
- gráficos de distribuição
- distribuições de features
- visualização de dados
- estatísticas descritivas
2 · ML Clássico4 tópicos
Aprendizado Supervisionado
Regressão linear/logística, árvores de decisão, SVMs, k-NN e trade-off viés-variância
Objetivos
- Selecionar algoritmos supervisionados apropriados para problemas dados
- Explicar o trade-off viés-variância e a regularização
Conceitos-chave
- regressão linear
- regressão logística
- árvores de decisão
- SVM
- k-NN
- trade-off viés-variância
- sobreajuste
Aprendizado Não Supervisionado
K-means, agrupamento hierárquico, DBSCAN, PCA e redução de dimensionalidade
Objetivos
- Escolher algoritmos de agrupamento com base nas características dos dados
- Aplicar PCA para redução de dimensionalidade de forma eficaz
Conceitos-chave
- k-means
- agrupamento hierárquico
- DBSCAN
- PCA
- t-SNE
- pontuação silhouette
- método do cotovelo
Métodos de Ensemble
Bagging, boosting, florestas aleatórias, gradient boosting, XGBoost e stacking
Objetivos
- Comparar estratégias de bagging e boosting
- Ajustar hiperparâmetros de gradient boosting de forma eficaz
Conceitos-chave
- bagging
- boosting
- floresta aleatória
- gradient boosting
- XGBoost
- LightGBM
- stacking
Avaliação de Modelos
Validação cruzada, precisão/recall, ROC-AUC, matriz de confusão e testes estatísticos
Objetivos
- Selecionar métricas de avaliação alinhadas com objetivos de negócio
- Implementar validação cruzada para evitar vazamento de dados
Conceitos-chave
- validação cruzada
- precisão
- recall
- pontuação F1
- ROC-AUC
- matriz de confusão
- divisões estratificadas
3 · Aprendizado Profundo4 tópicos
Redes Neurais
Perceptrons, retropropagação, funções de ativação, otimizadores e regularização
Objetivos
- Explicar a retropropagação e o fluxo de gradientes
- Escolher funções de ativação e otimizadores apropriados
Conceitos-chave
- retropropagação
- funções de ativação
- SGD
- otimizador Adam
- dropout
- normalização em lote
- gradientes desvanecentes
Redes Neurais Convolucionais
Convoluções, pooling, arquiteturas (ResNet, VGG) e aplicações de visão computacional
Objetivos
- Projetar arquiteturas CNN para tarefas de imagem
- Explicar conexões residuais e seu propósito
Conceitos-chave
- camadas de convolução
- pooling
- stride e padding
- ResNet
- VGG
- mapas de features
- campo receptivo
RNNs e LSTMs
Redes recorrentes, portas LSTM, GRUs, modelagem de sequências e fundamentos de atenção
Objetivos
- Explicar os mecanismos de portas do LSTM
- Escolher entre variantes de RNN para tarefas de sequência
Conceitos-chave
- RNN
- portas LSTM
- GRU
- sequência para sequência
- gradientes desvanecentes em RNNs
- RNN bidirecional
Transformers
Autoatenção, atenção multi-cabeça, codificação posicional, BERT, GPT e ajuste fino
Objetivos
- Explicar o mecanismo de autoatenção matematicamente
- Comparar arquiteturas somente-codificador versus somente-decodificador
Conceitos-chave
- autoatenção
- atenção multi-cabeça
- codificação posicional
- BERT
- GPT
- codificador-decodificador
- tokenização
4 · MLOps4 tópicos
Engenharia de Features
Feature stores, extração de features, seleção, pipelines de transformação e vazamento de dados
Objetivos
- Projetar pipelines de features que previnam vazamento de dados
- Implementar feature stores para servir online/offline
Conceitos-chave
- feature stores
- extração de features
- seleção de features
- vazamento de dados
- pipelines de features
- features online versus offline
Servindo Modelos
Endpoints REST/gRPC, inferência em lote versus tempo real, versionamento de modelos e testes A/B
Objetivos
- Projetar infraestrutura de servir modelos para produção
- Implementar implantação segura de modelos com testes A/B
Conceitos-chave
- API de inferência REST
- servindo via gRPC
- inferência em lote
- inferência em tempo real
- versionamento de modelos
- testes A/B
- implantações canário
Rastreamento de Experimentos
MLflow, Weights & Biases, registro de modelos, reprodutibilidade e gestão de metadados
Objetivos
- Configurar rastreamento de experimentos para ML reprodutível
- Gerenciar versões de modelos por meio de um registro
Conceitos-chave
- MLflow
- Weights & Biases
- registro de modelos
- reprodutibilidade de experimentos
- registro de hiperparâmetros
- rastreamento de artefatos
Pipelines de Dados
ETL para ML, Airflow, validação de dados, detecção de drift e orquestração de pipelines
Objetivos
- Projetar pipelines de dados de ML com portões de validação
- Implementar detecção de drift para modelos em produção
Conceitos-chave
- Airflow
- validação de dados
- detecção de drift de dados
- orquestração de pipelines
- Great Expectations
- validação de esquema
5 · Técnicas Avançadas4 tópicos
Aprendizado por Transferência
Modelos pré-treinados, estratégias de ajuste fino, adaptação de domínio e aprendizado com poucos exemplos
Objetivos
- Projetar estratégias de ajuste fino para tarefas específicas de domínio
- Aplicar métodos de ajuste fino eficientes em parâmetros
Conceitos-chave
- modelos pré-treinados
- ajuste fino
- extração de features
- adaptação de domínio
- aprendizado com poucos exemplos
- LoRA
Aprendizado por Reforço
MDPs, Q-learning, gradiente de política, ator-crítico e modelagem de recompensas
Objetivos
- Formular problemas como MDPs com recompensas apropriadas
- Comparar métodos baseados em valor e baseados em política
Conceitos-chave
- processo de decisão de Markov
- Q-learning
- gradiente de política
- ator-crítico
- modelagem de recompensas
- exploração versus explotação
Modelos Generativos
GANs, VAEs, modelos de difusão, modelos autorregressivos e métricas de avaliação
Objetivos
- Comparar arquiteturas de modelos generativos e seus trade-offs
- Diagnosticar problemas de treinamento como colapso de modo
Conceitos-chave
- GANs
- VAEs
- modelos de difusão
- geração autorregressiva
- pontuação FID
- colapso de modo
Otimização de Hiperparâmetros
Busca em grade, otimização bayesiana, Optuna, parada antecipada e design de espaço de busca
Objetivos
- Projetar estratégias eficientes de busca de hiperparâmetros
- Aplicar otimização bayesiana para grandes espaços de busca
Conceitos-chave
- busca em grade
- busca aleatória
- otimização bayesiana
- Optuna
- parada antecipada
- agendamento de taxa de aprendizado
6 · ML Especialista9 tópicos
Treinamento Distribuído
Paralelismo de dados, paralelismo de modelo, acumulação de gradientes e estratégias multi-GPU
Objetivos
- Projetar treinamento distribuído para modelos com bilhões de parâmetros
- Escolher estratégias de paralelismo com base no tamanho do modelo
Conceitos-chave
- paralelismo de dados
- paralelismo de modelo
- paralelismo de pipeline
- acumulação de gradientes
- all-reduce
- DeepSpeed
- FSDP
Interpretabilidade
SHAP, LIME, visualização de atenção, importância de features e auditoria de equidade
Objetivos
- Aplicar SHAP/LIME para explicações de modelos
- Auditar modelos quanto a viés e problemas de equidade
Conceitos-chave
- valores SHAP
- LIME
- visualização de atenção
- importância de features
- métricas de equidade
- detecção de viés
Design de Sistemas de ML
Sistemas de ML ponta a ponta, orçamentos de latência, ciclos de feedback e estratégias de monitoramento
Objetivos
- Projetar sistemas de ML ponta a ponta com restrições de produção
- Construir ciclos de feedback para melhoria contínua de modelos
Conceitos-chave
- sistemas de ML ponta a ponta
- orçamentos de latência
- ciclos de feedback
- monitoramento de modelos
- volante de dados
- trade-offs de sistema
Da Pesquisa à Produção
Implementação de artigos, do protótipo à produção, dívida técnica e processos de equipe de ML
Objetivos
- Fazer a ponte entre protótipos de pesquisa e produção
- Gerenciar dívida técnica de ML em sistemas de grande porte
Conceitos-chave
- reprodução de artigos
- do protótipo à produção
- dívida técnica de ML
- testes de sistemas de ML
- fluxos de trabalho da equipe
- do experimento à implantação
ML Causal e Raciocínio Contrafactual
Aplicação de métodos de ML causal: double ML, modelagem de uplift, estimativa contrafactual e grafos causais em pipelines de ML
Objetivos
- Aplicar métodos de ML causal para estimar efeitos de tratamento em dados observacionais
- Projetar modelos de uplift para estratégias de intervenção personalizadas
Conceitos-chave
- double ML
- modelagem de uplift
- estimativa contrafactual
- CATE
- grafos causais
- equações estruturais
- framework DoWhy
Robustez de ML e Exemplos Adversariais
Compreensão e defesa contra ataques adversariais, mudança de distribuição e avaliação de robustez de modelos
Objetivos
- Avaliar a robustez de modelos sob condições adversariais e de mudança de distribuição
- Aplicar treinamento adversarial para melhorar a robustez de modelos
Conceitos-chave
- exemplos adversariais
- FGSM
- PGD
- treinamento adversarial
- mudança de distribuição
- métricas de robustez
- defesas certificadas
Arquitetura de Aprendizado Federado
Projetando sistemas de aprendizado federado: algoritmos de agregação, garantias de privacidade, eficiência de comunicação e implantação em produção
Objetivos
- Projetar um sistema de aprendizado federado com garantias de privacidade diferencial
- Abordar desafios de heterogeneidade de dados e eficiência de comunicação em FL
Conceitos-chave
- FedAvg
- privacidade diferencial
- agregação segura
- rodadas de comunicação
- dados heterogêneos
- envenenamento de modelo
- TFF/PySyft
Interpretabilidade de ML em Profundidade
Aplicação de métodos avançados de interpretabilidade: valores SHAP, LIME, gradientes integrados e explicações agnósticas ao modelo em escala
Objetivos
- Selecionar o método de interpretabilidade apropriado para um dado modelo e partes interessadas
- Escalar explicações SHAP para cargas de trabalho de inferência em produção
Conceitos-chave
- SHAP
- LIME
- gradientes integrados
- visualização de atenção
- explicações contrafactuais
- explicações globais versus locais
- trade-off interpretabilidade versus acurácia
Aprendizado Profundo Bayesiano
Incorporação de quantificação de incerteza em aprendizado profundo: redes neurais bayesianas, Monte Carlo dropout e calibração
Objetivos
- Implementar quantificação de incerteza para predições de ML de alto risco
- Calibrar modelos de aprendizado profundo e avaliar a qualidade da calibração
Conceitos-chave
- redes neurais bayesianas
- MC dropout
- ensembles profundos
- calibração (ECE)
- incerteza epistêmica versus aleatória
- escalonamento de temperatura
- aproximação de Laplace
Níveis: Júnior, Pleno, Sênior e Especialista
Explique com suas palavras
Corrigido por IA · sem cadastro · 1 perguntaSem alternativas para chutar: você escreve, a IA corrige com a rubrica do tópico e diz em que nível sua resposta está.
Já estuda Aprendizado de Máquina?
A avaliação mede tópico por tópico, e o plano pula o que você já sabe.
Aberto para ler. A conta só é necessária para ser medido.
Perguntas frequentes
Por onde começar a estudar Aprendizado de Máquina?
Comece por Fundamentos: Estatística e Probabilidade, Álgebra Linear e Pré-processamento de Dados. O mapa ordena os tópicos pelo que depende de quê, então cada um prepara o seguinte.
Quanto tempo leva uma avaliação completa de Aprendizado de Máquina?
Uma avaliação completa desta trilha leva cerca de 60 minutos. O tempo de estudo depende de onde você começa; o diagnóstico mostra quais tópicos você pode pular.
Preciso de conta para usar esta página?
Não. O mapa, os objetivos e os conceitos-chave são abertos. A conta só é necessária para ser medido, ver seu gap por tópico e receber um plano.