aprendizado
Um registro contínuo de coisas que estou aprendendo para desenvolver fortes habilidades básicas de engenharia de software e, ao mesmo tempo, expandir um pouco meu conhecimento de tecnologias adjacentes todos os dias.
Atualizado : Uma vez por mês | Foco atual : IA generativa
Habilidades Básicas
Programação Python
| Recurso | Progresso |
|---|
| Datacamp: Escrevendo Código Python Eficiente | ✅ |
| Datacamp: Escrevendo funções em Python | ✅ |
| Datacamp: Programação Orientada a Objetos em Python | ✅ |
| Datacamp: Programação Intermediária Orientada a Objetos em Python | ✅ |
| Datacamp: Importando Dados em Python (Parte 1) | ✅ |
| Datacamp: Importando Dados em Python (Parte 2) | ✅ |
| Datacamp: Python intermediário para ciência de dados | ✅ |
| Datacamp: Caixa de ferramentas de ciência de dados Python (Parte 1) | ✅ |
| Datacamp: caixa de ferramentas de ciência de dados Python (parte 2) | ✅ |
| Datacamp: Desenvolvendo Pacotes Python | ✅ |
| Datacamp: Fundamentos do Conda | ✅ |
| Youtube: Tutorial: Sebastian Witowski - Modern Python Developer's Toolkit | ✅ |
| Datacamp: Trabalhando com datas e horas em Python | ✅ |
| Datacamp: automação de linha de comando em Python | ⬜ |
| Datacamp: testes unitários para ciência de dados em Python | ✅ |
| Livro: Python 201 | ⬜ |
| Livro: Escrevendo Python Idiomático 3 | ⬜ |
| Livro: Desenvolvimento Orientado a Testes com Python | ⬜ |
| Artigo: Muitos utilitários de linha de comando do Python | ⬜ |
| Artigo: Introdução de um programador ao Unicode | ⬜ |
| Artigo: Introdução ao perfil de memória em Python | ✅ |
| Artigo: Criação de perfil de código Python com memory_profiler | ✅ |
| Artigo: Como usar "memory_profiler" para criar perfil de uso de memória por código Python? | ✅ |
Estruturas de dados e algoritmos
| Recurso | Progresso |
|---|
| Livro: Algoritmos Grokking | ✅ |
| Livro: O currículo técnico de dentro para fora | ✅ |
| Neetcode: algoritmos e estruturas de dados para iniciantes | ✅ |
| Udacity: introdução às estruturas de dados e algoritmos | ✅ |
Linux e linha de comando
| Recurso | Progresso |
|---|
| Datacamp: Introdução ao Shell para Ciência de Dados | ✅ |
| Datacamp: introdução ao script Bash | ✅ |
| Datacamp: Processamento de dados em Shell | ✅ |
| MIT: O semestre perdido | ✅ |
| Udacity: Noções básicas de linha de comando do Linux | ✅ |
| Udacity: Oficina de Conchas | ✅ |
| Udacity: Configurando Servidores Web Linux | ✅ |
Controle de versão
| Recurso | Progresso |
|---|
| Udacity: controle de versão com Git | ✅ |
| Datacamp: introdução ao Git para ciência de dados | ✅ |
| Udacity: GitHub e colaboração | ✅ |
| Udacity: como usar Git e GitHub | ✅ |
Bancos de dados
| Recurso | Progresso |
|---|
| Udacity: introdução ao banco de dados relacional | ✅ |
| Udacity: conceitos e design de sistemas de banco de dados | ⬜ |
| Datacamp: Design de banco de dados | ⬜ |
| Datacamp: Introdução aos bancos de dados em Python | ⬜ |
| Datacamp: introdução ao SQL para ciência de dados | ✅ |
| Datacamp: SQL intermediário | ⬜ |
| Datacamp: Unindo Dados no PostgreSQL | ⬜ |
| Udacity: SQL para análise de dados | ⬜ |
| Datacamp: Análise Exploratória de Dados em SQL | ⬜ |
| Datacamp: Aplicando SQL a problemas do mundo real | ⬜ |
| Datacamp: Analisando Dados de Negócios em SQL | ⬜ |
| Datacamp: Relatórios em SQL | ⬜ |
| Datacamp: tomada de decisão baseada em dados em SQL | ⬜ |
| Datacamp: Conceitos NoSQL | ⬜ |
| Datacamp: Introdução ao MongoDB em Python | ⬜ |
Engenharia de back-end
| Recurso | Progresso |
|---|
| Udacity: Autenticação e Autorização: OAuth | ⬜ |
| Udacity: servidores HTTP e Web | ⬜ |
| Udacity: Comunicação Cliente-Servidor | ⬜ |
| Udacity: Projetando APIs RESTful | ⬜ |
| Datacamp: Introdução às APIs em Python | ⬜ |
| Udacity: Rede para Desenvolvedores Web | ⬜ |
Projeto de Sistema de Produção
| Recurso | Progresso |
|---|
| Livro: Projetando Sistemas de Aprendizado de Máquina | ✅ |
| Neetcode: design de sistema para iniciantes | ✅ |
| Neetcode: Entrevista de design de sistema | ✅ |
| Datacamp: análise de clientes e testes A/B em Python | ✅ |
| Datacamp: Teste A/B em Python | ⬜ |
| Udacity: teste A/B | ⬜ |
| Datacamp: conceitos de MLOps | ✅ |
| Datacamp: conceitos de monitoramento de aprendizado de máquina | ✅ |
Matemática
| Recurso | Progresso |
|---|
| Datacamp: Fundamentos da Probabilidade em Python | ✅ |
| Datacamp: Introdução à Estatística | ✅ |
| Datacamp: Introdução à Estatística em Python | ✅ |
| Datacamp: teste de hipóteses em Python | ✅ |
| Datacamp: Pensamento Estatístico em Python (Parte 1) | ✅ |
| Datacamp: Pensamento Estatístico em Python (Parte 2) | ✅ |
| Datacamp: Projeto Experimental em Python | ✅ |
| Datacamp: praticando perguntas de entrevistas estatísticas em Python | ⬜ |
| edX: estatísticas essenciais para análise de dados usando Excel | ✅ |
| Udacity: introdução às estatísticas inferenciais | ✅ |
| MIT 18.06 Álgebra Linear, Primavera de 2005 | ✅ |
| Udacity: vetores próprios e valores próprios | ✅ |
| Udacity: atualização de álgebra linear | ⬜ |
| Youtube: Essência da álgebra linear | ⬜ |
Conhecimento básico de front-end
HTML
| Recurso | Progresso |
|---|
| Codecademy: Aprenda HTML | ✅ |
| Codecademy: Faça um site | ✅ |
| Artigo: Texto Alternativo | ⬜ |
CSS
| Recurso | Progresso |
|---|
| Pluralsight: Posicionamento CSS | ✅ |
| Pluralsight: Introdução ao CSS | ✅ |
| Pluralsight: CSS: especificidade, modelo de caixa e práticas recomendadas | ✅ |
| Pluralsight: CSS: usando Flexbox para layout | ✅ |
| Code School: decolando com Bootstrap | ✅ |
| Pluralsight: Fundamentos de UX | ✅ |
| Codecademy: Aprenda SASS | ✅ |
| CSS para desenvolvedores Javascript | ✅ |
| Artigo: Crie uma ilustração no design Figma | ✅ |
| Livro: Refatorando UI | ⬜ |
| Youtube: como fazer seu site não ser feio: UX básica para programadores | ⬜ |
JavaScript
| Recurso | Progresso |
|---|
| Udacity: ES6 - JavaScript aprimorado | ✅ |
| Udacity: introdução ao Javascript | ✅ |
| Udacity: JS 1 Orientado a Objetos | ✅ |
| Udacity: JS 2 Orientado a Objetos | ✅ |
| Udemy: Compreendendo o TypeScript | ✅ |
| Codecademy: Aprenda JavaScript | ✅ |
| Codecademy: trilha Jquery | ✅ |
| Pluralsight: usando as ferramentas para desenvolvedores do Chrome | ✅ |
Tópicos Especializados
Aprendizado de máquina
| Recurso | Progresso |
|---|
| Artigo: Uma visão geral dos algoritmos de otimização de gradiente descendente | ✅ |
| Livro: Aprendizado de máquina prático com Scikit-Learn, Keras e TensorFlow, 2ª edição | ⬜ |
| Livro: Uma cartilha de aprendizado de máquina | ✅ |
| Livro: Faça sua própria rede neural | ✅ |
| Livro: Grokking Machine Learning | ✅ |
| Livro: O guia ilustrado StatQuest para aprendizado de máquina | ✅ |
| Fast.ai: aprendizado profundo prático para codificador (parte 1) | ✅ |
| Fast.ai: Aprendizado profundo prático para codificador (parte 2) | ⬜ |
| Datacamp: Métodos Ensemble em Python | ✅ |
| Datacamp: aumento extremo de gradiente com XGBoost | ⬜ |
| Datacamp: métodos de clustering com SciPy | ✅ |
| Datacamp: aprendizagem não supervisionada em Python | ✅ |
| Udacity: Segmentação e Clustering | ✅ |
| Datacamp: introdução ao Python para ciência de dados | ✅ |
| edX: Implementando Análise Preditiva com Spark no Azure HDInsight | ✅ |
| Datacamp: aprendizagem supervisionada com scikit-learn | ✅ |
| Datacamp: Machine Learning com modelos baseados em árvore em Python | ✅ |
| Datacamp: Classificadores Lineares em Python | ✅ |
| Datacamp: Redes Neurais Convolucionais para Processamento de Imagens | ✅ |
| Datacamp: validação de modelo em Python | ✅ |
| Datacamp: ajuste de hiperparâmetros em Python | ✅ |
| Datacamp: Análise de RH em Python: previsão de rotatividade de funcionários | ✅ |
| Datacamp: Prevendo a rotatividade de clientes em Python | ✅ |
| Datacamp: Redução de Dimensionalidade em Python | ✅ |
| Datacamp: pré-processamento para aprendizado de máquina em Python | ✅ |
| Datacamp: tipos de dados para ciência de dados | ✅ |
| Datacamp: Limpeza de dados em Python | ✅ |
| Datacamp: Engenharia de recursos para aprendizado de máquina em Python | ✅ |
| Datacamp: previsão de CTR com aprendizado de máquina em Python | ✅ |
| Datacamp: introdução aos conceitos financeiros usando Python | ✅ |
| Datacamp: detecção de fraude em Python | ✅ |
| Karpathy: Redes Neurais: Zero a Herói | ✅ |
| Artigo: Inicialização de peso em redes neurais: uma jornada do básico ao Kaiming | ⬜ |
Processamento de Linguagem Natural
| Recurso | Progresso |
|---|
| Livro: Processamento de Linguagem Natural com Transformadores | ✅ |
| Stanford CS224U: Compreensão da linguagem natural | Primavera de 2019 | ✅ |
| Stanford CS224N: Stanford CS224N: PNL com aprendizado profundo | Inverno 2019 | ✅ |
| CMU: Bootcamp de PNL com poucos recursos 2020 | ✅ |
| CMU PNL Multilíngue 2020 | ✅ |
| Datacamp: Engenharia de recursos para PNL em Python | ✅ |
| Datacamp: Fundamentos do Processamento de Linguagem Natural em Python | ✅ |
| Datacamp: Expressões Regulares em Python | ✅ |
| Datacamp: RNN para modelagem de linguagem | ✅ |
| Datacamp: Geração de Linguagem Natural em Python | ✅ |
| Datacamp: Construindo Chatbots em Python | ✅ |
| Datacamp: análise de sentimento em Python | ✅ |
| Datacamp: Tradução Automática em Python | ✅ |
| Artigo: A eficácia irracional das colocações | ⬜ |
| Artigo: FuzzyWuzzy: correspondência difusa de strings em Python | ✅ |
| Artigo: Mamba Explicado | ⬜ |
| Artigo: Um guia visual para modelos Mamba e de espaço de estado | ⬜ |
| Artigo: Fundamentos de quantização com rosto abraçado | ✅ |
IA generativa
Teoria LLM
| Recurso | Progresso |
|---|
| Artigo: SolidGoldMagikarp (mais, geração imediata) | ⬜ |
| DeepLearning.AI: LLMs de pré-treinamento | ✅ |
| DeepLearning.AI: como funcionam os modelos de difusão | ⬜ |
Karpathy: introdução a grandes modelos de linguagem [ 1hr ] | ✅ |
Karpathy: Vamos construir o Tokenizer GPT [ 2hr13m ] | ✅ |
Karpathy: Vamos reproduzir GPT-2 (124M) [ 4hr1m ] | ⬜ |
Youtube: um guia para hackers sobre modelos de linguagem [ 1hr30m ] | ✅ |
| Youtube: 5 anos de GPTs com Finbarr Timbers | ⬜ |
| Artigo: Amostragem para geração de texto | ⬜ |
| DeepLearning.AI: Aprendizado por Reforço com Feedback Humano | ✅ |
Youtube: LLaMA explicado: KV-Cache, Rotary Positional Embedding, RMS Norm, Grouped Query Attention, SwiGLU [ 1h10m ] | ⬜ |
Recuperação de Informação / RAG
| Recurso | Progresso |
|---|
| Modelos de linguagem de transformador pré-treinados para pesquisa - parte 1 | ⬜ |
| Modelos de linguagem de transformador pré-treinados para pesquisa - parte 2 | ⬜ |
| Modelos de linguagem de transformador pré-treinados para pesquisa - parte 3 | ⬜ |
| Modelos de linguagem de transformador pré-treinados para pesquisa - parte 4 | ⬜ |
| Compreendendo o índice IVF-PQ do LanceDB | ⬜ |
| Um pouco de pooling é muito útil para representações multivetoriais | ✅ |
| Curso de recuperação Fullstack | |
| Artigo: Níveis de Complexidade: Aplicações RAG | ✅ |
| Artigo: Melhorando sistematicamente seu RAG | ⬜ |
| Artigo: Pare de usar LGTM@Few como métrica (Better RAG) | ⬜ |
| Artigo: Frutas ao alcance da mão para pesquisa RAG | ⬜ |
| Artigo: O que os engenheiros de IA devem saber sobre pesquisa | ✅ |
| Artigo: Avaliando estratégias de chunking para recuperação | ⬜ |
| Artigo: Incorporações de frases. Introdução aos incorporações de frases | ⬜ |
| DeepLearning.AI: Construindo e avaliando aplicativos RAG avançados | ✅ |
| DeepLearning.AI: bancos de dados vetoriais: de incorporações a aplicativos | ✅ |
| DeepLearning.AI: recuperação avançada para IA com Chroma | ✅ |
| DeepLearning.AI: compactação de prompt e otimização de consulta | ✅ |
DeepLearning.AI: grandes modelos de linguagem com pesquisa semântica [ 1hr ] | ✅ |
| DeepLearning.AI: Construindo Aplicações com Bancos de Dados de Vetores | ✅ |
| DeepLearning.AI: Construindo Pesquisa Multimodal e RAG | ⬜ |
| DeepLearning.AI: Gráficos de conhecimento para RAG | ⬜ |
| DeepLearning.AI: Funções, ferramentas e agentes com LangChain | ⬜ |
| DeepLearning.AI: Construindo RAG Agentic com LlamaIndex | ⬜ |
| DeepLearning.AI: Sistemas Multi Agente AI com CrewAI | ⬜ |
| DeepLearning.AI: Padrões de Design Agentes de IA com AutoGen | ⬜ |
| DeepLearning.AI: Agentes de IA em LangGraph | ⬜ |
| DeepLearning.AI: Construindo seu próprio agente de banco de dados | ⬜ |
| DeepLearning.AI: pré-processamento de dados não estruturados para aplicativos LLM | ⬜ |
| DeepLearning.AI: incorporando modelos: da arquitetura à implementação | ✅ |
| Pinecone: bancos de dados vetoriais em produção para engenheiros ocupados | ⬜ |
| Pinecone: geração aumentada de recuperação | ⬜ |
| Pinha: Manual LangChain AI | ⬜ |
| Pinha: métodos de incorporação para pesquisa de imagens | ⬜ |
| Pinha: Faiss: o manual que faltava | ⬜ |
| Pinha: pesquisa de vetores na natureza | ⬜ |
| Pinecone: processamento de linguagem natural para pesquisa semântica | ⬜ |
| Youtube: Melhorando sistematicamente os aplicativos RAG | ✅ |
| Youtube: De volta ao básico para RAG com Jo Bergum | ✅ |
| Youtube: Além dos fundamentos da recuperação para aumentar a geração (com Ben Clavié) | ✅ |
| Youtube: RAG do zero | 0/14 |
| Artigo: LambdaMART em profundidade | ⬜ |
| Artigo: Geração guiada com contornos | ✅ |
Engenharia imediata
| Recurso | Progresso |
|---|
| Artigo: Engenharia de Prompt OpenAI | ⬜ |
| Artigo: Princípios básicos e como aplicá-los de maneira eficaz | ✅ |
| Cursos Antrópicos | ⬜ |
| Artigo: Prompt Engineering (Liliang Weng) | ✅ |
| Artigo: Prompt Engineering 201: Métodos avançados e kits de ferramentas | ✅ |
| Artigo: Otimizando LLMs para precisão | ✅ |
| Artigo: Primers • Prompt Engineering | ⬜ |
| Artigo: Endpoints Anyscale: modo JSON e recursos de chamada de função | ⬜ |
| Artigo: Geração de texto guiada com grandes modelos de linguagem | ⬜ |
| Artigo: Alternativas de visão GPT-4 | ⬜ |
| DeepLearning.AI: engenharia de prompt ChatGPT para desenvolvedores | ⬜ |
| DeepLearning.AI: Engenharia imediata para modelos de visão | ⬜ |
| DeepLearning.AI: Engenharia imediata com Llama 2 e 3 | ⬜ |
| Wandb: LLM Engenharia: Resultados Estruturados | ⬜ |
| DeepLearning.AI: Chamada de função e extração de dados com LLMs | ⬜ |
| Série: injeção imediata | ⬜ |
Youtube: Visão geral da engenharia imediata [ 1hr4m ] | ✅ |
| Youtube: Geração Estruturada com LLMs | ⬜ |
LLMOps
| Recurso | Progresso |
|---|
| Artigo: Padrões para construção de sistemas e produtos baseados em LLM | ✅ |
| Artigo: Arquiteturas Emergentes para Aplicações LLM | ✅ |
| Artigo: Como fazer com que os LLMs funcionem rapidamente | ⬜ |
| Artigo: Na via rápida! Decodificação especulativa – modelo 10x maior, sem custo extra | ⬜ |
| Artigo: Harmonizando Multi-GPUs: Dimensionamento Eficiente de Inferência LLM | ⬜ |
| Artigo: Atenção multiconsulta é tudo que você precisa | ⬜ |
| Artigo: Conjunto de ferramentas de otimização de inferência de transformadores | ⬜ |
| DeepLearning.AI: Servindo LLMs com eficiência | ✅ |
| DeepLearning.AI: testes automatizados para LLMOps | ✅ |
| DeepLearning.AI: aplicativos Red Teaming LLM | ✅ |
| DeepLearning.AI: avaliando e depurando modelos de IA generativos usando pesos e preconceitos | ⬜ |
| DeepLearning.AI: Qualidade e segurança para aplicações LLM | ⬜ |
| DeepLearning.AI: LLMOps | ⬜ |
| DeepLearning.AI: aplicativos LLM sem servidor com Amazon Bedrock | ⬜ |
| DeepLearning.AI: Quantização em profundidade | ⬜ |
| DeepLearning.AI: introdução à IA no dispositivo | ⬜ |
| Artigo: Um guia visual para quantização | ⬜ |
| Artigo: QLoRA e quantização de 4 bits | ⬜ |
| Artigo: Compreendendo a quantização de IA/LLM por meio de visualizações interativas | ⬜ |
| Artigo: Série de inferência LLM: 3. Explicação do cache KV | ⬜ |
| Artigo: Série de inferência LLM: 4. Cache KV, uma visão mais aprofundada | ⬜ |
| Artigo: Série de Inferência LLM: 5. Dissecando o desempenho do modelo | ⬜ |
| Youtube: SBTB 2023: Charles Frye, Processadores paralelos: conexões passadas e futuras entre LLMs e kernels de sistema operacional | ⬜ |
| Artigo: Aritmética de Inferência de Transformadores | ⬜ |
Construindo Sistemas Baseados em LLM
| Recurso | Progresso |
|---|
| Artigo: O que aprendemos em um ano de construção com LLMs | ⬜ |
| Artigo: Como gerar e usar dados sintéticos para ajuste fino | ✅ |
| Artigo: Seu produto de IA precisa de avaliações | ✅ |
| Artigo: Avaliações LLM específicas de tarefas que funcionam e não funcionam | ✅ |
| Artigo: Flywheels de dados para aplicações LLM | ⬜ |
| Artigo: LLM das trincheiras: 10 lições aprendidas Operacionalizando modelos na GoDaddy | ✅ |
| Artigo: Avaliação e detecção de alucinações para resumos abstrativos | ✅ |
| Artigo: Padrões UX emergentes para aplicativos e copilotos de IA generativa | ✅ |
| Artigo: Guia de treinamento LLM para iniciantes | ⬜ |
| Artigo: Levando o suporte a dados estruturados do ChatGPT ao seu limite | ✅ |
| Artigo: GPTed: usando GPT-3 para verificação semântica de prosa | ✅ |
| Artigo: Não se preocupe com LLMs | ⬜ |
| DeepLearning.AI: ajuste fino de modelos de linguagem grande | ✅ |
| DeepLearning.AI: Construindo Sistemas com a API ChatGPT | ⬜ |
| DeepLearning.AI: LangChain para desenvolvimento de aplicativos LLM | ⬜ |
| DeepLearning.AI: LangChain: converse com seus dados | ⬜ |
| DeepLearning.AI: Construindo aplicativos de IA generativos com Gradio | ✅ |
| DeepLearning.AI: modelos de código aberto com cara de abraço | ⬜ |
| DeepLearning.AI: Primeiros passos com Mistral | ⬜ |
| Datacamp: Desenvolvendo aplicativos LLM com LangChain | ⬜ |
| LLMOps: Construindo com LLMs | ⬜ |
| Bootcamp LLM - Primavera de 2023 | ✅ |
| Youtube: uma pesquisa de técnicas para maximizar o desempenho do LLM | ✅ |
| Youtube: Blocos de construção para sistemas e produtos LLM: Eugene Yan | ✅ |
| Youtube: Ajuste fino de modelos OpenAI - Melhores práticas | ✅ |
| Youtube: Curso: LLM Fine-Tuning com Axolotl | 0/4 |
| Youtube: LLMs de ajuste fino | 1/5 |
| Youtube: Avaliações LLM | 0/5 |
| Youtube: Construindo Aplicativos LLM | 0/8 |
Habilidades Técnicas (Bibliotecas/Frameworks/Ferramentas)
AWS
| Recurso | Progresso |
|---|
| Udemy: Desenvolvedor Certificado AWS - Associado 2018 | ✅ |
Django
| Recurso | Progresso |
|---|
| Artigo: Django, HTMX e Alpine.js: sites modernos, JavaScript opcional | ✅ |
Matplotlib
| Recurso | Progresso |
|---|
| Datacamp: Introdução ao Seaborn | ✅ |
| Datacamp: Introdução ao Matplotlib | ✅ |
Fluxo MLF
| Recurso | Progresso |
|---|
| Datacamp: Introdução ao MLFlow | ✅ |
Nexxt.JS
| Recurso | Progresso |
|---|
| Documentos: comece a construir com Next.js | |
Pandas
| Recurso | Progresso |
|---|
| Datacamp: Fundações Pandas | ✅ |
| Datacamp: Pandas se junta para usuários de planilhas | ✅ |
| Datacamp: Manipulando DataFrames com pandas | ✅ |
| Datacamp: Mesclando DataFrames com pandas | ✅ |
| Datacamp: Manipulação de dados com pandas | ✅ |
| Datacamp: Otimizando código Python com pandas | ✅ |
| Datacamp: ingestão simplificada de dados com pandas | ✅ |
| Datacamp: analisando campanhas de marketing com pandas | ✅ |
| Datacamp: analisando a atividade policial com pandas | ✅ |
PyTorch
| Recurso | Progresso |
|---|
| Artigo: Internos do PyTorch | ⬜ |
| Artigo: Tomando o PyTorch como garantido | ⬜ |
| Datacamp: Introdução ao Deep Learning com PyTorch | ✅ |
| Datacamp: aprendizado profundo intermediário com PyTorch | ⬜ |
| Datacamp: Aprendizado profundo para texto com PyTorch | ⬜ |
| Datacamp: aprendizado profundo para imagens com PyTorch | ⬜ |
| Deeplizard: Programação de Rede Neural - Aprendizado Profundo com PyTorch | ✅ |
React JS
| Recurso | Progresso |
|---|
| Codecademy: Aprenda ReactJS: Parte I | ✅ |
| Codecademy: Aprenda ReactJS: Parte II | ✅ |
| NexxtJS: Fundações do React | ⬜ |
Espaçoso
| Recurso | Progresso |
|---|
| Datacamp: PNL avançada com spaCy | ✅ |
Tensorflow e Keras
| Recurso | Progresso |
|---|
| Datacamp: introdução ao TensorFlow em Python | ✅ |
| Datacamp: aprendizado profundo em Python | ✅ |
| Datacamp: Introdução ao Deep Learning com Keras | ✅ |
| Datacamp: aprendizado profundo avançado com Keras | ✅ |
| Deeplizard: Keras - API de rede neural de aprendizado profundo em Python | ✅ |
| Udacity: introdução ao TensorFlow para aprendizado profundo | ✅ |
