Ordem ideal de estudo

Trilha em 10 etapas

São 50 lições na ordem certa, começando na regressão linear e terminando em MLOps de produção. Vá marcando o que já domina conforme avança; o progresso fica salvo no seu navegador.

// Como ler
Cada etapa é um nível conceitual. A ordem importa: cada bloco assume o anterior.

Pendente, clique para concluir

Concluído, clique para reverter

Concluído

0/50

Lições marcadas

Progresso

Etapa atual

Etapa 01

Base matemática

Próximo passo

Linear Regression

A primeira pedra

Por que esta ordem?

Princípio 01

Linear antes de não-linear

Regressão linear/logística estabelecem a gramática: função custo, gradient descent, regularização, overfitting. Tudo o que vem depois é variação sobre esse tema.

Princípio 02

Árvores antes de geometria

Random Forest e XGBoost dominam o mercado tabular. Aprenda primeiro o que paga as contas, depois entre no kernel trick e PCA.

Princípio 03

Supervisionado antes do resto

Sem entender bias-variance e validação, clustering e RL viram chute. A intuição supervisionada é pré-requisito de tudo.

Princípio 04

Deep depois de clássico

MLP é regressão logística empilhada. CNN é convolução + MLP. Transformers são atenção + MLP. Sem o clássico, é magia.

Princípio 05

IA moderna por último

SSL, RLHF, RAG, agents, todos pressupõem o stack inteiro. Pular para LLMs sem base produz prompt engineers, não engenheiros de ML.

Princípio 06

Engenharia em paralelo

Feature engineering, leakage, validação, drift, serving, não esperam. Pratique em paralelo desde a etapa 1, com dados reais.