↓ Ir para o conteúdo principal

Llm

Cursos que eu fiz e recomendo

Cursos que eu fiz e recomendo

··10 minutos
Comece por aqui 3 cursos Se você está começando do zero e quer uma trilha só, esses cursos podem ajudar. Os três cobrem uma boa introdução: visão geral, sintaxe, estatística aplicada e um primeiro modelo rodando. Udemy Sem prévia. Abre em nova guia. Ver certificado Comece por aqui Formação Cientista de Dados: O Curso Completo Fernando Amaral Esse curso fornecesse uma boa visão geral. É constantemente atualizado e tem uma didática bem simples. DataCamp Introduction to Python DataCamp Para quem nunca escreveu Python, esse curso remove o atrito inicial de preparar ambiente, que faz a maioria desistir na primeira semana. DataCamp Introduction to Regression in R DataCamp Regressão linear feita direito, com diagnóstico de resíduo e tudo. Parece básico demais até você ver quanto valor um modelo de regressão linear consegue entregar. R e tidyverse 9 cursos Aprendi a programar em R na faculdade e fui aperfeiçoando com muitos cursos complementares. É uma linguagem muito forte para análise exploratória e modelagem estatística. DataCamp Ver certificado Comece por aqui Machine Learning with Tree-Based Models in R DataCamp Árvore, random forest, GBM e XGBoost em sequência, com o mesmo dataset. Bom para entender a relação entre os diferentes algoritmos, na linha do post sobre modelos baseados em árvore. DataCamp Ver certificado Machine Learning in the Tidyverse DataCamp Ensina a tratar modelo como dado, guardando vários modelos em list-columns de um tibble. Mudou a forma como eu escrevo experimento em R. DataCamp Ver certificado Data Manipulation with data.table in R DataCamp A sintaxe é feia comparada ao dplyr mas vale cada minuto quando o arquivo tem alguns milhões de linhas. Aprender os dois e escolher por tamanho de dado é o caminho. Udemy Sem prévia. Abre em nova guia. Ver certificado Data Science: Correlação no R, do zero ao avançado Isaías Lira Cinco horas dedicadas a um assunto só, e por isso passa longe do superficial: Pearson, Spearman, Kendall e quando cada uma faz sentido. Complementa o post sobre tipos de correlação em R. Curso-R Ver certificado XGBoost Curso-R Curso em português, focado em um algoritmo só. Direto ao ponto sobre a mecânica do modelo (ajustamos algumas árvores do modelo na mão!) e várias dicas sobre tuning. Curso-R Ver certificado Deploy de R em produção Curso-R A parte que quase nenhum curso de data science cobre: como sair do script local e virar API que alguém chama. Plumber, Docker e o básico de infra, tema próximo do post sobre RStudio e Shiny Server na nuvem. Curso-R Ver certificado Introdução ao R com C++ Curso-R Rcpp para quando o loop em R está impossivelmente lento. É de nicho, mas resolveu problema real de simulação que eu não conseguia vetorizar. Curso-R Ver certificado Deep Learning Curso-R Keras pelo lado do R. Útil se você já pensa em R e quer entender rede neural sem trocar de linguagem no mesmo dia. Curso-R Aprendizado Não Supervisionado Curso-R Clustering e redução de dimensionalidade. Bom para saber rodar k-means e saber ele não é a resposta certa. Séries temporais 8 cursos Fiz a trilha inteira do DataCamp em 2019, mesmo depois de estudar com profundidade em 2 semestres dessa disciplina, me ajudou a modernizar a forma como trabalho com séries temporais no R. São seis cursos que se encaixam bem na ordem em que estão. DataCamp Sem prévia. Abre em nova guia. Ver certificado Comece por aqui Time Series with R (trilha completa) DataCamp Os seis cursos dessa seção em sequência, do xts ao ARIMA. Se você vai fazer previsão em R e tem tempo, faça a trilha inteira em vez de cursos soltos. DataCamp Ver certificado Manipulating Time Series Data in R DataCamp Antes de modelar, é necessário tratar as séries para que os dados fiquem coerentes com a pergunta de negócio. DataCamp Ver certificado Time Series Analysis in R DataCamp Estacionariedade, ruído branco e passeio aleatório. Esse curso cobre alguns conceitos fundamentais para se trabalhar com dados ao longo do tempo. DataCamp Ver certificado ARIMA Models in R DataCamp ARIMA na prática, incluindo a parte sazonal e suas variações. Modelo fundamental para se trabalhar com séries temporais. DataCamp Sem prévia. Abre em nova guia. Ver certificado Time Series Forecasting in R DataCamp O curso do Rob Hyndman, que escreveu o pacote forecast e o livro da área. Se fosse pra fazer um só da trilha, seria esse. DataCamp Sem prévia. Abre em nova guia. Ver certificado Visualizing Time Series Data in R DataCamp Metade dos erros de série temporal aparecem no gráfico de forma visual antes de aparecerem na métrica. DataCamp Sem prévia. Abre em nova guia. Ver certificado Case Study: Analyzing City Time Series Data in R DataCamp O fecho da trilha: em vez de ensinar técnica nova, pega dados reais de temperatura e demanda de cidades e faz você aplicar tudo junto. Curso-R Ver certificado Séries Temporais Curso-R Uma versão em português no modelo 'ao vivo'. Bom complemento pra trilha do DataCamp. Python, machine learning e engenharia 4 cursos A parte da formação que veio depois do R. Não tem jeito, depois que começei a trabalhar com consultoria a maioria dos clientes exigia entregas em Python, o que me forçou a me desenvolver nessa linguagem (que hoje é minha principal). Udemy Sem prévia. Abre em nova guia. Ver certificado Formação Completa em Inteligência Artificial Fernando Amaral Cobre muito terreno: ML clássico, NLP, deep learning e, nas versões novas, LLM e agentes. Não é profundo em nada específico, mas é excelente pra mapear o campo e decidir onde cavar. Udacity Sem prévia. Abre em nova guia. Ver certificado Comece por aqui Software Engineering for Data Scientists Udacity A parte que separa notebook de código que outra pessoa consegue manter: orientação a objetos, ambiente virtual, empacotamento, teste e lint. Um curso muito atual em tempos de programação com agentes de IA. Udacity Sem prévia. Abre em nova guia. Ver certificado Deploying a Machine Learning Model with FastAPI Udacity Modelo treinado que ninguém chama não serve pra nada. Aqui o modelo vira API com FastAPI, com CI e monitoramento em volta. Fecha o ciclo que a maioria dos cursos deixa aberto. Data Science Academy 7 Ver os 7 certificados Formação completa Machine Learning Big Data Analytics com R e Azure ML Big Data Real Time Analytics com Python e Spark Engenharia de Dados com Hadoop e Spark Business Analytics Visualização de Dados e Design de Dashboards Formação Cientista de Dados Data Science Academy Me deu a base de engenharia que faltava: Hadoop, Spark, Azure ML e Business Analytics. O programa mudou bastante desde 2017, mas trilha muito longa em português continua sendo coisa rara. LLMs e IA generativa 11 cursos Tudo de 2023 pra cá. São cursos curtos mas muito bons. Quase todos gratuitos na DeepLearning.AI e Anthropic. DeepLearning.AI Comece por aqui ChatGPT Prompt Engineering for Developers Andrew Ng e Isa Fulford Uma hora, gratuito, e ainda é o melhor ponto de partida pra quem vai chamar LLM por API. Trata prompt como código. DeepLearning.AI Building Systems with the ChatGPT API DeepLearning.AI A sequência natural do anterior: encadear chamadas, moderar entrada e avaliar saída. DeepLearning.AI LangChain Chat with Your Data Harrison Chase RAG do começo ao fim, ensinado pelo criador do LangChain. Estudei muito sobre o assunto na minha série de posts sobre LangChain. Coursera Sem prévia. Abre em nova guia. Ver certificado LangChain: Application Development Essentials Coursera Complementa o curso acima com a parte de estrutura de aplicação. Útil se você quer ir além do notebook. DeepLearning.AI Understanding and Applying Text Embeddings Google Cloud e DeepLearning.AI Embedding explicado com as mãos no teclado: similaridade, clustering e busca semântica. Esse curso desfaz a mágica do RAG, tema próximo do post sobre tidytext e machine learning. Coursera Sem prévia. Abre em nova guia. Ver certificado Comece por aqui Generative AI with Large Language Models AWS e DeepLearning.AI O mais técnico da lista: arquitetura de transformer, fine-tuning, LoRA e RLHF. Pede mais tempo que os curtos, mas explica o que acontece dentro do modelo. Anthropic Sem prévia. Abre em nova guia. Ver certificado Comece por aqui Introduction to Agent Skills Anthropic Academy Skill é instrução em markdown que o modelo carrega sozinho quando a tarefa pede. Curto, gratuito, e mudou como eu organizo meu próprio setup de trabalho com agentes. Anthropic Sem prévia. Abre em nova guia. Ver certificado Claude 101 Anthropic Academy O básico do Claude pra trabalho do dia a dia. Gratuito e rápido. Serve bem de primeiro contato pra quem nunca usou LLM além do chat solto. Udemy MCP na Prática: Crie Agentes e Multi-Agentes com LLMs Fernando Amaral Cobre bem a parte que mais confunde: por que padronizar a conexão entre modelo e ferramenta resolve um problema real, e não é só mais uma sigla. Udemy Sem prévia. Abre em nova guia. Ver certificado Comece por aqui LangChain e LangGraph: Crie Agentes de IA com LLMs e RAGs Fernando Amaral Um curso de agentes em português. LangGraph resolve o que o LangChain sozinho deixa em aberto: o que fazer quando o agente precisa decidir, voltar atrás e tentar de novo. DeepLearning.AI Sem prévia. Abre em nova guia. Ver certificado Generative AI for Everyone Andrew Ng (DeepLearning.AI) Sem código. É um curso bom para pessoa de qualquer outra área que precisa entender o que dá e o que não dá pra fazer com IA generativa. Ferramentas e publicação 2 cursos Curso pequeno que destrava uma coisa específica. Esse blog existe em parte por causa dos dois itens aqui, feitos com um mês de diferença no fim de 2017. Udemy Git e Github para iniciantes Willian Justen de Vasconcellos Branch, merge e conflito na prática, sem a metáfora de árvore que confunde mais do que ajuda. Se você já usa git no automático mas trava quando algo dá errado, é uma tarde bem gasta. Udemy Sem prévia. Abre em nova guia. Ver certificado Criando Páginas Web com o GitHub Pages Udemy Curto e prático. Cobre o básico de GitHub Pages, que é um recurso bem útil caso você queira publicar um site estático. Desenvolvimento pessoal Nem só de dados vive um cientista de dados. Fiz alguns cursos de soft skills que são fora do escopo técnico do blog, mas valeram tanto quanto um curso de XGBoost que da para levar para o resto da carreira. É uma amostra, não a lista inteira: tem leitura não técnica que nem entrou na lista de livros. Programa de mentoria em Data Science, Data Science Academy. Certificado Inteligência Emocional, Escola Conquer. Certificado Reaprendizagem Criativa, Keep Learning School (Murilo Gün). Certificado Técnicas de Criatividade, Keep Learning School (Murilo Gün). Certificado Curso de Meditação e Mindfulness, Método DeRose. Seminários, comunidade e cursos de verão Curso online não é o único jeito de aprender. Na faculdade eu ia em todo seminário que a UFF ou a comunidade R organizava, e também fiz três cursos de verão fora da grade regular em outras universidades. Não tem como recomendar um específico, porque a grade muda a cada edição. Mas vale a dica: procure curso de verão na universidade mais perto de você, geralmente aberto a quem não é aluno e de graça ou quase. Workshop BI Master, PUC-Rio. (Meu primeiro workshop, ainda estagiário quando BI ainda era novidade.) Certificado Curso de verão, Introdução à Probabilidade, UFRJ (2018). Certificado Curso de verão, Introdução à Análise Real na Reta, FGV (2019). Sem prévia. Abre em nova guia. Certificado Curso de verão, Introdução à Análise Real na Reta, FGV (2020). Sem prévia. Abre em nova guia. Certificado Semana da Estatística, SEMEST UFF. Certificado 2014 Certificado 2015 SER, Seminário Internacional de Estatística com R (edições II, III e IV). SER II SER III SER IV Minicursos dentro do SER: dashboard interativo em R, regressão linear politômica e web scraping com rvest. Dashboards Regressão politômica Web scraping
LLM local com Qwen e LangChain: agente sem APIs externas

LLM local com Qwen e LangChain: agente sem APIs externas

Série: LangChain — Agentes com Python — ver índice Análise de Sentimentos com Llama2 Detecção de Linguagem Tóxica com Gemma Equipe Multiagente para Bitcoin Agente para Ligações de Telemarketing → LLM Local com Qwen sem APIs Por que rodar LLMs localmente? Nos últimos anos, o mundo dos modelos de linguagem de grande porte (LLMs) deixou de ser um território exclusivo das gigantes americanas. Uma leva de modelos open-weight de origem chinesa como o Qwen (Alibaba), o DeepSeek e o Yi chegaram com qualidade surpreendente e, mais importante, com pesos disponíveis publicamente. Li sobre alguns deles em um post que apareceu no meu LinkedIn e fiquei curioso para testar: será que dá para rodar um desses modelos localmente no meu Mac e ainda plugar ele num agente LangChain funcional? Mas porque alguém escolheria rodar um LLM localmente ao invés de simplesmente chamar uma API? A resposta vai depender da necessidade do usuário: Privacidade de dados: nenhum token sai da sua máquina. Para dados sensíveis como contratos, código proprietário, prontuários e isso pode ser um requisito não negociável. Custo zero de inferência: sem cobrança por token, sem surpresas no cartão de crédito no fim do mês. Funcionamento offline: avião, servidor sem acesso externo, ambiente air-gapped. O modelo simplesmente roda. Controle total: você decide qual versão do modelo usa, quando atualiza, como configura. Claro que esse caminho tem seus trade-offs. Hardware limitado significa que modelos maiores (70B+) estão fora de alcance sem uma GPU dedicada. A quantização (processo de reduzir a precisão dos pesos de 32 bits para 4 ou 8 bits) é o que torna possível rodar modelos de bilhões de parâmetros em hardware consumer, mas com alguma perda de qualidade e latência, que costuma ser maior do que a de uma API otimizada em data center. Mas para prototipagem, estudos e contextos onde privacidade importa, essa equação ainda faz muito sentido. 📌 Em posts anteriores usei o GPT-4o-mini via API da OpenAI para construir agentes. Aqui vamos por um caminho diferente: zero API externa, zero custo, tudo rodando localmente. TL;DR O llama-server expõe um LLM local (Qwen2.5-4B, quantizado em GGUF) com uma API compatível com a da OpenAI. Basta trocar a openai_api_base do ChatOpenAI do LangChain para apontar pro servidor local. O agente usa @tool para chamadas de função e response_format com Pydantic para saída estruturada, sem gastar um centavo em API.
Equipe Multiagente com LangChain e LangGraph para Análise do Bitcoin

Equipe Multiagente com LangChain e LangGraph para Análise do Bitcoin

Série: LangChain — Agentes com Python — ver índice Análise de Sentimentos com Llama2 Detecção de Linguagem Tóxica com Gemma → Equipe Multiagente para Bitcoin Agente para Ligações de Telemarketing LLM Local com Qwen sem APIs Por que Analisar o Mercado Bitcoin com Agentes de IA? O cenário do bitcoin sempre foi meio intrigante. Foi lançado há 16 anos mas até hoje ninguém sabe ao certo quem está por trás do projeto — o criador, conhecido apenas pelo pseudônimo Satoshi Nakamoto, nunca revelou sua identidade. Além disso o bitcoin foi a primeira e ainda é a mais conhecida aplicação da tecnologia Blockchain, que revolucionou a forma como lidamos com registros digitais e segurança dos dados. Sua natureza descentralizada e sua notória volatilidade o tornam um ativo único. Quem não se lembra da história das pizzas compradas por 10.000 BTC, que hoje valeriam uma fortuna? Mesmo que variações dessa magnitude sejam improváveis, eventos programados como o Halving – que reduz pela metade a emissão de novas moedas a cada quatro anos, simulando a escassez de metais preciosos – continuam a impactar significativamente sua oferta e, historicamente, seu preço. Mas como saber o momento certo de comprar ou vender? A resposta não é simples. O preço do Bitcoin é influenciado por uma miríade de fatores: dados on-chain (movimentações na própria blockchain), o cenário macroeconômico global (inflação, taxas de juros), o sentimento do mercado e a análise técnica tradicional (padrões gráficos e indicadores). Analisar isoladamente qualquer um desses aspectos oferece uma visão incompleta. A verdadeira compreensão exige uma abordagem holística, combinando diferentes perspectivas. TL;DR A equipe de agentes de IA é dividida em 4 papéis: Data Fetcher, Data Analyst, Market Strategist e Client Manager, cada um com uma função específica no fluxo. A orquestração usa Python, LangChain, LangGraph e GPT-4o-mini como motor de raciocínio, com execução automatizada via GitHub Actions a cada 4 horas. Alertas com a análise final são enviados via Telegram, e o LangSmith é usado para monitorar e depurar cada passo da execução dos agentes. Se quiser ver como a análise de Bitcoin evoluiu, confira também a abordagem puramente estatística em R de 2017 e o bot de alertas com ML de 2020 — a diferença de complexidade vs. poder analítico é visível. Foi pensando nisso, e inspirado pelos recentes avanços em modelos de linguagem grandes (LLMs) e frameworks de agentes, que surgiu a ideia: E se eu delegar essa tarefa repetitiva e complexa a uma equipe de assistentes de IA? E se a IA pudesse não apenas coletar e analisar os dados, mas também interpretar o cenário e sugerir ações alinhadas a uma estratégia de investimento de longo prazo, como a acumulação gradual de Bitcoin? É aqui que entram os Agentes de IA. Pense neles como sistemas autônomos que utilizam um LLM (como os modelos GPT da OpenAI) como seu “cérebro” ou motor de raciocínio. Eles podem interagir com ferramentas, processar informações e tomar decisões para atingir um objetivo específico. Em nosso caso, o objetivo será fornecer uma análise de mercado inteligente e automatizada, transformando dados brutos em insights acionáveis de alto nível. Se você quiser rodar esse tipo de agente sem depender de APIs pagas, também explorei como criar um agente com LLM local em um post posterior. Se esse conceito de LLM como "cérebro" ainda parece abstrato, o Hands-On Large Language Models tem as ilustrações que mais me ajudaram a visualizar o que tá rolando por trás.
Extração de informações de imagens com IA Generativa

Extração de informações de imagens com IA Generativa

Caso de Uso de IA Generativa: Extração de Informações de Imagens com o Modelo Llava GenAI refere-se a modelos de inteligência artificial capazes de gerar conteúdo novo e criativo a partir de dados de entrada. Seu uso está revolucionando a maneira como processamos dados não estruturados, como imagens, áudios, textos, vídeos, etc. Trabalhar com modelos pré-treinados (i.e., que já foram treinados com grandes conjuntos de dados) e adaptá-los para necessidades específicas tem sido um divisor de águas. Neste post, vamos explorar a utilização do modelo Llava (Large Language and Vision Assistant) para extrair rótulos descritivos de imagens e também discutir como comparar a qualidade das previsões geradas com métricas específicas para avaliar a performance desse tipo de modelo. TL;DR O modelo Llava (Large Language and Vision Assistant) é uma alternativa de código aberto ao GPT-4 Vision, treinada para gerar descrições textuais a partir de imagens. O teste usou uma amostra de 10 imagens do dataset COCO-2017 e a versão de 7 bilhões de parâmetros do LLaVA 1.5, avaliada com as métricas BLEU, ROUGE-L, METEOR e BERTScore. As métricas baseadas em n-gramas subestimaram a qualidade das legendas geradas, enquanto o BERTScore (baseado em embeddings semânticos) mostrou resultados significativamente superiores. Para contexto sobre outros casos de uso de IA generativa multimodal, veja também conversão de PDF para audiobook com edge-tts e como rodar um LLM local no Mac sem APIs. Por que o Modelo Llava? O modelo Llava é uma alternativa de código aberto ao GPT-4 Vision da OpenAI (que se destaca neste domínio, mas sua aplicação é restrita devido sua natureza proprietária e comercial) que foi treinado em grandes conjuntos de dados multimodais, sendo capaz de compreender e gerar descrições textuais para imagens. Essa capacidade de “conversar com imagens” tendo o mesmo “poder” de um LLM, possibilita seu uso em muitas soluções desenvolvidas por cientistas de dados no mundo real, como: Classificação de produtos em e-commerce: geração de descrições detalhadas de roupas, acessórios, eletrônicos, etc. Detecção de defeitos em linhas de produção: identificação de falhas em produtos para automação e controle de qualidade. Diagnóstico médico por imagens: auxiliar na detecção precoce de doenças a partir de descrições detalhadas de imagens médicas. Reconhecimento de placas de carros: transcrição automática de textos de placas e características de veículos. Identificação de sinais de trânsito: aplicação em veículos autônomos para navegação e identificação de sinais. Análise de alimentos para calcular nutrição: extração automática de informações nutricionais de fotos ou rótulos de alimentos. Identificação de animais em câmeras de vida selvagem: gerar descrições detalhadas de animais detectados, ajudando pesquisadores a automatizar o monitoramento da vida selvagem. Detecção de aglomerações em eventos: analisar imagens de câmeras de segurança para identificar a presença de grandes grupos de pessoas em eventos ou lugares públicos, útil em gestão de multidões ou para questões de segurança. Dataset COCO-2017 O COCO (Common Objects in Context) é um dataset amplamente utilizado em visão computacional. Ele é um dos maiores conjuntos de imagens do dia a dia com objetos em diferentes contextos, com anotações detalhadas fornecidas por humanos como tags, caixa delimitadora, polígono que segmenta a imagem detectando objetos bem como sua descrição. Isso o torna ideal para testar o desempenho desse tipo de modelo para geração de legendas. Imagem do COCO Dataset com e sem anotação obtida na seção exploratória das imagens
Detecção de Linguagem Tóxica com o LLM Gemma e LangChain

Detecção de Linguagem Tóxica com o LLM Gemma e LangChain

Série: LangChain — Agentes com Python — ver índice Análise de Sentimentos com Llama2 → Detecção de Linguagem Tóxica com Gemma Equipe Multiagente para Bitcoin Agente para Ligações de Telemarketing LLM Local com Qwen sem APIs Caso de Uso de IA Generativa: Detecção de Linguagem Tóxica em Mídias Sociais Neste post, realizaremos a tarefa de detecção de linguagem tóxica em mídias sociais usando o modelo Gemma de IA generativa do Google com o framework LangChain. Vamos explorar como o texto de entrada afeta a saída do modelo e faremos alguma engenharia de prompts para direcioná-lo à tarefa necessária. TL;DR Classificamos tweets em português como tóxicos ou não usando o Gemma-7b-it quantizado, sem nenhum fine-tuning. Um prompt few-shot dinâmico seleciona os exemplos mais similares semanticamente a cada tweet, via SemanticSimilarityExampleSelector + Chroma. A cadeia prompt | llm | parse do LangChain encapsula todo o pipeline de classificação.
Análise de Sentimentos com um "ChatGPT" de Código Aberto

Análise de Sentimentos com um "ChatGPT" de Código Aberto

TL;DR O modelo Llama2-7b-chat-hf foi executado localmente via Hugging Face Transformers para classificar textos como positivos, negativos ou neutros, sem custo de API. A abordagem foi avaliada contra o VADER (léxico clássico de análise de sentimentos) em um conjunto de avaliações de filmes em inglês, usando acurácia como métrica. O Llama2 superou o VADER na captura de ironia e contexto, mas com latência significativamente maior — evidenciando o trade-off entre profundidade semântica e velocidade de inferência. Série: LangChain — Agentes com Python — ver índice → Análise de Sentimentos com Llama2 Detecção de Linguagem Tóxica com Gemma Equipe Multiagente para Bitcoin Agente para Ligações de Telemarketing LLM Local com Qwen sem APIs