Como começar com IA: conteúdo gratuito e confiável

A boa notícia: quase todo o melhor material para aprender IA está disponível de graça e tem anos de respaldo da comunidade. Aqui vai um mapa com resenhas curtas e três percursos, conforme o seu ponto de partida.

Os materiais

Para começar do zero (sem saber programar)

• Elements of AI — Curso da Universidade de Helsinque, disponível em vários idiomas. É o ponto de partida recomendado por excelência para não técnicos: explica os conceitos centrais sem matemática pesada e com exercícios simples.
• AI for Everyone (Andrew Ng, Coursera) — Panorama do que é (e do que não é) a IA e de como se aplica em organizações. Pode ser auditado de graça, ou seja, ver todo o conteúdo sem o certificado.

Bases práticas (com Python)

• Kaggle Learn — Microcursos de poucas horas (Python, pandas, introdução a ML, deep learning) que rodam direto no navegador, sem instalar nada.
• Google Machine Learning Crash Course — Curso intensivo do Google com vídeos e exercícios práticos.
• fast.ai — Practical Deep Learning for Coders — Um dos cursos mais respeitados que existem. Em vez de ir do simples ao complexo, faz você treinar modelos reais desde a primeira aula e vai introduzindo a teoria pelo caminho.

Teoria e fundamentos

• 3Blue1Brown — As séries “Neural networks” e “Essence of Linear Algebra” são ouro puro para ganhar intuição visual. Estão em inglês, com legendas em vários idiomas.
• Machine Learning Specialization (Andrew Ng) — O clássico de sempre, atualizado. Teoria com a matemática necessária. Também auditável de graça.
• MIT 6.S191 — Intro to Deep Learning — O curso intensivo anual do MIT: vídeos e slides completos, gratuitos e atualizados todo ano.
• Mathematics for Machine Learning — Livro gratuito (Universidade de Cambridge) para se pôr em dia com álgebra, cálculo e probabilidade.
• StatQuest — Vídeos curtos que explicam estatística e ML sem rodeios. Ideal quando algo não fecha.

IA generativa e modelos de linguagem

• Neural Networks: Zero to Hero (Andrej Karpathy) — O ex-diretor de IA da Tesla constrói e explica redes até montar um GPT do zero. Para muita gente, o melhor material gratuito para entender como os LLMs funcionam por dentro.
• Cursos da Hugging Face — A plataforma de referência do ecossistema open source: cursos gratuitos de transformers, PLN, agentes e mais, com código pronto para usar.
• Short Courses da DeepLearning.AI — Cursos de 1 ou 2 horas sobre temas pontuais: prompting, RAG, agentes etc.
• Learn Prompting — Guia open source para aprender a trabalhar com modelos de linguagem.

Em espanhol e para estar em dia

• DotCSV — Canal de Carlos Santana, referência de conteúdo sobre IA em espanhol: divulgação séria, entrevistas e atualidade.
• Livro online do IAAR — Um projeto irmão deste guIA, com enfoque mais técnico e em espanhol; vale especialmente a seção de recursos.
• Milone, D., Stegmayer, G., Ferrante, E., Fernández Slezak, D., Alonso Alemany, L., & Ferrer, L. (2022). ¿Aprendizaje automágico? Un viaje al corazón de la inteligencia artificial contemporánea (Universidad Nacional del Litoral) — Escrito por pesquisadoras e pesquisadores argentinos, é uma introdução rigorosa e sem solenidade, feita daqui e com exemplos daqui.
• The Batch — Newsletter semanal da DeepLearning.AI para não perder o fio do campo.

Percursos

Rota A — “Quero entender, não programar” Elements of AI (4 a 6 semanas, sem pressa) → AI for Everyone → Learn Prompting + os short courses que interessarem → DotCSV ou The Batch para se manter em dia.

Rota B — “Quero construir coisas” Kaggle Learn (Python + pandas, se faltar) → Intro to ML do Kaggle → Google ML Crash Course → fast.ai → Hugging Face → Zero to Hero do Karpathy. Uns 3 a 6 meses praticando em paralelo. Dica: inscreva-se cedo numa competição para iniciantes do Kaggle.

Rota C — “Quero bases sólidas (rumo à universidade ou à pesquisa)” 3Blue1Brown (álgebra linear e redes) → Mathematics for Machine Learning → ML Specialization do Ng → MIT 6.S191 → depois, conforme a área: CS231n (visão), CS224n (linguagem) ou CS229 (ML clássico); as aulas de Stanford estão no YouTube. Com Dive into Deep Learning como livro de cabeceira.

Rota D — “Quero entender o que está em jogo” Qualquer uma das três anteriores, cruzada desde o início com a terceira entrada deste capítulo. Não é uma rota posterior nem um complemento opcional: percorre-se em paralelo, porque as perguntas sobre para que serve um modelo ficam muito mais difíceis de formular depois que a pessoa já aprendeu a construí-lo sem fazê-las.

Conselhos finais

• Inglês: a maior parte do material está em inglês. O YouTube traduz as legendas razoavelmente bem, e de quebra você vai praticando inglês técnico.
• Coursera de graça: ao se inscrever, procure a opção “auditar curso”; o certificado é a única coisa paga.
• Pratique de verdade: assistir a aulas não basta; faça os exercícios e monte projetos próprios, mesmo que pequenos.
• Desconfie de atalhos pagos caros: o essencial está de graça. Pague só quando souber exatamente o que falta e por quê.
• Repare em quem ensina: quase todo esse cânone vem de um punhado de universidades e empresas do Norte, e isso não é neutro em relação a quais problemas são considerados interessantes. Não é motivo para não usá-lo —é o melhor que há disponível—, mas é motivo para lê-lo sabendo de onde está escrito.

Com os três percursos acima há caminho para vários meses. Quando ele acabar, ou quando você quiser descer a uma área em particular, a entrada seguinte recolhe tudo o que não coube aqui: os livros de referência, a especialização por campo, os blogs que valem a pena e as comunidades onde se discute.

Nota: os links podem mudar com o tempo; se algum não abrir, procure o nome do recurso no buscador.