Aprender IA | guIA

Como começar com IA: conteúdo gratuito e confiável

Sun, 30 Aug 2026 00:00:00 +0000

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.

Nota

Este mapa cobre sobretudo o lado técnico, que costuma ser o mais bem documentado e o pior contextualizado. Se quiser mais recursos do mesmo tipo, siga por ; se quiser a contraparte —quem produz esse conhecimento, para quem e a partir de onde— ela está em . E se você chegou direto aqui, os que abrem o capítulo respondem o que é isso que você vai aprender a construir.

Os materiais

Para começar do zero (sem saber programar)

— 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.
(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)

— Microcursos de poucas horas (Python, pandas, introdução a ML, deep learning) que rodam direto no navegador, sem instalar nada.
— Curso intensivo do Google com vídeos e exercícios práticos.
— 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

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

IA generativa e modelos de linguagem

(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.
— A plataforma de referência do ecossistema open source: cursos gratuitos de transformers, PLN, agentes e mais, com código pronto para usar.
— Cursos de 1 ou 2 horas sobre temas pontuais: prompting, RAG, agentes etc.
— Guia open source para aprender a trabalhar com modelos de linguagem.

Em espanhol e para estar em dia

— Canal de Carlos Santana, referência de conteúdo sobre IA em espanhol: divulgação séria, entrevistas e atualidade.
— Um projeto irmão deste guIA, com enfoque mais técnico e em espanhol; vale especialmente a seção de .
Milone, D., Stegmayer, G., Ferrante, E., Fernández Slezak, D., Alonso Alemany, L., & Ferrer, L. (2022). (Universidad Nacional del Litoral) — Escrito por pesquisadoras e pesquisadores argentinos, é uma introdução rigorosa e sem solenidade, feita daqui e com exemplos daqui.
— 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: (visão), (linguagem) ou (ML clássico); as aulas de Stanford estão no YouTube. Com como livro de cabeceira.

Rota D — “Quero entender o que está em jogo” Qualquer uma das três anteriores, cruzada desde o início com a . 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.

Continuar em Para saber ainda mais

Para saber ainda mais

Sun, 30 Aug 2026 00:00:00 +0000

Se você chegou pela entrada anterior, aqui seguem os recursos que não entraram nos três percursos: mais profundos, mais específicos ou mais nicho, mas com o mesmo critério de sempre — gratuitos e com boa reputação. Nada disso é obrigatório: é um cardápio, não uma checklist.

Livros gratuitos de referência

— O livro de deep learning moderno mais recomendado dos últimos anos: claro, com excelentes ilustrações e PDF gratuito.
— A “bíblia” clássica. Mais densa e de 2016, mas segue sendo referência para a base teórica.
— Um resumo ultracondensado em ~160 páginas, pensado para ler no celular. Ideal para revisar.
— O clássico do ML estatístico, agora com labs em Python. Imbatível para entender bem os modelos “de sempre”.
— Dois volumes (introdutório e avançado) em rascunho aberto: a referência enciclopédica do ML probabilístico.
— Livro online interativo em que você constrói uma rede do zero. Um clássico que combina perfeitamente com o 3Blue1Brown.

Especialização por área

Aprendizado por reforço

— A bíblia da área, com PDF oficial gratuito.
— As aulas que formaram uma geração; no YouTube, acompanham o livro.
— Teoria, código e conselhos práticos para começar a sério.
— Menos teórico e mais mão na massa: você treina agentes desde a primeira unidade.

PLN e LLMs

— O manual de PLN, em rascunho aberto e atualizado. O complemento teórico do CS224n.
— Receitas e código de exemplo para construir com LLMs: RAG, agentes, avaliação e mais.
— Tutoriais gratuitos da equipe por trás do Claude, incluindo seu curso interativo de prompt engineering.

MLOps e produção

— Design, desenvolvimento e implantação de sistemas de ML, com foco em boas práticas.
— Curso gratuito com turmas, projetos e comunidade muito ativa.
— O curso pioneiro sobre levar modelos à produção. Já não é atualizado com frequência, mas o material segue útil.

Ética, justiça e segurança

— Livro aberto sobre vieses e discriminação algorítmica. Sério e acessível.
— Curso gratuito e direto sobre desinformação, viés, privacidade e responsabilidade, escrito por alguém que também ensina a parte técnica.
— Cursos gratuitos (com processo seletivo) sobre segurança e alinhamento de IA; muito respeitados nesse nicho.

Dica

Esta subseção é a dobradiça com a . A “ética da IA” tal como ensinada nesses cursos é sobretudo uma ética da implementação —como auditar um modelo, como medir um viés—; as perguntas sobre economia política, infraestrutura e geografia do campo são tratadas lá.

Mais fundamentos (se quiser reforçar)

— As aulas de álgebra linear mais famosas do mundo.
— Probabilidade explicada com clareza e exemplos memoráveis.
— Se precisar começar bem de trás, aqui está o caminho completo, também em português.
— A introdução à programação mais reconhecida, gratuita e completa.
— Terminal, git, depuração e todas aquelas ferramentas que ninguém ensina e que você usa todo dia.
— Prática de programação com certificações gratuitas; inclui uma trilha de ML com Python.

Blogs que são ouro puro

— Seus posts “The Illustrated Transformer” e “The Illustrated GPT-2” são a explicação visual dos LLMs.
— Posts técnicos e exaustivos sobre agentes, difusão, RLHF e mais. Do melhor que se escreve na área.
— Artigos interativos de uma beleza rara. Parou de publicar em 2021, mas o acervo segue sendo uma mina.
— Poucos posts, todos memoráveis (comece por “Understanding LSTMs”).
— Não perca “A Recipe for Training Neural Networks”: conselho prático destilado de anos de ofício.
— Uma das vozes mais finas em sistemas de ML; seu blog e suas notas de Stanford são públicos.

YouTube para acompanhar papers e novidades

— Reviews de papers com humor afiado; a forma mais divertida de começar a ler pesquisa.
— Debates profundos com pesquisadores de primeira linha.
— Divulgação ágil do que há de mais novo; mais para se inspirar do que para aprender a fundo.
— Séries curtas com qualidade pedagógica e de produção excepcional.
— Seminários em que os próprios pesquisadores apresentam o que há de novo.

Para acompanhar o pulso do campo

— Newsletter semanal de um dos fundadores da Anthropic: avanços, contexto e política.
— Análise técnica do que há de novo em LLMs, escrita por um pesquisador e docente.
— O relatório anual de referência sobre o estado da IA.
— Onde tudo é publicado primeiro. Olhe as categorias cs.LG, cs.CL e cs.AI.
— Os papers que a comunidade está discutindo hoje, ordenados por tendência.

Comunidades

e — Discussões, notícias e ajuda para iniciantes.
— Muito ativos para dúvidas de implementação.
e — Perguntas e respostas de alto nível, sobretudo na parte estatística.
— Comunidade open source de pesquisa; seu Discord é um fervedouro.

Extensões dos percursos

Se você fez a Rota A (entender sem programar): Neural Networks and Deep Learning do Nielsen → The Illustrated Transformer do Jay Alammar → fairmlbook → Two Minute Papers ou Import AI para estar em dia.

Se você fez a Rota B (construir coisas): The Missing Semester → An Introduction to Statistical Learning → MLOps Zoomcamp ou Made With ML → OpenAI Cookbook e os cursos da Anthropic para o dia a dia com LLMs.

Se você fez a Rota C (bases sólidas): Probabilistic Machine Learning ou Understanding Deep Learning → Sutton e Barto com o curso do Silver (se o RL te pegar) → Lilian Weng → arXiv e Hugging Face Papers para ler pesquisa. Opcional: BlueDot se segurança de IA te interessar.

Um conselho para começar a ler papers

Não comece pelo PDF pelado. Procure antes se há um post ou vídeo que o explique (os blogs e canais acima ajudam muito), veja resumo, figuras e conclusões, e só depois entre no corpo do texto. Se quiser um método formal, o clássico de S. Keshav propõe as “três passadas” e se lê em quinze minutos.

Falta dizer uma coisa sobre todo este material, e é a que a Rota D antecipava. Os cursos, os livros e os blogs destas duas entradas saíram quase inteiramente de um punhado de universidades e empresas do Norte global. Isso não os invalida —repito: é o melhor que existe disponível— mas decide de antemão que perguntas contam como interessantes. A entrada seguinte é a outra metade do percurso.

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

Continuar em Pensar a IA a partir do Sul Global

Pensar a IA a partir do Sul Global: um percurso crítico

Sun, 30 Aug 2026 00:00:00 +0000

O mapa de recursos e sua extensão montam um percurso técnico produzido quase inteiramente num punhado de universidades e empresas do Norte global. Isso não as invalida —é, com enorme diferença, o melhor material gratuito disponível—, mas determina o que se ensina como “o problema”: como melhorar a acurácia, como escalar o treinamento, como implantar em produção. Quase nunca: com quais dados, extraídos de quem, com que energia e que água, sob que regime de trabalho, e quem fica em condições de decidir sobre isso.

Esta entrada monta a outra metade do percurso. Não é “a parte de ética” no fim do curso: é um conjunto de ferramentas conceituais que mudam o que se vê ao olhar para um modelo. E está organizada com um viés explícito —América Latina e Sul Global— não como categoria de vítima nem como público a consultar, mas como lugar onde já se produzem alternativas institucionais concretas.

Marcos para ver a IA como infraestrutura, não como algoritmo

Crawford, K. (2021). Atlas da IA — Segue a IA de trás para frente, da interface ao lítio, à água, ao trabalho de rotulagem e aos arquivos de dados: a melhor porta de entrada para deixar de pensar em “algoritmos” e começar a pensar em cadeias de suprimento planetárias.
(Kate Crawford e Vladan Joler) — Uma genealogia visual, navegável e gratuita, de cinco séculos de tecnologias de cálculo, comunicação, classificação e controle. Serve tanto para estudar quanto para dar aula: uma única imagem enorme onde se vê que nada disso começou em 2022.
Couldry, N. e Mejias, U. (2019). The Costs of Connection — A formulação mais influente da tese do colonialismo de dados: não uma metáfora sobre o colonialismo, mas a afirmação de que há uma nova apropriação —a da vida social convertida em dado— com estrutura análoga à apropriação colonial de terra e trabalho. Sua rede de pesquisa, , publica e organiza sobretudo a partir da América Latina.
Birhane, A. (2020). — Curto, contundente e em acesso aberto. Mostra como as promessas de “resolver problemas africanos com IA” reproduzem dependência infraestrutural e um modelo em que o continente entra com dados e mercado e recebe soluções desenhadas fora. É provavelmente o melhor texto único para entender do que se fala quando se diz “colonialismo algorítmico”.
Mohamed, S., Png, M.-T. e Isaac, W. (2020). — Escrito de dentro da indústria, traduz a teoria decolonial em táticas concretas para a prática de pesquisa em IA: design reverso, cautela com o “beta-testing” em populações vulneráveis, solidariedade crítica.
Ricaurte, P. (2019). Data Epistemologies, The Coloniality of Power, and Resistance — Do México, articula a extração de dados com a colonialidade do poder e do saber e —o mais interessante— com as práticas de resistência que já existem na região.
Mhlambi, S. (2020). From Rationality to Relationality: Ubuntu as an Ethical and Human Rights Framework for AI Governance — Propõe substituir o sujeito racional individual que sustenta quase toda a ética da IA por uma ontologia relacional (ubuntu). É o exemplo mais nítido de que “epistemologias do Sul” não significa aplicar os mesmos marcos com outros exemplos, e sim mudar os marcos.
— Um texto breve, coletivo e multilíngue. Útil para abrir uma discussão em aula ou numa equipe.

Justiça algorítmica, viés e seus limites

— Fundada por Joy Buolamwini. Além da pesquisa, tem material pensado para a ação: não perca sua e o documentário , disponível em várias plataformas.
— O instituto de pesquisa independente fundado por Timnit Gebru depois de sua saída do Google. Pesquisa em IA feita explicitamente fora da agenda das grandes empresas, com equipes distribuídas por vários continentes.
— O livro aberto de Barocas, Hardt e Narayanan. Rigor técnico sobre o que se pode e o que não se pode medir como “viés”; seu capítulo final é uma boa vacina contra a ideia de que equidade é um problema de otimização.
(Rachel Thomas, fast.ai) — O curso de ética escrito por alguém que também ensina a parte técnica; especialmente bom em desinformação e nos mecanismos de retroalimentação dos sistemas de recomendação.
(Casey Fiesler) — Centenas de programas de disciplinas de ética da tecnologia, numa planilha aberta. Se você precisa montar um curso, comece por aqui.

Economia política e filosofia da tecnologia

Zuboff, S. (2019). A era do capitalismo de vigilância — A referência obrigatória, ainda que discutida: o excedente comportamental como matéria-prima. Para uma entrada rápida, serve a e sua .
Frenken, K. — — Uma conferência anterior ao ciclo de entusiasmo de 2022 em diante, e justamente por isso útil: a análise da economia de plataformas se sustenta sem o ruído do presente.
Floridi, L. (2023). The Ethics of Artificial Intelligence — O melhor resumo (e tomada de posição) da literatura acumulada desde cerca de 2014, quando boa parte da problemática social da IA começou a decantar em torno da pergunta pela ética e pelas boas práticas. Útil precisamente para entender o marco que os textos da seção anterior discutem.
Coeckelbergh, M. (2020). AI Ethics (MIT Press, série Essential Knowledge) — Breve, ordenado e bom mapa do debate filosófico.
Frischmann, B. e Selinger, E. (2018). Re-Engineering Humanity — A pergunta invertida: não se as máquinas se tornam humanas, mas em que medida o design de ambientes técnicos nos torna mais maquinais.
Sobre tecno-otimismo e tecno-pessimismo — O vale como documento: não pela qualidade do argumento, mas porque expõe com uma franqueza incomum a ideologia de boa parte do capital de risco que financia esse campo. Ler junto com Gómez, R. J. (1997), Progreso, determinismo y pesimismo tecnológico (Redes, 4(10)), que desmonta o falso dilema desde a filosofia da ciência argentina.

Vídeos para pensar (e para dar aula)

Zeynep Tufekci sobre por que a inteligência de máquina torna a moral humana mais importante, não menos:

Sasha Luccioni sobre os danos concretos e presentes —custo ambiental, viés, trabalho invisível— frente aos riscos especulativos:

Onde isso está sendo pensado na América Latina

Grupos de pesquisa e organizações

— Grupo de pesquisa em filosofia da técnica; organiza oficinas anuais sobre IA, várias delas na .
— Espaço argentino de trabalho aberto sobre IA.
— Trabalho sustentado desde Córdoba sobre direitos digitais, software livre e, nos últimos anos, vieses e discriminação em modelos de linguagem, com ferramentas pensadas para que comunidades não técnicas possam auditar estereótipos em modelos.
— Organização regional (com base no Chile) que produz algumas das melhores pesquisas em espanhol sobre IA no Estado, vigilância e direitos humanos na América Latina.
— Do Brasil, cruza tecnologia, gênero e direitos com um enfoque de design e de intervenção pública.
— Rede Latino-Americana de Estudos sobre Vigilância, Tecnologia e Sociedade: congressos, dossiês e uma comunidade acadêmica regional consolidada.
— Centro Nacional de Inteligência Artificial do Chile; entre outras coisas, coordena o Índice Latino-Americano de Inteligência Artificial (ILIA) e o esforço de treinar modelos de linguagem regionais com dados e participação latino-americanos.
— Não é latino-americana, mas é o exemplo mais citado do que este capítulo discute: uma comunidade pan-africana, distribuída e de base, que constrói PLN para línguas africanas sem esperar que uma empresa do Norte decida que vale a pena.

Espaços curriculares

Comunidade técnica regional

— O encontro latino-americano de inteligência artificial: uma escola intensiva de pesquisa que circula por diferentes cidades da região.
— Rede e programa de mentorias; organiza oficinas nas grandes conferências do campo.
e — A infraestrutura de publicação em acesso aberto construída na região, sem taxas de processamento de artigos. Cabem aqui por algo preciso: são a prova de que a América Latina já construiu comuns epistêmicos em escala continental e, portanto, de que a pergunta por uma infraestrutura de IA pública e regional não é utópica, e sim orçamentária e política.

Eventos: 2as Jornadas de IA na Universidad Nacional de Córdoba (dezembro de 2024)

Programação completa no (em espanhol).

Dia 1

Dia 2

A Rota D, em ordem

Se você quiser um percurso e não um catálogo:

Ver o terreno: Atlas da IA, de Crawford, com o Calculating Empires aberto ao lado.
Nomear a estrutura: Birhane, Algorithmic Colonization of Africa → Mohamed, Png e Isaac, Decolonial AI → Couldry e Mejias.
Mudar o marco, não só os exemplos: Mhlambi (ubuntu), Ricaurte, Santos.
Aterrissar no mensurável: fairmlbook e Practical Data Ethics, para não ficar na crítica sem ferramentas.
Procurar onde já se faz: Vía Libre, Derechos Digitales, Masakhane, SciELO/AmeliCA. Este passo importa: sem ele, a crítica vira uma descrição elegante de uma derrota.

E se você vem do lado técnico, a ordem inversa funciona igualmente bem: começar pelo passo 5 —por uma organização concreta que esteja fazendo algo— e subir até os marcos.

Até aqui o capítulo trabalhou sobre a IA em geral: o que é, como aprendê-la, quem a produz e a que custo. Mas a mesma tecnologia muda de forma conforme onde aterrissa, e as perguntas viram outras quando do outro lado há uma sala de aula, um hospital ou uma repartição pública. Esse é o capítulo que vem a seguir.

Sugestões de leitura

Birhane, A. (2020). Algorithmic colonization of Africa. SCRIPTed, 17(2), 389–409.

Couldry, N., & Mejias, U. A. (2019). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

Mhlambi, S. (2020). From rationality to relationality: Ubuntu as an ethical and human rights framework for artificial intelligence governance (Carr Center Discussion Paper 2020-009). Harvard Kennedy School.

Mohamed, S., Png, M.-T., & Isaac, W. (2020). Decolonial AI: Decolonial theory as sociotechnical foresight in artificial intelligence. Philosophy & Technology, 33, 659–684.

Ricaurte, P. (2019). Data epistemologies, the coloniality of power, and resistance. Television & New Media, 20(4), 350–365.

Santos, B. de S. (2010). A gramática do tempo: Para uma nova cultura política. Cortez Editora.

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

Continuar em Contextos