AI Expert Roadmap

O AI Expert Roadmap é um guia de aprendizado criado pela AMAI GmbH para apresentar possíveis caminhos de estudo para quem deseja desenvolver conhecimentos em Inteligência Artificial, Machine Learning, Deep Learning e áreas relacionadas a dados.

Originalmente desenvolvido para orientar novos profissionais da própria AMAI na formação como especialistas em IA, o material foi disponibilizado publicamente para ajudar a comunidade a compreender quais fundamentos, ferramentas e tecnologias podem fazer parte dessa jornada.

O roadmap começa pelos fundamentos necessários para diferentes caminhos, incluindo álgebra linear, matrizes, bancos de dados relacionais e não relacionais, SQL, NoSQL, estruturas e formatos de dados, ETL, expressões regulares e programação em Python.

Na parte de Python para Dados, aparecem ferramentas e bibliotecas como NumPy, Pandas e Jupyter, além de assuntos relacionados à análise exploratória, limpeza e preparação de dados, normalização, tratamento de valores ausentes, redução de dimensionalidade, amostragem e PCA.

Para quem deseja seguir o caminho de Data Science, o roadmap apresenta uma base extensa de probabilidade e estatística, incluindo distribuições de probabilidade, Teorema de Bayes, média, variância, covariância, correlação, testes de hipóteses, intervalos de confiança, Maximum Likelihood Estimation e outros conceitos.

A trilha de Machine Learning aborda aprendizado supervisionado e não supervisionado, regressão, classificação, clustering, ensemble learning e reinforcement learning. Entre os algoritmos apresentados estão Decision Trees, Naive Bayes, Linear e Logistic Regression, K-Nearest Neighbors, SVM, K-Means, DBSCAN, PCA, boosting, bagging e Q-Learning.

Em Deep Learning, o conteúdo avança para redes neurais e diferentes arquiteturas, incluindo Feedforward Neural Networks, Autoencoders, CNNs, GANs, RNNs, LSTM, GRU e Transformers. Também são apresentados conceitos como Attention, Encoder, Decoder, Transfer Learning, Regularization, Batch Normalization, otimização e treinamento de modelos.

Entre as principais ferramentas e bibliotecas relacionadas a IA estão PyTorch, TensorFlow, Hugging Face Transformers, scikit-learn, MLflow e TensorBoard.

O roadmap possui ainda caminhos específicos para Data Engineering e Big Data Engineering, passando por aquisição, integração, transformação e enriquecimento de dados, ETL, Data Lakes, Data Warehouses, Hadoop, Spark, HDFS, Kafka, Flink, Cassandra, MongoDB, Kubernetes e diferentes arquiteturas para processamento de grandes volumes de dados.

Também são apresentadas tecnologias e serviços de Cloud relacionados a dados e Machine Learning, incluindo recursos da AWS, Google Cloud e Microsoft Azure.

Além dos diagramas, existe uma versão interativa na qual diversos itens possuem links para materiais adicionais, permitindo aprofundar os assuntos apresentados.

O objetivo do projeto não é determinar uma única sequência obrigatória de estudos, mas oferecer uma visão ampla do ecossistema e ajudar o estudante a decidir quais conhecimentos explorar de acordo com seu objetivo profissional.