Repositório criado para compartilhamento de conteúdos (vídeos, cursos, livros, etc) sobre Python, Inteligência Artificial e afins.

Disclaimer: recomendo a leitura das documentações das bibliotecas à medida que forem surgindo dúvidas, mas não de forma integral, uma vez que as bibliotecas apresentam funcionalidades além do necessário nesse momento (básico apenas).

• Python: linguagem de programação de alto nível utilizada, dentre outras aplicações, em diversos projetos de Inteligência Artificial, Aprendizado de Máquina (Machine Learning), Ciência/Engenharia de Dados.

• Jupyter Notebook: combinação de células de texto e código, frequentemente utilizada na análise de dados e compartilhamento de trabalhos envolvendo Python.

• SQL: linguagem de consulta utilizada em bancos de dados do tipo relacional, cujos dados apresentam-se em tabelas. Os métodos mais simples (como SELECT e JOIN) são mais do que suficientes para o trabalho inicial. Além disso, a biblioteca Pandas pode ser uma facilitadora nesse quesito, uma vez que ela consegue realizar queries (consultas) sem que o usuário venha a utilizar a linguagem SQL.

• Pandas - Documentação: biblioteca Python muito utilizada em análise de dados. Apresenta funções semelhantes ao Excel e é baseada em Dataframes - que são estruturas de dados análogas a tabelas.

• Numpy - Documentação: biblioteca Python para matemática científica

• Github: plataforma de hospedagem de código e arquivos com controle de versão.

• Inteligência Artificial, Aprendizado de Máquina (Machine Learning) e Aprendizado Profundo ((Deep Learning)): importante saber diferenciar os 3 tópicos. A principal diferença está na forma de aprendizado envolvido.
  Durante o processo utilizaremos de redes neurais para realizar algumas previsões, estas estão contidas na área do Aprendizado Profundo.
  O seguinte artigo aborda essa questão: https://www.ibm.com/blogs/systems/ai-machine-learning-and-deep-learning-whats-the-difference/
  A imagem abaixo representa a relação entre as 3 áreas.

Fonte: IBM: AI, machine learning and deep learning: What’s the difference?

• Medium: conteúdo escrito pela comunidade. Contém bons artigos, mas é importante ter cuidado uma vez que o artigo é feito pela comunidade.
• Towards Data Science: blog hospedado no Medium voltado para Data Science, envolvendo assuntos como Machine Learning e Deep Learning.
• Programação Dinâmica: Ensino de programação e discussões sobre tecnologia. Abordam conteúdo de IA/ML e a maioria das vezes utilizam Python como linguagem de programação.
• Referências Teo Calvo: possui inúmeras referências, desde youtubers até livros. Recomendo os livros de programação.
• Guia do Cientista de Dados das Galáxias: conjunto de referências assim como o link acima, sendo que voltado para o universo da Ciência de Dados em específico.

• Udemy: Introdução à linguagem Python ~2h
• Solyd: Python Básico ~8h: recomendo até a aula 7.
• Data Science Academy: Python Fundamentos Para Análise de Dados >60h: Curso bem completo porém muito extenso, recomendo para um momento futuro ao se aprofundar um pouco mais. Uma ressalva apenas quanto a IDE utilizada: em vez de PyCharm, recomendo o Visual Studio Code.
• Data Analysis with Python
• Teo Calvo: Imersão de Pandas ~8h
  Apresentação da biblioteca Pandas. O conteúdo apresentado por Teo, de forma geral, é excelente.

1. Configuração de ambiente com Anaconda: https://www.youtube.com/watch?v=XCvgyvBFjyM
2. Python
   • Conceitos básicos: tipos de variáveis, tipos e estruturas de dados
   • Métodos, estruturas de repetição, condicionais,
   • Bibliotecas
   • Manipulação de arquivos (csv, json, etc)
3. Inteligência Artificial
   • Conceitos Básicos
4. Machine Learning
   • Conceitos básicos
   • Algoritmos básicos
   • Biblioteca Scikit-learn: através desta é possível implementar modelos relativamente simples
5. Deep Learning
   • Conceitos básicos
   • Tipos de redes neurais
   • Biblioteca TensorFlow + Keras