Repositórios para aprender AI, Machine Learning, Deep Learning, NLP e Reinforcement Learning

Repositórios para aprender AI/ML — Herez

Repositórios para aprender AI/ML

Autor: Herez

Este post reúne descrições práticas de repositórios que eu, Herez, utilizei para estudar inteligência artificial e aprendizado de máquina. Para cada repositório há uma explicação objetiva e um exemplo real de como o utilizei para aprender, experimentar ou aplicar conceitos.

microsoft/ML-For-Beginners

O que é: Coleção estruturada de lições e notebooks para iniciantes em machine learning, cobrindo conceitos fundamentais com exercícios práticos.

Como eu usei: Segui os notebooks de regressão e classificação para revisar conceitos básicos; adaptei um notebook de classificação para um dataset próprio e comparei resultados com diferentes pré-processamentos.

Avik-Jain/100-Days-Of-ML-Code

O que é: Plano de estudos com 100 exercícios e projetos curtos para praticar ML diariamente.

Como eu usei: Adotei a rotina de 30 dias focada em feature engineering e deploy simples; documentei cada experimento em um repositório pessoal para acompanhar evolução.

TheAlgorithms/Python

O que é: Implementações em Python de algoritmos clássicos (estruturas de dados, algoritmos de busca, otimização), úteis para entender fundamentos computacionais.

Como eu usei: Estudei implementações de algoritmos de otimização e reescrevi versões simplificadas para entender como gradientes e buscas locais funcionam em problemas de ML.

mml-book/mml-book.github.io

O que é: Material didático sobre machine learning moderno, com explicações teóricas e exemplos práticos.

Como eu usei: Consultei capítulos sobre regularização e generalização para ajustar hiperparâmetros em modelos de redes neurais que eu treinava em pequenos datasets.

GokuMohandas/Made-With-ML

O que é: Coleção de projetos e tutoriais práticos que mostram aplicações reais de ML, desde protótipos até deploy.

Como eu usei: Inspirei-me em um projeto de classificação de texto para montar um pipeline de pré-processamento e deploy em container para um protótipo pessoal.

labmlai/annotated_deep_learning_papers

O que é: Resumos e anotações de artigos importantes de deep learning, com explicações acessíveis e implementações de referência.

Como eu usei: Li a anotação de um paper sobre atenção e implementei uma versão reduzida para testar impacto em uma tarefa de classificação de sequência.

karpathy/nn-zero-to-hero

O que é: Material didático que explica redes neurais do zero, com implementações simples para aprendizado conceitual.

Como eu usei: Reproduzi os exercícios de backpropagation em NumPy para fixar a matemática por trás do treinamento de redes.

HandsOnLLM/Hands-On-Large-Language-Models

O que é: Recursos práticos para trabalhar com grandes modelos de linguagem (LLMs), incluindo exemplos de prompt engineering e pipelines de inferência.

Como eu usei: Testei exemplos de fine-tuning leve e pipelines de inferência para entender trade-offs entre latência e qualidade em LLMs menores.

dair-ai/Prompt-Engineering-Guide

O que é: Guia com técnicas e padrões para criar prompts eficazes ao trabalhar com modelos de linguagem.

Como eu usei: Apliquei padrões de prompt para melhorar respostas em tarefas de extração de informação e comparei variações para medir robustez.

microsoft/ai-agents-for-beginners

O que é: Recursos introdutórios sobre agentes de IA, cobrindo conceitos de arquitetura, planejamento e integração com modelos.

Como eu usei: Experimentei um exemplo de agente simples para automatizar uma tarefa de coleta de dados e aprimorei a lógica de decisão com regras básicas.

NirDiamant/GenAI_Agents

O que é: Repositório com exemplos e padrões para construir agentes baseados em modelos generativos.

Como eu usei: Combinei um padrão de agente com um fluxo de prompts para criar um assistente que gera resumos técnicos a partir de textos longos.

NirDiamant/RAG_Techniques

O que é: Técnicas e exemplos de Retrieval-Augmented Generation (RAG) para integrar recuperação de documentos com geração de texto.

Como eu usei: Modelei um pipeline RAG para responder perguntas sobre um conjunto de documentos internos, avaliando precisão e latência.

academic/awesome-datascience

O que é: Curadoria de recursos, cursos e ferramentas para ciência de dados e aprendizado de máquina.

Como eu usei: Usei a curadoria para montar um plano de estudos personalizado, priorizando tópicos de estatística aplicada e visualização de dados.

keon/awesome-nlp

O que é: Lista de recursos e bibliotecas para processamento de linguagem natural (NLP).

Como eu usei: Explorei bibliotecas recomendadas para tokenização e embeddings e comparei resultados em tarefas de classificação de sentimento.

aikorea/awesome-rl

O que é: Coleção de recursos sobre reinforcement learning (RL), incluindo tutoriais, implementações e papers.

Como eu usei: Segui um tutorial de RL para treinar um agente simples em um ambiente simulado e analisei curvas de recompensa para ajustar hiperparâmetros.

FareedKhan-dev/all-rl-algorithms

O que é: Implementações de diversos algoritmos de RL para estudo e comparação.

Como eu usei: Comparei implementações de DQN e PPO em um problema reduzido para entender diferenças de estabilidade e convergência.

Como eu recomendo usar esses repositórios

  • Monte um plano de estudos prático: combine um repositório teórico (papers/anotações) com um repositório de projetos práticos.
  • Reproduza experimentos mínimos: implemente versões reduzidas dos exemplos antes de tentar reproduzir o pipeline completo.
  • Documente tudo: mantenha um diário de experimentos com comandos, parâmetros e resultados para acelerar aprendizado.
  • Integre aprendizado com projetos reais: aplique conceitos em pequenos projetos que resolvam problemas concretos.
Tags:
AI, Machine Learning, Deep Learning, NLP, Reinforcement Learning, Herez, Tutoriais, Repositórios

Este post foi redigido por Herez e apresenta experiências e exemplos práticos utilizados por ele para aprender e aplicar técnicas de IA/ML.