Roadmaps comunitários

Sem isso, o resto vira receita decorada. Vale voltar aqui sempre que um conceito de modelagem parecer arbitrário.

• Álgebra linear: vetores, matrizes, autovalores e decomposições
• Cálculo: derivadas parciais, gradiente e regra da cadeia
• Probabilidade e estatística: distribuições, esperança, variância, testes de hipótese
• Python científico: NumPy, pandas, matplotlib
• Manipulação e limpeza de conjuntos de dados tabulares

Modelos simples continuam sendo a linha de base contra a qual qualquer solução mais complexa precisa ser comparada.

• Aprendizado supervisionado: regressão linear e logística
• Árvores de decisão, florestas aleatórias e gradient boosting
• Aprendizado não supervisionado: agrupamento e redução de dimensionalidade
• Validação cruzada, sobreajuste e subajuste
• Métricas: acurácia, precisão, revocação, F1, ROC-AUC, erro quadrático
• Engenharia de atributos e tratamento de dados desbalanceados

A partir daqui o custo computacional passa a fazer parte das decisões de projeto.

• Redes neurais: retropropagação, funções de ativação, otimizadores
• Regularização: dropout, normalização em lote, parada antecipada
• Redes convolucionais e visão computacional
• Transformers e atenção
• Processamento de linguagem natural: tokenização, embeddings, modelos de linguagem
• Transferência de aprendizado e ajuste fino

O ponto em que Inteligência Artificial encontra Engenharia de Software.

• Uso de APIs de modelos de linguagem e controle de custo e latência
• Engenharia de contexto e estruturação de saídas
• RAG: indexação, busca vetorial, reordenação e citação de fontes
• Agentes: uso de ferramentas, orquestração e limites de autonomia
• Avaliação de sistemas com IA: conjuntos de teste, avaliação automática e revisão humana
• Riscos: alucinação, viés, vazamento de dados e privacidade

Um modelo que não roda para ninguém é um exercício.

• Servir modelos: APIs, contêineres e escalonamento
• Monitoramento: deriva de dados, deriva de conceito e qualidade em produção
• Versionamento de dados, modelos e experimentos
• Reprodutibilidade: sementes, ambientes e registro de execuções

A base que sustenta qualquer especialização posterior.

• Uma linguagem com profundidade, além da sintaxe
• Estruturas de dados: listas, pilhas, filas, árvores, grafos, tabelas de dispersão
• Algoritmos: ordenação, busca, recursão, programação dinâmica
• Complexidade assintótica e análise de custo
• Git: ramificações, mesclagem, resolução de conflitos, histórico legível

Onde o programa vira software usado por outras pessoas.

• Programação orientada a objetos e programação funcional
• Modelagem de domínio e separação de responsabilidades
• APIs HTTP: REST, códigos de estado, versionamento, documentação
• Bancos relacionais: modelagem, SQL, índices, transações
• Bancos não relacionais e quando eles fazem sentido
• Autenticação, autorização e tratamento de segredos

A parte que distingue um projeto de faculdade de um sistema que outras pessoas dependem.

• Testes de unidade, integração e ponta a ponta
• Desenvolvimento guiado por testes
• Revisão de código: dar e receber crítica técnica
• Refatoração e redução de dívida técnica
• Análise estática, formatação automática e padrões de projeto
• Registro de eventos, rastreamento e depuração de problemas em produção

Decisões que ficam caras para reverter depois.

• Padrões arquiteturais: camadas, hexagonal, orientada a eventos
• Sistemas distribuídos: consistência, idempotência, filas e reprocessamento
• Contêineres e orquestração
• Integração e entrega contínuas
• Observabilidade: métricas, alertas e resposta a incidentes
• Registro de decisões de arquitetura

Software é atividade coletiva; a parte social também se aprende.

• Levantamento e escrita de requisitos
• Estimativa, planejamento e acompanhamento de entregas
• Documentação técnica útil, escrita para quem chega depois
• Contribuição para projetos de código aberto

Antes de construir esteiras, entender o material que passa por elas.

• SQL além do básico: junções, funções de janela, subconsultas, CTEs
• Modelagem relacional e normalização
• Formatos de arquivo: CSV, JSON, Parquet, Avro
• Estatística descritiva e perfilamento de dados
• Python para dados: pandas e trabalho com grandes volumes

A maior parte do trabalho real acontece aqui.

• ETL e ELT: quando cada abordagem faz sentido
• Extração de APIs, bancos, arquivos e fluxos contínuos
• Orquestração de fluxos e gestão de dependências
• Idempotência, reprocessamento e recuperação de falhas
• Transformações versionadas e testadas

Como os dados ficam guardados determina o que dá para perguntar depois.

• Data warehouse, data lake e arquitetura em camadas
• Modelagem dimensional: fatos, dimensões, esquema estrela
• Particionamento, compressão e custo de consulta
• Processamento distribuído e paralelismo

Dado sem confiança é ruído com formatação.

• Testes e validação de qualidade de dados
• Linhagem, catálogo e documentação de conjuntos de dados
• Contratos de dados entre times produtores e consumidores
• Privacidade, anonimização e a Lei Geral de Proteção de Dados
• Monitoramento de esteiras e alerta de falhas

O último passo é alguém conseguir decidir algo com o resultado.

• Visualização de dados e escolha de representação adequada
• Painéis e métricas com definição documentada
• Comunicação de resultados para público não técnico

O começo costuma ser mais simples do que parece: conversar com quem já pesquisa.

• Identificar linhas de pesquisa e grupos ativos no curso e no campus
• Procurar orientação e apresentar interesse a docentes
• Conhecer os editais de iniciação científica e de extensão da UFPR
• Entender bolsas de agências de fomento e seus requisitos

Ler artigo é habilidade treinável, não talento.

• Leitura em três passagens: título e resumo, estrutura, detalhe
• Busca em bases: Google Scholar, ACM, IEEE, arXiv, SciELO
• Avaliar veículo de publicação e qualidade metodológica
• Gerenciamento de referências e organização de leitura
• Revisão sistemática e mapeamento da literatura

A diferença entre um resultado e uma coincidência.

• Formulação de pergunta de pesquisa e hipóteses
• Desenho experimental, variáveis e grupos de controle
• Significância estatística e tamanho de efeito
• Reprodutibilidade: dados, código e ambiente disponíveis
• Ética em pesquisa e comitês de ética quando aplicável

Pesquisa que ninguém consegue ler não circula.

• Estrutura de um artigo científico
• Escrita técnica: precisão, concisão e honestidade sobre limitações
• LaTeX e preparação de manuscritos
• Apresentação oral e pôster em eventos científicos
• Submissão, revisão por pares e resposta a pareceres

Decisões que ficam mais fáceis quando conhecidas cedo.

• Trabalho de Conclusão de Curso: escolha de tema e orientação
• Processos seletivos de mestrado e doutorado
• Programas de pós-graduação em computação no Brasil e no exterior
• Pesquisa aplicada na indústria como alternativa à academia

A maior causa de produto morto é resolver bem algo que ninguém precisava.

• Entrevista com usuários e escuta sem indução de resposta
• Definição de problema, público e contexto de uso
• Pesquisa de alternativas existentes e o que elas deixam de fora
• Formulação e teste de hipóteses de valor

Menor esforço que produz aprendizado real.

• Escopo mínimo e recorte de primeira versão
• Prototipação rápida e teste com pessoas reais
• Métricas de produto: ativação, retenção, uso recorrente
• Ciclos curtos de aprendizado e decisão de persistir ou mudar
• Noções de interface e experiência de uso

A parte que raramente aparece na graduação e determina se o projeto continua existindo.

• Modelos de receita e estrutura de custo
• Precificação e proposta comercial
• Formalização: tipos de empresa, obrigações e contratos
• Propriedade intelectual e licenciamento de software
• Gestão financeira básica e fluxo de caixa

Onde procurar apoio, recurso e interlocução no Paraná e no Brasil.

• Programas de fomento à inovação e editais públicos
• Incubadoras, aceleradoras e parques tecnológicos
• Empresas juniores e projetos de extensão universitária
• Eventos e comunidades técnicas regionais