Você está se baseando no modelo 70-20-10 de aprendizado, que é uma das formas mais eficazes de desenvolver habilidades práticas — especialmente em Análise de Dados e Inteligência Artificial.
Abaixo está o seu plano de desenvolvimento, adaptada à sua rotina de 2 horas diárias e ao foco em migração de carreira.
Objetivo principal
Migrar para a área de Análise de Dados e Inteligência Artificial, desenvolvendo domínio prático em Python, SQL, Lógica de Programação e Modelos de IA, com base no modelo 70-20-10.
Estrutura do Plano de Aprendizado (70-20-10)
70% — Aprendizado por experiência prática (1h30 por dia)
“Aprender fazendo”: foco em projetos, desafios e experimentos reais.
Objetivo:
Desenvolver fluência técnica aplicando conhecimentos a problemas reais de dados.
Atividades práticas semanais:
| Semana | Foco principal | Exemplos de atividades práticas |
|---|---|---|
| 1 | Python + Lógica | Criar scripts para automatizar tarefas simples (ex: limpeza de texto, cálculo de médias). Resolver 3 exercícios no HackerRank. |
| 2 | SQL + Análise de Dados | Baixar um dataset do Kaggle, criar um banco SQLite e responder perguntas analíticas com queries SQL. |
| 3 | Pandas + Visualização de Dados | Fazer uma análise exploratória de dados (EDA) com Pandas e gerar gráficos com Matplotlib ou Seaborn. |
| 4 | IA Aplicada | Treinar um modelo simples (ex: previsão de preços, análise de sentimento). Comparar desempenho de modelos. |
Ferramentas sugeridas:
Python: Jupyter Notebook, Google Colab
SQL: SQLite, PostgreSQL ou Mode Analytics
IA: scikit-learn, OpenAI API (para IA generativa)
Versionamento: GitHub (registre seus projetos!)
20% — Aprendizado por meio da interação com outras pessoas (24 min/dia ou 3h/semana)
“Aprender com os outros”: trocas, comunidades, eventos e mentorias.
Estratégias de interação:
Participar de comunidades:
Data Hackers Discord
[Kaggle Brasil (Telegram)]
Women in Data Science - WiDS Brasil
Interagir no LinkedIn:
Compartilhe aprendizados semanais (mesmo breves)
Comente postagens de especialistas da área
Mentorias e eventos:
Sessões no ADPList com mentores de dados
Meetups em Meetup.com (“Data Science SP”, “Python Brasil”)
Atividade prática:
Toda semana: participe de 1 fórum, comunidade ou evento online
A cada 15 dias: troque ideias com um mentor, colega ou profissional da área
10% — Aprendizado formal (12 min/dia ou 1h30/semana)
“Aprender estudando”: cursos, leituras, workshops e certificações.
Sugestão de formação contínua:
Cursos gratuitos recomendados:
Google Data Analytics (Coursera)
Introdução ao Machine Learning com Python – Kaggle Learn
SQL for Data Science – Coursera
Leituras semanais curtas:
Artigos do Medium “Towards Data Science”
Blog da Data Hackers
Livro: Python para Análise de Dados (Wes McKinney)
Exemplo de rotina semanal (2h por dia)
| Dia | Atividade principal | Tipo de aprendizado |
|---|---|---|
| Seg | Projeto Python + Pandas | 70% Experiência |
| Ter | Prática SQL (consultas) | 70% Experiência |
| Qua | Mini-projeto IA (modelo simples) | 70% Experiência |
| Qui | Participar de comunidade / mentoria | 20% Interação |
| Sex | Curso ou leitura guiada (Coursera / Kaggle) | 10% Formal |
| Sáb | Projeto prático e revisão no GitHub | 70% Experiência |
| Dom | Reflexão e networking leve (LinkedIn, fórum) | 20% Interação |
Resultado esperado em 3 meses:
3 a 4 projetos práticos no GitHub (Python, SQL, IA)
Networking ativo em 1 ou 2 comunidades
Base sólida de aprendizado formal para certificações futuras
Portfólio pronto para aplicar a vagas de estágio, júnior ou trainee em dados