Escrevi o seguinte texto no prompt do chat GPT:
"Avalie o meu processo de aprendizagem em ciência de dados de acordo com o método 70-20-10 com base na seguinte explicação:
- 70% do aprendizado deve ocorrer por meio da experiência prática no trabalho. Isso significa que a maior parte do desenvolvimento profissional deve vir das tarefas e projetos diários. Ao enfrentar desafios e assumir responsabilidades, as pessoas têm a oportunidade de aprender com suas próprias experiências.
- 20% do aprendizado deve ocorrer por meio da interação com outras pessoas. Isso pode incluir a colaboração com colegas de trabalho, feedback de supervisores e mentoria. Através dessas interações, as pessoas podem obter orientação, compartilhar conhecimento e aprender com a experiência dos outros.
- 10% do aprendizado, por sua vez, deve ocorrer por meio de atividades formais de desenvolvimento, como treinamentos, cursos, workshops e leituras. Essas oportunidades de aprendizado estruturado podem fornecer novos conhecimentos, habilidades e insights que complementam a aprendizagem prática e social."
A RESPOSTA DO CHAT GPT FOI:
70% — Aprendizado pela prática
Esse é o coração do método, e é aqui que você mais pode crescer:
- Você já está estudando Python, R, SQL, estatística e Excel, que são ferramentas centrais.
- Mas, para que essa parte seja realmente 70%, o ideal é transformar esse conhecimento em projetos práticos aplicados. Exemplos:
- Criar dashboards (Power BI, Tableau ou Streamlit).
- Trabalhar com datasets reais (Kaggle, dados do IBGE, dados públicos de saúde, etc.).
- Simular cases de empresa: relatórios de vendas, análise de churn, previsão de demanda.
- Quanto mais você aplicar seu conhecimento em problemas do mundo real (inclusive pessoais ou de pesquisa, como sua ideia sobre fibromialgia), mais consistente será sua base prática.
Avaliação: Você está forte na preparação técnica, mas ainda precisa consolidar projetos práticos contínuos para que esse 70% seja de fato dominante.
20% — Aprendizado social
- Você ainda não comentou sobre mentoria, grupos de estudo ou networking, mas essa parte é essencial para acelerar sua curva de aprendizado.
- Caminhos para reforçar essa dimensão:
- Participar de comunidades no Discord, Slack, LinkedIn ou fóruns de Data Science.
- Buscar um mentor (professor, profissional da área, colega mais avançado).
- Compartilhar projetos no GitHub/LinkedIn e receber feedback.
- Participar de hackathons ou grupos de estudos de Python/SQL.
Avaliação: Esse aspecto pode estar subutilizado no seu processo. Se você incluir mais colaboração e feedback, vai destravar insights que sozinho levaria muito mais tempo para alcançar.
10% — Aprendizado formal
- Aqui você já está muito alinhada: faz cursos, acompanha conteúdos estruturados e busca planos de estudo.
- O risco seria ficar presa demais nessa parte e não transformar teoria em prática.
- Sugestão: defina metas de conclusão aplicadas (ex.: terminar um curso de estatística → aplicar em um dataset real no Kaggle).
Avaliação: Você está no caminho certo, mas precisa dosar para que isso seja suporte, e não o foco central.
Resumo do seu equilíbrio atual (estimativa)
- Formal (10%) → você já está forte, provavelmente hoje representa 30-40% do seu processo.
- Social (20%) → provavelmente abaixo do ideal, talvez 5-10% apenas.
- Prática (70%) → presente, mas ainda não consolidada em projetos aplicados, então pode estar em torno de 40-50%.
Recomendações para equilibrar melhor:
- Projetos práticos regulares (70%) → transforme cada aprendizado em um projeto (mesmo pequeno).
- Aumentar a interação (20%) → entre em grupos de estudo, poste seus avanços, busque feedback.
- Reduzir a dependência do formal (10%) → continue os cursos, mas sempre aplicando logo em seguida.
MINHA OPINIÃO:
Achei bem coerente a resposta do chat GPT, realmente preciso investir mais em projetos práticos, mas por enquanto estou aprendendo a teoria pra poder aplicar.
