fbpx
Sigmoidal
  • Home
  • CursosNOVO
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • Home
  • CursosNOVO
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados
Home Artigos Data Science

Entrevista com Mário Filho: como conquistar uma vaga no exterior

Mário Filho falou sobre suas competições e vitórias no Kaggle, como iniciou em Data Science, seu trabalho para Upwork e TOTVS, dicas para aplicar como freelancer e muito mais.

Equipe Sigmoidal por Equipe Sigmoidal
julho 25, 2023
em Data Science
0
13
COMPARTILHAMENTOS
428
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

Neste episódio nós conversamos com o especialista em Machine Learning Mario Filho, Kaggle Grandmaster com vários títulos em competições globais no Kaggle.

Com quase uma década de experiência, ele vai compartilhar um pouco da sua trajetória até se tornar um Cientista de Dados, os diferentes perfis e níveis educacionais de quem entra na área, sua experiência nas competições do Kaggle e dicas para conquistar sua vaga no mercado de trabalho!

Se você ainda não conhecia o Mário, vou tentar resumir a sua biografia: Lead Data Scientist na área de Machine Learning da Upwork entre 2018 e 2019, consultor de conteúdo pela UC Berkeley, multicampeão de competições do Kaggle, autor do e-book “Manual Prático de Data Science” e consultor em Machine Learning, tendo trabalhado para grandes empresas de Data Science, como Upwork e TOTVS.

Ah sim, ele aprendeu tudo exclusivamente com cursos online.

Em tempos em que você tem acesso gratuito às aulas de Stanford, MIT e Harvard, e ter aula com grandes nomes como Andrew Ng e Jeremy Howard, o Mario Filho é maior validação de que o democratização do conhecimento derrubou qualquer barreira de entrada nessa carreira inovadora.

Agora eu te pergunto, qual a sua desculpa para começar hoje mesmo uma nova carreira?

O que é o Kaggle?

De acordo com informações do próprio site, “Kaggle é o lar da ciência de dados, com mais de 12 milhões de usuários, prontos para resolver seu problema de modelagem preditiva por meio de competições de dados. (…) Dentro do Kaggle, você encontrará todo o código e dados necessários para realizar seu trabalho de ciência de dados. Use mais de 50.000 conjuntos de dados públicos e 400.000 notebooks públicos para conquistar qualquer análise rapidamente.”

Mário conta que, como não tinha formação na área, tinha que provar de alguma forma que entende do assunto, por isso quis participar das competições do Kaggle. Pois a visibilidade que essa plataforma traz é tornaria mais conhecido, além do prêmio oferecido para algumas competições.

De maneira resumida, Kaggle é uma plataforma de ciência de dados e aprendizado de máquinas, em que seus usuários podem encontrar e publicar conjunto de dados, trabalhar com profissionais de dados e participar de competições que resolvem desafios de ciência de dados.

E ele não só participou como venceu algumas competições, que lhe renderam centenas de milhares de dólares. Nada mal para quem não era formado na área, né?

“O melhor passo para resolver um problema é olhar como outras pessoas o solucionaram. Isso lhe vai economizar um tempo absurdo. (…) Como ela pensou, como ela usou uma biblioteca, como ela resolveu uma problema parecido ou igual ao seu.”

Para ele, a melhor maneira de você realmente entender machine learning é competindo, colocando em prática seus conhecimentos para resolver um problema real. É como querer aprender o nado livre (crawl) apenas assistindo a vídeos ou lendo livros. Tem que colocar em prática para testar seus conhecimentos teóricos, o famoso “colocar a mão na massa”.

O caminho percorrido para aprender 

Pela falta de formação na área, Mário construiu sua base fazendo muitos cursos remotamente e lendo livros. Alguns dos cursos foram feitos na Coursera, na Udacity, na edX e na prestigiada Caltech (Instituto de Tecnologia da Califórnia). Sobre os livros, conta que estudou pelo “The Elements of Statistical Learning” e “Python for Data Analysis”.

“Nenhum curso vai lhe ensinar tudo, não existe uma única fonte. As abordagens mudam. E o mais importante são os insights de cada professor.”

De fato, nenhum curso vai conseguir abarcar todas as possibilidades e exemplos. Cabe também ao estudante participar dessa construção de conhecimento, não apenas esperando que o responsável pelo curso lhe forneça tudo que ele precisa. Ler para aprender é uma atividade ativa, que depende de esforço mental, já dizia Mortimer Adler no livro “Como Ler Livros”.

O mercado era dominado por acadêmicos com mestrado e doutorado, e o trabalho como freelancer exigia conhecimento prático, conta Mário Filho. Por isso, ele construiu sua base de conhecimento e depois procurou aprender aquilo que ele precisaria para conquistar seus objetivos no mercado de trabalho.

Sobre faculdade, o campeão de competições do Kaggle conta que não é contra; ela é só um meio dentre outros de aprender algo. Ele faz uma observação sobre a mentalidade dos universitários, que acham que, após formado, você não precisa mais estudar, mas isso não é verdade. Você sempre precisará estudar e se aprimorar, complementa ele.

Bem, se a pessoa quer aprender algo, desculpa de não existir fonte não deve existir. Hoje em dia, é possível aprender por livros, vídeos, podcasts, cursos, desde que exista vontade mesmo, ou seja, tem que suar a camiseta.

Sobre a Matemática para Machine Learning

Nosso entrevistado conta que não tinha uma base de matemática. Na verdade, era péssima, segundo ele. Para resolver esse entrave, contou com os conteúdos da plataforma Khan Academy, elogiando sua organização. Também estudou Cálculo pelo MIT.

No entanto, não é preciso saber matemática profundamente para aprender machine learning e ciência de dados, ressalta Mário. Porém, deep learning já requer uma matemática mais pesada para aprender coisas como backpropagation (derivada parcial e tensores, por exemplo), ponderação com a qual nosso entrevistado também concordou.

Você vai resolver meu problema é uma pergunta que todas as empresas e todo mundo faz, comenta Mário Filho. No fundo, é a experiência que conta, ele complementa. De fato, o portfólio é um instrumento imprescindível para você mostrar sua experiência, porque não tem como um recrutador adivinhar quais suas habilidades e o que você já produziu.

A verdade é que mensagens de recrutador no LinkedIn se tornaram uma commoditie, porque estão disparando para todos os lados, observa o entrevistado. Para ele, os passos que você deve seguir são estes: você deve criar um portfólio, escrever artigos, divulgar no LinkedIn e outras plataformas e se candidatar a uma vaga. Em vez de esperar um recrutador achá-lo – lembre-se de que há uma infinidade de pretendentes –, essa é a maneira mais rápida de conseguir uma vaga, ele explica.

Oportunidades na área de dados

Nosso convidado conta que há uma carência de manipulação especializada em ciência de dados no Brasil, e que gráficos e dashboards já fariam uma enorme diferença no uso de dados pelas empresas. Sobre uma recomendação de empresas para quem deseja trabalhar com machine learning, ele cita algumas: Airbnb, Netflix, Nubank, Hotmart, Itaú.

“Ninguém compra uma furadeira porque gosta dessa ferramenta; compra porque precisa dela para fazer um furo. Ninguém compra um curso porque quem o produz é bonito ou legal, mas porque quer aprender algo.”

Em relação a oportunidades no mercado, ele aconselha a saber o que o mercado está buscando. Se quer relatório, aprenda a fazer relatórios; se quer trabalhar com machine learning, aprenda inglês também, porque o Brasil é muito insipiente nessa área, então pense no mercado exterior, completa Mário. Se alguém tiver interesse, ele produziu um vídeo gratuito no YouTube sobre conteúdos bons de venda.

Além de saber o que o mercado busca, você deve saber vender a solução para o problema do mercado, pontua ele. De fato, você tem que investir no seu personal branding, porque nada adianta você ser um profissional excepcional se ninguém o conhece e se você “não sabe vender seu peixe”.

Trabalho como freelancer 

Para nosso ilustre convidado, a melhor forma de começar é utilizando uma plataforma para freelancer, como Upwork e Codementor. Essas plataformas abarcam quaisquer áreas (“até” mentoria de Excel), não apenas Data Science, continua ele.

Mário aconselha a realizar estes passos: entrar na plataforma, selecionar um serviço que você quer prestar e se candidatar a uma vaga. Por exemplo, se você sabe SQL, então se candidate a trabalhar com isso, exemplifica ele.

“O importante é personalizar sua proposta de serviço de acordo com a empresa, agregando valor.”

Mário Filho

Por que personalizar? A resposta vem com uma pergunta: você gosta de receber algo genérico (um elogio, uma mensagem), sem seu nome ou característica sua? Ninguém gosta; todos gostamos de algo personalizado, feito para gente, com nossa cara, porque isso tem a ver com cuidado, com consideração. Logo, a empresa quer que você fale diretamente com ela, sem utilizar um CTRL + C + V.

Mário cita uma de suas propostas: “se você quer resolver esse problema, você deve levar em consideração essas coisas e tome cuidado com essas coisas”. E sabe qual era a taxa de sucesso dele? Quase sempre a empresa o contatava. Por quê? Mais outra característica humana: colaboração, ajuda mútua. O recrutador passa a confiar em você, porque você o ajudou e o alertou sem “nada em troca” (embora fosse uma abordagem cuja finalidade era exatamente mexer com ele para ser contatado).

Para conseguir ter credibilidade e ser chamado por outras empresas, você precisa pegar trabalhos menores e conseguir resolver “o pepino” dos clientes, aconselha o multicampeão de competições do Kaggle. Se você for bem-sucedido, a própria plataforma o recomendará e as empresas para as quais prestou serviço escreverão uma nota o elogiando e o recomendando, comenta ele.

Vagas no exterior 

A pandemia causada pelo COVID-19 modificou nossa relação com o trabalho de algumas formas, acelerando a automação e implementando mais o trabalho remoto. Em função disso, os profissionais de dados pensaram nas oportunidades no exterior, uma vez que não precisava morar ou viajar para lá.

Quando perguntado em quais empresas de fora ele trabalhou e como elas o encontraram, Mário cita a Upwork e TOTVS, tudo isso por causa da repercussão com as vitórias nas competições do Kaggle.

“Você tem que saber inglês e produzir em inglês se quiser aplicar para o mercado fora do Brasil. O aprendizado desse idioma me abriu mais portas do que qualquer faculdade ou curso me abririam.”

O inglês é o idioma da tecnologia, todo mundo sabe disso. Os livros mais atuais saem em inglês, portanto não tem como não pensar em não aprender esse idioma nos dias de hoje.

Para chamar atenção dos recrutadores, Mário sugere que você publice nas seguintes plataformas: Kaggle, LinkedIn, Medium. E você tem que se candidatar, não esperar a boa vontade das empresas o encontrar, ele alerta.

Pergunta polêmica: R x Python

A verdade é que Python é mais simples de se aprender e mais generalista, abarcando uma infinidade de aplicações. O que é mais fácil: cortar um pão com uma faca de serra ou uma colher? Embora ambos instrumentos consigam cortar, a faca é mais eficiente para esse serviço. É a mesma coisa para Python e R: por que você aprenderia algo mais complexo para produzir o mesmo resultado? A menos que você fosse masoquista ou fosse uma questão de ego (desafiar-se).

Mário segue nessa linha de pensamento também. Atuando como freelancer, o mais fácil para ele era entregar um trabalho em Python, porque essa linguagem é mais flexível, é mais fácil de integrar.

Ele aconselha a você levar em consideração o mercado, ou seja, qual a linguagem mais utilizada ou a linguagem utilizada pela empresa “dos meus sonhos”.

Mario Filho

Conheça o e-book do Mário Filho, “Manual Prático de Data Science”, o qual você encontrar na Amazon. Confesso que fui um dos primeiros a adquirir um exemplar, e recomendo muito o livro.

Neste link você pode encontrar todo seu conteúdo digital. Sobre os cursos dele, há dois: um workshop e um curso completo.

Nesses tempos insanos em que vivemos, em que o tempo é um recurso escasso, gostaria de agradecer a participação do Mário Filho. Não só pela presença e pelo conhecimento transmitido, mas pela sinceridade e simpatia, estando realmente “presente” de corpo e alma.

Tags: carreiradata sciencekagglemachine learningMario filhopython
Post Anterior

Introdução ao MediaPipe e Pose Estimation

Próximo Post

O que faz um Engenheiro de Visão Computacional

Equipe Sigmoidal

Equipe Sigmoidal

Relacionado Artigos

Data Science no exterior - como fazer uma Cover Letter
Inglês

Como escrever uma Cover Letter poderosa para Data Science

por Rafael Duarte
janeiro 8, 2023
GESTÃO DE DADOS: aprenda Data Science ou pague o preço de uma decisão errada | PrimoCast com Thiago Nigro
Data Science

Aprenda Data Science ou pague o preço de uma decisão errada

por Carlos Melo
janeiro 5, 2023
Como a França usou Inteligência Artificial para detectar 20 mil piscinas
Deep Learning

Como a França usou Inteligência Artificial para detectar 20 mil piscinas

por Carlos Melo
dezembro 19, 2022
ChatGPT: A Inteligência Artificial que vai escrever seus códigos
Artigos

ChatGPT: A Inteligência Artificial que vai escrever seus códigos

por Carlos Melo
dezembro 18, 2022
7 livros essenciais para aprender Data Science em 2023
Artigos

7 livros essenciais para aprender Data Science em 2023

por Carlos Melo
dezembro 15, 2022
Próximo Post
O que faz um Engenheiro de Visão Computacional

O que faz um Engenheiro de Visão Computacional

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Destaques Sigmoidal

Aprenda Python e se destaque no mercado

Aprenda Python e se destaque no mercado

julho 17, 2022
Visão Computacional do zero até uma vaga no exterior

Visão Computacional do zero até uma vaga no exterior

abril 22, 2021
7 Livros de Data Science em 2021

7 Livros de Data Science em 2021

outubro 8, 2021
Especialização em Visão Computacional Especialização em Visão Computacional Especialização em Visão Computacional

Seguir

  • Camera Tracking, Reconstrução 3D e a Arte da Visão 🎥👁️‍🗨️

O “camera tracking” é uma técnica que permite a análise e reprodução do movimento da câmera em filmagens 2D. 

Esta análise fornece dados vitais sobre a posição e orientação da câmera ao longo do tempo, sendo essencial para a integração de elementos 3D virtuais em visuais 2D. 

A minha jornada acadêmica levou-me ao coração da engenharia de visão computacional, onde explorei tópicos cruciais como lens distortion, camera calibration e image processing. Dediquei-me a técnicas avançadas, abrangendo desde a utilização de filtros Gaussianos, conversão de imagens para grayscale até algoritmos de keypoint detection. 

No decorrer de meus estudos, tive a chance de trabalhar com métodos clássicos, como “Harris Corner Detection”, e também com abordagens mais contemporâneas como ORB, além de descritores como SIFT, SURF e BRISK.

Mas apesar da minha formação predominantemente técnica, centrada no mundo dos modelos quantitativos e da modelagem matemática, identifiquei um diferencial valioso na trilha da visão computacional.

🎨 Esse diferencial foi a capacidade de não se limitar apenas ao lado técnico. Ao contrário, busquei uma fusão entre a precisão técnica e a sensibilidade artística.

Compreendi que a verdadeira inovação surge quando se une o rigor técnico à visão criativa. Nessa intersecção, a arte e a ciência dançam juntas, produzindo resultados que são ao mesmo tempo precisos e emocionalmente impactantes.

Como o escritor A. D. Sertillanges expressou tão eloquentemente, nossa vocação como seres humanos exige que primeiro estejamos profundamente enraizados em nossa humanidade, viajando com confiança e solidez:

💬 “Toda ciência, quando cultivada isoladamente, não é apenas incompleta, mas também repleta de riscos.”

Serve como um lembrete constante de que dentro de cada tarefa computacional e linha de código existe uma miríade de histórias, prontas para serem reveladas e compartilhadas. 

#machinelearning #visãocomputacional
  • 🤖Você já testou essa ferramenta? 

Prece mentira, mas você pode gravar um vídeo seu agora mesmo, e subir nesse site para ele dublar para inglês e várias outras línguas! 🇺🇸🇪🇸🇧🇷🇩🇪

E não apenas isso! Ele sincroniza inclusive os seus lábios para ficar o mais real possível. 

O que você achou? Que tal testar agora mesmo e me mandar?

#machinelearning #inteligenciaartificial
  • ‘Eu nasci assim, eu cresci assim, vou sempre usar arquivos CSV…’ 🎶

Será mesmo? Se a síndrome de Gabriela te prende aos antigos e gigantes arquivos CSV, é hora de repensar! 🤔

Calma, não me entenda mal. Eu uso arquivos CSV para muitas coisas, mesmo! Mas permita-me apresentar um formato que já é bem conhecido pelos engenheiros de dados, mas que, por algum motivo, ainda não é muito famoso entre os cientistas de dados.

O principal problema do CSV é sua estrutura. Eles são armazenados como uma lista de linhas (conhecido como orientado a linhas), o que causa duas grandes complicações: eles são lentos para consultar e, para complicar ainda mais, SQL e CSV simplesmente não se dão bem.

Agora, entre em cena o Parquet: um formato orientado a colunas. Diferentemente dos CSVs, ele organiza seus dados por colunas, o que facilita e agiliza a consulta.

Além disso, é um formato de código aberto, licenciado sob Apache, o que o torna uma opção atrativa não apenas pela sua eficiência, mas também pela flexibilidade e transparência. Engenheiros de dados já se beneficiam das vantagens do Parquet há algum tempo, então por que os cientistas de dados não dariam uma chance também?

Se você é um cientista de dados e ainda não experimentou o Parquet, talvez seja o momento de se aventurar. E aí, já conhecia essa alternativa? Deixe seus comentários! 🚀

#machinelearning #datascience  #visaocomputacional
  • Eu não aprendi a estudar do dia para a noite.

Foram anos de aprimoramento e busca contínua por um método que me permitisse aprender qualquer coisa sozinho.

Nessa sequência de stories eu conto um pouco da minha trajetória, passando pela AFA, ITA e aprendizado de línguas. 

Se você ainda não tem o hábito da leitura, mas gostaria de aprender qualquer coisa rapidamente, como autodidata, você não pode perder a live de hoje. 

🔴AULA AO VIVO (hoje, às 20 horas)

✅Como criar uma rotina de estudo
✅Como criar resumos e notas de revisão
✅Como manter o foco e a concentração
✅Técnicas de Ultra-Aprendizado

Clique no link dos stories e ative a notificação da aula!
  • 📚Ao contrário do que o senso comum pode te induzir a pensar, você não pode querer apenas estudar livros técnicos. 

Ler e memorizar demandam a construção de múltiplas habilidades em diferentes dimensões. Afinal, você precisa crescer não apenas na vida profissional, mas também na humana, espiritual e familiar. 

No entanto, a escolha de livros errados podem prejudicar perigosamente a formação do conhecimento intelectual.

Por esse motivo, aqui vai uma sugestão de livros para aqueles que querem começar uma vida de estudos. 

E se você quiser aprender mais sobre como melhorar sua memória, elaborar resumos da maneira correta e manter o foco na leitura, mande uma mensagem por direct com a palavra “ESTUDO”. 

Depois que você enviar a palavra “estudo”, eu vou te encaminhar o link da aula exclusiva que eu farei sobre o assunto. 

Agora me diz, quais desses livros você já leu? Ou está na fila para leitura?

#leitura #estudos #machinelearning #computervision
  • ORB-SLAM é um sistema SLAM (Localização e Mapeamento Simultâneos) de última geração que utiliza uma combinação de métodos baseados em características e métodos diretos para alcançar desempenho em tempo real em diversas plataformas. Foi concebido por pesquisadores da Universidade de Zaragoza, Espanha, e agora é amplamente adotado tanto na academia quanto na indústria.

O nome ORB-SLAM deriva do seu uso de características Oriented FAST e Rotated BRIEF (ORB) para detectar e combinar pontos-chave em imagens. Essas características, juntamente com outras técnicas como fechamento de loop e otimização de pose, garantem uma localização e mapeamento robustos e precisos.

Graças à sua combinação de métodos baseados em características e diretos, juntamente com suas capacidades em tempo real e compatibilidade versátil de plataforma, ORB-SLAM destaca-se como um recurso inestimável para profissionais em visão computacional e robótica.

Ansioso para aprender como implementar o ORB-SLAM 3, desde sua instalação até a execução do sistema usando seus dados? Acesse o blog do sigmoidal e veja o tutorial com o passo a passo que eu preparei.

https://sigmoidal.ai

#visãocomputacional #machinelearning #slam #opencv
  • Filhos não são um direito, mas um dom de Deus. E hoje fomos abençoados com o nascimento da Bettina. 

Já te amamos muito, minha Pycotinha!
  • Sorria, você está sendo filmado (e analisado pela Visão Computacional)! Estimação de velocidade, fluxo óptico de pedestres e veículos, identificação de objetos abandonados, análise de comportamentos, cruzamento de dados com a base da polícia... quais outras possibilidades você enxerga?
Instagram Youtube LinkedIn Twitter
Sigmoidal

O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

Seguir no Instagram

Categorias

  • Artigos
  • Blog
  • Carreira
  • Colunistas
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Entrevistas
  • Inglês
  • Iniciantes
  • Inteligência Artificial
  • Livros
  • Machine Learning
  • Notícias
  • Outros
  • Projetos
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Navegar por Tags

camera calibration cancer carreira cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gis gpt-3 healthcare image formation iniciantes jupyter kaggle keras machine learning matplotlib medicina mnist nft opencv pandas personal branding portfólio profissão python redes neurais redes neurais convolucionais regressão logística salário seaborn sklearn tensorflow titanic tutorial vagas visão computacional vídeo youtube árvore de decisão

© 2023 Sigmoidal - Aprenda Data Science e Python na prática.

Sem Resultado
Ver Todos Resultados
  • Home
  • Cursos de Visão Computacional, Data Science e Python
  • Artigos
  • YouTube
  • Sobre Mim
  • Contato

© 2023 Sigmoidal - Aprenda Data Science e Python na prática.

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist

Aprenda Python do Zero

50% Off

Oferta exclusiva de aniversário do Sigmoidal. Inscreva-se no curso Python do Zero hoje mesmo.

QUERO APROVEITAR O DESCONTO