fbpx
Sigmoidal
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • English
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados

Use a estratégia da Apollo 13 para conseguir uma vaga no mercado

Carlos Melo por Carlos Melo
julho 22, 2022
em Artigos, Blog, Carreira, Data Science
0
29
COMPARTILHAMENTOS
979
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

Às 13h13 do dia 11 de abril de 1970, foi lançado do Centro Espacial John F. Kennedy o foguete Saturno V, cumprindo a sétima missão tripulada do Programa Apollo, da Nasa: a missão Apollo 13.

Até então, outras duas missões já haviam conseguido levar homens à Lua – ao total, foram sete missões a esse corpo celeste, todas nomeadas de Apollo, de 11 a 17.

No entanto, uma mensagem transmitida ao Centro de Comando e Controle da missão já indicava que algo havia mudado.

- Houston, nós temos um problema.
- Aqui é Houston. Repita, por favor.
- Houston, nós temos um problema. Temos uma perda de energia no painel B.
- Ok, aguarde instruções, Apollo 13. Nós estamos verificando a situação.
- Houston, nós temos uma enorme quantidade de luzes de ALERTA e CUIDADO piscando aqui!

Os astronautas da Apollo 13 não sabiam naquele momento, mas o tanque número 2 de oxigênio havia explodido. Além de vital para a respiração dos tripulantes, o oxigênio é utilizado pelos sistemas de propulsão do foguete.

Dezenas de especialistas foram chamados à Nasa a fim de encontrar uma solução para aquela situação dramática. O maior problema, pelo menos imediatamente, era descobrir uma forma de evitar que os níveis de dióxido de carbono (ou gás carbônico, CO2) aumentassem muito rápido, o que certamente mataria os três astronautas.

Para piorar, esses especialistas tiveram que imaginar uma solução usando apenas os equipamentos que os astronautas tinham na nave – como sacos plásticos, caixas de papel e fita crepe. A solução teria que ser tão simples a ponto de as instruções dadas pelos especialistas poderem ser transmitidas pelo rádio e replicadas pelos astronautas.

Um astronauta segurando uma bolsa de água do Sistema Portátil de Suporte à Vida (PLSS), conectado a uma mangueira da Câmera Topográfica Lunar (Hycon). No fundo, está a “caixa de correio”, que os astronautas da Apollo 13 improvisaram para usar as latas de hidróxido de lítio (LiOH é utilizado para transformar o CO2, que em altas concentrações é letal, em outros compostos) do Módulo de Comando (CM) e purgar o dióxido de carbono da atmosfera no Módulo Lunar.

Esse momento dramático foi palco de verdadeiros embates entre os mais brilhantes engenheiros dessa agência espacial. Todo tipo de solução apresentada foi debatida, considerada ou descartada. Felizmente, graças à criatividade desses especialistas (engenho significa, segundo o dicionário digital Aulete Caldas: “capacidade de criar, de inventar. Faculdade de quem é hábil; destreza”), todos os astronautas da missão Apollo 13 conseguiram sobreviver e voltar à Terra.

Nas palavras de um cientista dessa agência norte-americana, a “Apollo 13 demonstrou a capacidade do ser humano em resolver problemas difíceis com soluções simples”. A própria Ciência utiliza a simplicidade como princípio (Navalha de Ockham): “múltiplas explicações adequadas e possíveis para o mesmo conjunto de fatos, deve-se optar pela mais simples daquelas”.

O QUE A APOLLO 13 TEM A VER COM CONSEGUIR UMA VAGA NO MERCADO DE TRABALHO

Esse fato ilustra algo muito importante para a vida cotidiana e profissional: soluções, ainda que simples, também funcionam, afinal são soluções também. Antes de criar um setlist com itens que você considera que o deixarão totalmente preparado para algo, tente utilizar aquilo que você já tem em mãos. Por exemplo, para correr na rua, você não precisa das roupas mais caras, do tênis mais caro, de se sentir totalmente confiante; basta colocar uma roupa confortável e um tênis minimamente apropriado (ou até descalço mesmo, dependendo do terreno).

Da mesma forma, aqueles engenheiros espaciais tinham que pensar numa solução que utilizasse apenas materiais presentes na espaçonave, afinal de contas eles não teriam tempo (e seria muito caro também) de levar materiais da Terra à Lua.

A ideia de que é preciso ter tudo a sua disposição só o atrasará e fará com que você procrastine, afinal nunca você estará 100% pronto, dispondo sempre dos melhores recursos para realizar algo. A escassez e a necessidade são amigas da otimização, da eficiência – como diz aquele famoso ditado: “tirar leite de pedra”. Sendo assim, utilize logo o que você tem no momento para construir alguma coisa.

Eugene Francis “Gene” Kranz, representado pelo ator Ed Harris no filme Apollo 13. Ex-piloto, engenheiro aeroespacial e diretor de voo norte-americano, é conhecido por ter sido um dos responsáveis pelo resgate da Apollo 13.

Trazendo essa ideia para o mercado de Data Science, o conselho que eu lhe dou é: materialize seu conhecimento, produza seu próprio conteúdo. Não faz sentido ler uma dezena de livros e matricular-se em diversos cursos, mas não produzir nada concreto, nada palpável.

Como é que um empregador vai contratá-lo, em uma área tão nova e prática, se só o que você construiu é conhecimento, o qual está preso no seu cérebro? Essa pessoa não tem acesso ao que você conhece, ainda que você tenha muito conhecimento.

CRÍTICA AO MODELO TRADICIONAL

O que estou escrevendo veio a partir de minha experiência pessoal mesmo (empirismo), não foi um devaneio. Eu passei pelas mesmas frustrações que você está passando nesse momento da carreira, por isso criei o Data Science na Prática. Existem muitos cursos que prometem tornar você um expert em Data Science. Porém, o que eu sempre notei é a presença excessiva de teoria, a ausência de uma preparação para o mercado e a falta de aplicação na vida real.

O problema da maioria dos cursos, livros e treinamentos em Data Science é que eles o preparam apenas para as habilidades conhecidas como hard skills. Ou seja, você aprende a programar, analisar dados, plotar gráficos, construir modelos de machine learning, fazer deploy… e só! Claro, saber tudo isso é muito importante. No entanto, como ser contratado? Como conseguir um emprego?

“Apollo 13 demonstrou a capacidade do ser humano em resolver problemas difíceis com soluções simples”

Sabe o que a maioria das pessoas fazem? Elas criam seus perfis no LinkedIn, enviam currículos para todas as vagas que encontram pela frente, continuam aprimorando suas habilidades, mas nunca recebem resposta dessas empresas. Essa falta de resposta ou a sua negativa é frustrante, o que faz com que o profissional se sinta menosprezado e se desestimule.

“Certo, se essa não é a maneira correta, então qual é a correta?”, você me questiona.

COMO CONQUISTAR SEU EMPREGO DE CIENTISTA DE DADOS UTILIZANDO ESSA IDEIA

Bem, para você ter mais chance de conseguir uma vaga em um mercado tão competitivo, você precisa aplicar uma técnica simples, que vai contra tudo que estão fazendo por aí. Estou falando de aplicar uma tática que vai fazer com que os recrutadores venham atrás de você.

Se você quer começar a carreira como cientista de dados, precisa conhecer e aplicar os 3 pilares básicos desde o começo (a famosa Metodologia 3P): Prática, Portfólio e Personal Branding.

1) Data Science com foco na prática e projetos.

Desde sempre, trabalhe com projetos práticos e use dados do mundo real. Apenas estudar teoria e fazer listas de exercícios não vão deixá-lo preparado para o mercado. Lidar com problemas reais também vai motivá-lo muito mais, mostrando os potenciais dessa área fantástica.

2) Você é o seu portfólio

Já parou para pensar quantas horas você já gastou até hoje apenas estudando? Porém, quantos projetos você já publicou? Você tem um portfólio no Github? Se você ainda não tem um repositório, está desperdiçando todas as horas que gastou estudando.

Não existe o caso de você concluir qualquer projeto (por mais simples que seja) e não o publicar. Porque, em Data Science, currículo tem um peso menor; já o portfólio é a sua vitrine, em que você deve depositar muita energia.

3) Crie sua marca pessoal

Este é o principal pilar de todos, porém e o mais ignorado pelas pessoas. Personal Branding (ou marca pessoal) é o que vai criar sua autoridade e fazer com que recrutadores e headhunters venham atrás de você.

Comece a publicar conteúdo imediatamente.  Faça com que as pessoas saibam quem é você. Tenha um plano de ação para criar uma marca pessoal. Eu defendo o princípio do Content Marketing para qualquer um que esteja querendo se diferenciar de todos os demais profissionais do mercado.

PORTANTO, FOQUE MAIS NO PRÁTICO

Utilize seu conhecimento para transformá-lo em projetos reais – não precisa ser algo grandioso, basta ter uma utilidade prática. Coloque, desde logo, em prática os três pilares (Prática, Portfólio e Personal Branding), isso com certeza o colocará em destaque no mercado de trabalho.

Compartilhar2Compartilhar12Enviar
Post Anterior

Aprenda Python e se destaque no mercado

Próximo Post

Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

Carlos Melo

Carlos Melo

Engenheiro de Visão Computacional graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e Mestre em Engenharia Aeroespacial pelo Instituto Tecnológico de Aeronáutica (ITA).

Relacionado Artigos

Curso de Pós-Graduação em Data Science
Data Science

Vale a pena fazer uma Pós-Graduação em Data Science?

por Carlos Melo
janeiro 20, 2025
Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”
Livros

Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”

janeiro 18, 2025
Carlos Melo e Sérgio Sacani – Ciência Sem Fim
Youtube

Carlos Melo e Sérgio Sacani – Ciência Sem Fim

por Carlos Melo
janeiro 16, 2025
Carlos Melo da Pós Graduação em Data Science do Sigmoidal
Aeroespacial

Oportunidades no Setor Espacial para Cientistas de Dados

por Carlos Melo
janeiro 15, 2025
Visão Computacional

Processamento de Nuvens de Pontos com Open3D e Python

por Carlos Melo
janeiro 2, 2025
Próximo Post
Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

Deixe um comentário Cancelar resposta

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

Pós-Graduação em Data Science Pós-Graduação em Data Science Pós-Graduação em Data Science

Mais Populares

  • Introdução ao MediaPipe e Pose Estimation

    Introdução ao MediaPipe e Pose Estimation

    463 compartilhamentos
    Compartilhar 185 Tweet 116
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    394 compartilhamentos
    Compartilhar 158 Tweet 99
  • Equalização de Histograma com OpenCV e Python

    118 compartilhamentos
    Compartilhar 47 Tweet 30
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    373 compartilhamentos
    Compartilhar 149 Tweet 93
  • Processamento de Nuvens de Pontos com Open3D e Python

    35 compartilhamentos
    Compartilhar 14 Tweet 9
  • Em Alta
  • Comentários
  • Mais Recente
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
Como usar o DALL-E 2 para gerar imagens a partir de textos

Como usar o DALL-E 2 para gerar imagens a partir de textos

dezembro 25, 2022
Introdução ao MediaPipe e Pose Estimation

Introdução ao MediaPipe e Pose Estimation

julho 15, 2023

ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

abril 10, 2023
Como Analisar Ações da Bolsa com Python

Como Analisar Ações da Bolsa com Python

15
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

13
Como Aprender Data Science?

Como Aprender Data Science?

9
Qual o Cenário de Data Science no Brasil hoje?

Qual o Cenário de Data Science no Brasil hoje?

8
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025
DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA

DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA?

janeiro 25, 2025
Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

janeiro 22, 2025
Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

janeiro 21, 2025

Seguir

  • 🚀 NOVA PÓS EM VISÃO COMPUTACIONAL!

Seja especialista em Visão Computacional e Deep Learning! 

✔️ 400h de conteúdo
✔️ Curso reconhecido pelo MEC
✔️ Foco em prática e projetos reais

💡 1 CURSO, 2 CARREIRAS
Atue como Machine Learning Engineer E Computer Vision Engineer! 

📅 Aula de lançamento: 1º de junho, 20h

📍 Link na bio. Ative o lembrete e participe!

#computervision #machinelearning #datascience
  • Geo4D apresenta uma nova abordagem para reconstrução 4D monocular de cenas dinâmicas, reutilizando modelos de difusão de vídeo. 

🌀 A técnica dispensa sensores múltiplos ou dados reais — treinando apenas com dados sintéticos e generalizando bem em zero-shot. Isso é possível porque modelos de difusão capturam priors temporais e espaciais consistentes. 

O método prevê múltiplas modalidades geométricas: mapas de pontos, profundidade e raios. Em seguida, utiliza um algoritmo leve de alinhamento multi-modal para fundi-las de forma coerente. Esse processo acontece em janelas deslizantes, permitindo reconstruções 4D contínuas e robustas mesmo em vídeos longos.

Nos benchmarks, o Geo4D superou métodos SOTA como MonST3R em estimativa de profundidade e alcançou bons resultados em pose de câmera. Uma prova do poder de integrar visão computacional e modelos generativos. 🧠

Se curtiu a ideia, deixa seu like e fortalece o post!

Fonte: Zeren Jiang

#machinelearning #computervision #datascience
  • 📸 Reconstrução 3D do Arco do Triunfo com Gaussian Splatting, a partir de um único vídeo

A técnica usada é o Gaussian Splatting, uma abordagem moderna de renderização neural que substitui malhas e voxels por distribuições gaussianas no espaço 3D.

Esses pontos flutuantes carregam cor, opacidade e variância, permitindo uma renderização ultrarrápida e detalhada - ideal para aplicações em realidade aumentada, mapeamento urbano e digital twins.

Diferente dos métodos tradicionais, esse modelo ajusta diretamente os parâmetros das gaussianas, tornando o processo leve e eficiente, inclusive em tempo real.

📌 Fonte: Bohdan Vodianyk

#ComputerVision #VisãoComputacional #MachineLearning #GaussianSplatting
  • Você ainda acredita que resolver as top-150 questões do LeetCode é suficiente para ser aprovado em uma entrevista de Machine Learning Engineer ou Computer Vision Engineer?

Talvez já tenha sido… alguns anos atrás.

Hoje, no entanto, empresas que seguem o padrão de avaliação das FAANG - como Meta (Facebook), Apple, Amazon, Netflix e Google - vêm exigindo muito mais do que apenas conhecimento em algoritmos e estrutura de dados.

✅ Espera-se domínio em ML System Design
✅ Clareza ao comunicar trade-offs técnicos
✅ Experiência real em colocar modelos de machine learning em produção

Passar pela etapa de screening é só o começo.

Se você quer realmente se destacar, aqui estão 3 livros essenciais para estudar com estratégia! Arraste o carrossel para conferir a lista.

📌 Comente se você incluiria algum outro título.
📤 Compartilhe com um colega que também está se preparando.

#machinelearning #computervision #datascience
  • 🚀 NASA testa novo laser 3D para medir ventos e melhorar previsões meteorológicas

Desde o outono de 2024, a NASA tem utilizado um instrumento avançado chamado Aerosol Wind Profiler (AWP) para medir ventos em 3D com alta precisão.

Montado em uma aeronave especial, o AWP usa pulsos de laser para detectar velocidade e direção dos ventos, além da concentração de aerossóis (poeira, fumaça, sal marinho etc).

Esses dados são valiosos para modelos de Machine Learning aplicados à previsão do tempo, detecção de anomalias e simulação atmosférica.

📊 Oportunidades diretas para ML:

🔹 Treinamento supervisionado: previsões mais precisas usando dados reais de velocidade e direção dos ventos em múltiplas altitudes.

🔹 Modelagem de séries temporais: LSTMs e Transformers podem capturar padrões em sistemas complexos como furacões.

🔹 Data fusion: integração de sensores distintos (AWP, HALO, dropsondes) é um problema clássico resolvido com ML multimodal.

🔹 Assimilação de dados: ML pode atuar em tempo real para corrigir modelos físicos via técnicas híbridas (physics-informed ML).

Se você trabalha com IA, clima ou sensoriamento remoto, esse é o tipo de dado que muda o jogo!
  • Cada passo te aproxima do que realmente importa. Quer continuar avançando?

🔘 [ ] Agora não
🔘 [ ] Seguir em frente 🚀
  • 🇺🇸 Green Card por Habilidade Extraordinária em Data Science e Machine Learning

Após nossa mudança para os EUA, muitas pessoas me perguntaram como consegui o Green Card tão rapidamente. Por isso, decidi compartilhar um pouco dessa jornada.

O EB-1A é um dos vistos mais seletivos para imigração, sendo conhecido como “The Einstein Visa”, já que o próprio Albert Einstein obteve sua residência permanente através desse processo em 1933.

Apesar do apelido ser um exagero moderno, é fato que esse é um dos vistos mais difíceis de conquistar. Seus critérios rigorosos permitem a obtenção do Green Card sem a necessidade de uma oferta de emprego.

Para isso, o aplicante precisa comprovar, por meio de evidências, que está entre os poucos profissionais de sua área que alcançaram e se mantêm no topo, demonstrando um histórico sólido de conquistas e reconhecimento.

O EB-1A valoriza não apenas um único feito, mas uma trajetória consistente de excelência e liderança, destacando o conjunto de realizações ao longo da carreira.

No meu caso específico, após escrever uma petição com mais de 1.300 páginas contendo todas as evidências necessárias, tive minha solicitação aprovada pelo USCIS, órgão responsável pela imigração nos Estados Unidos.

Fui reconhecido como um indivíduo com habilidade extraordinária em Data Science e Machine Learning, capaz de contribuir em áreas de importância nacional, trazendo benefícios substanciais para os EUA.

Para quem sempre me perguntou sobre o processo de imigração e como funciona o EB-1A, espero que esse resumo ajude a esclarecer um pouco mais. Se tiver dúvidas, estou à disposição para compartilhar mais sobre essa experiência! #machinelearning #datascience
  • 🚀Domine a tecnologia que está revolucionando o mundo.

A Pós-Graduação em Visão Computacional & Deep Learning prepara você para atuar nos campos mais avançados da Inteligência Artificial - de carros autônomos a robôs industriais e drones.

🧠 CARGA HORÁRIA: 400h
💻 MODALIDADE: EAD
📅 INÍCIO DAS AULAS: 29 de maio

Garanta sua vaga agora e impulsione sua carreira com uma formação prática, focada no mercado de trabalho.

Matricule-se já!

#deeplearning #machinelearning #visãocomputacional
  • Green Card aprovado! 🥳 Despedida do Brasil e rumo à nova vida nos 🇺🇸 com a família!
  • Haverá sinais… aprovado na petição do visto EB1A, visto reservado para pessoas com habilidades extraordinárias!

Texas, we are coming! 🤠
  • O que EU TENHO EM COMUM COM O TOM CRUISE??

Clama, não tem nenhuma “semana” aberta. Mas como@é quinta-feira (dia de TBT), olha o que eu resgatei!

Diretamente do TÚNEL DO TEMPO: Carlos Melo &Tom Cruise!
  • Bate e Volta DA ITÁLIA PARA A SUÍÇA 🇨🇭🇮🇹

Aproveitei o dia de folga após o Congresso Internacional de Astronáutica (IAC 2024) e fiz uma viagem “bate e volta” para a belíssima cidade de Lugano, Suíça.

Assista ao vlog e escreve nos comentários se essa não é a cidade mais linda que você já viu!

🔗 LINK NOS STORIES
  • Um paraíso de águas transparentes, e que fica no sul da Suíça!🇨🇭 

Conheça o Lago de Lugano, cercado pelos Alpes Suíços. 

#suiça #lugano #switzerland #datascience
  • Sim, você PRECISA de uma PÓS-GRADUAÇÃO em DATA SCIENCE.
  • 🇨🇭Deixei minha bagagem em um locker no aeroporto de Milão, e vim aproveitar esta última semana nos Alpes suíços!
  • Assista à cobertura completa no YT! Link nos stories 🚀
Instagram Youtube LinkedIn Twitter
Sigmoidal

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

Seguir no Instagram

Categorias

  • Aeroespacial
  • Artigos
  • Blog
  • Carreira
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Entrevistas
  • IA Generativa
  • Livros
  • Machine Learning
  • Notícias
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Navegar por Tags

camera calibration carreira chatgpt cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gpt-3 histograma IA generativa image formation inteligência artificial jupyter kaggle keras machine learning matplotlib mnist nft openai opencv overfitting pandas profissão python redes neurais redes neurais convolucionais regressão linear regressão logística salário scikit-learn seaborn sklearn tensorflow titanic tutorial visão computacional vídeo youtube árvore de decisão

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional 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

Sem Resultado
Ver Todos Resultados
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
  • English

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.