Como usar o Mapa
O mapa recompensa a exploração. Seja curioso!! Algumas interações para você utilizar:
- Clique no nome ou no círculo de um nó para expandir ou recolher sua ramificação.
- Passe o cursor sobre qualquer nó para ver sua definição e exemplos de modelos.
- Clique no painel exibido ao passar o cursor para copiar a definição com uma referência acadêmica ao site já anexada - ideal para anotações e citações.
Receba Atualizações
Acompanhe a evolução do AI Knowledge Map. Novos conceitos, ferramentas e frameworks são adicionados regularmente:
Feedback
Encontrou alguma imprecisão? Conhece um conceito que vale a pena adicionar? Sugestões e contribuições são muito bem-vindas — este mapa se fortalece com o apoio da comunidade de IA.
Roadmap
Atualizações planejadas:
- Busca em texto completo em todos os conceitos
- Visualização em formato de dicionário como alternativa em ordem alfabética
- Aprofundamentos sobre métricas de avaliação - explicações dedicadas para cada métrica de avaliação de modelos, abordando quando usá-la, armadilhas comuns e como interpretá-la em cenários reais
- Notebooks práticos no Google Colab - exemplos simples e prontos para executar para os tipos de modelos mais comuns, para que você possa experimentar os conceitos que acabou de aprender
Sobre o Projeto
O AI Knowledge Map é uma visualização curada e de acesso aberto do ecossistema da inteligência artificial - dos conceitos fundamentais às ferramentas, ética e governança.
O projeto começou após meus estudos de pós-graduação em Ciência de Dados e Inteligência Artificial na Universidade Federal do Espírito Santo (UFES), motivado por uma observação simples: a área possui muitos livros-texto e muito material de marketing, mas poucos recursos se posicionam confortavelmente entre os dois. Este mapa busca ocupar esse espaço intermediário.
As definições em IA variam entre autores e escolas de pensamento, por isso optei deliberadamente por descrições mais amplas e generalistas, em vez de definições rígidas. O objetivo é oferecer clareza para iniciantes sem induzir especialistas ao erro.
Alguns conceitos também foram reorganizados para tornar a navegação mais intuitiva - por exemplo, a relação entre Deep Learning e Redes Neurais. Essas reorganizações são pedagógicas: preservam a teoria subjacente enquanto melhoram a forma como o conhecimento é explorado visualmente.
Por fim, um sincero agradecimento ao OSINT Framework - pela inspiração e pela base open-source que ajudou este projeto a sair do papel 😉.