Coursera, Udacity ou Udemy: Como escolher uma plataforma para estudar?
Uma das primeiras decisões a serem tomadas ao fazer um curso online é escolher onde você irá estudar — o equivalente a escolher sua faculdade no século passado.
É uma fase bem excitante, porque ficamos animados com o novo projeto e começamos a ler e discutir sobre as possibilidades de cursos a fazer. No caso de Data Science, só para listar os portais mais proeminentes: Coursera, Udacity, Udemy, EdX, Dataquest e Datacamp (conhece mais algum?).
A decisão de qual plataforma escolher é consequência da escolha de alguns outros fatores, aos quais vamos discutir a seguir. Tais são: (1) profundidade, (2) perfil de estudo, (3) alocação de tempo e (4) base curricular.
Fatores para escolher uma estrutura de estudo
1. Profundidade — em que nível você quer chegar?
É importante fazer um levantamento pessoal do quanto você já domina naquela área para entender o que está buscando. A linha de chegada pode ser várias, como:
- explorar novas possibilidades (iniciante)
- adicionar uma habilidade profissional (intermediário)
- experimentar antes de fazer uma pós tradicional (intermediário)
- mudar de carreira (avançado)
Cada objetivo desse requer um perfil diferente de estudo e vai influenciar em sua escolha de plataforma.
No meu caso, já tenho alguma experiência programando: fiz o curso de introdução à programação do Udacity e explorei bastante programação voltada para engenharia com Matlab (sou engenheiro químico) há alguns anos.
Meu objetivo agora é ficar fluente em responder minhas perguntas explorando grandes bases de dados. Análises incipientes, no excel, já sou capaz de fazer — quero aprender a manipular grandes volumes e extrair inteligência estatisticamente válida dos dados disponíveis.
E você, onde quer chegar?
2. Perfil de estudo — autodidata ou estudante?
Essa é uma decisão relacionada a sua capacidade de criar o método de aprendizado ou não.
Engajar em um projeto como estudante significa “delegar” a responsabilidade de estruturar o processo de aprendizado na mão de terceiros. Essa é a abordagem mais comum caso você não tenha tempo para estruturar o próprio processo ou não conhecia o suficiente da área.
Para deixar mais concreto, imagine o seguinte.
Se você é um engenheiro da computação e tem tempo para estruturar seu processo de aprendizado, pode montar seu próprio currículo e esquema de estudo. Afinal de contas, você conhece bastante da área tangente (computação) e pode julgar o que precisa aprender ou não de acordo com sua experiência. Depois, montará seu plano de estudos e irá determinar como irá medir o progresso.
Essa é a abordagem do autodidata: não apenas executar o processo de aprendizado, mas ser responsável por defini-lo.
Agora, se você é um psicólogo, por exemplo, e quer se ficar por dentro dos mais recentes desenvolvimentos da economia comportamental, você deverá montar seu próprio processo de estudo. Será preciso buscar algum tipo de índice, como um artigo revisando o estado da arte do conhecimento, listando tópicos para aprender, escolhendo quais livros ler e com quem discutir, definir os trabalhos necessários para desenvolver seu conhecimento, etc.
No meu caso, não conheço o suficiente da área para julgar bem os conteúdos por conta própria. Além disso, já existem tantas instituições de qualidade que criaram estruturas de aprendizado otimizadas para milhares de estudantes ao redor do mundo que não faz sentido eu recriar a roda aqui.
3. Alocação de tempo — quantas horas você tem por semana?
Talvez o fator mais óbvio, porém uma dor no planejamento de qualquer um.
Para evitar ser mais um projeto pessoal iniciado e solto depois de semanas por falta de tempo, é bom pensar já de antemão: quanto tempo por semana você irá dedicar?
Uma forma útil de pensar é “o que vou deixar de fazer para conseguir X horas por semana para estudar isso?”.
4. Base curricular — o que é importante aprender?
O mais importante sobre base curricular é se perguntar o que não está ali, mas deveria.
Todos os cursos de data science, por exemplo, irão falar de regressão linear. Entretanto, quantos deles irão tratar de “como fazer seu projeto ter os padrões de pesquisa que façam ele ser replicado e avançado por outros interessados?”.
Como o fluxo do conhecimento deve fluir da prática para a teoria, é essencial conversar com alguém que trabalha no dia a dia da área para lhe ajudar a julgar o que é necessário aprender, mas não parece importante olhando de fora (ou se você não conhece a área).
No caso de ciência dos dados, um ponto importante é ser capaz de criar projetos “replicáveis”, no mesmo sentido que pesquisas científicas precisam ser feitas de modo que outro grupo de cientistas fazendo as mesmas análises cheguem a resultados parecidos. Caso contrário, você terá “escrito um texto tão obscuro que outras pessoas não conseguirão interpretar”.
No caso do Coursera, minha escolha, eles abordam isso na unidade sobre Reproducible Research. Como eu descobri que esse fator era importante na prática?
Falando com alguém que trabalha na área. Por sorte, trabalho com os cientistas e engenheiros de dados mais brilhantes do Brasil na In Loco Media. Falei com um deles, Guilherme Palma Peixoto; foi só questão de mostrar as ementas de diferentes cursos e trocar uma ideia rápida.
Afinal de contas, qual plataforma é melhor?
Essa resposta não existe isolada, sem contexto. Como discutimos os fatores da decisão acima, a pergunta mais útil é investigar qual é a melhor plataforma para você, nesse momento, dados seus objetivos de aprendizado.
No espírito de transparência, o racional por trás da minha decisão:
- Ciência dos dados é um tópico “famoso”, por isso há muito recurso das plataformas de ensino online dedicados à area. Isso cria um campo com muitas escolhas;
- Não tenho expertise próxima nem tempo para criar meu plano de estudos. E, realisticamente, é desnecessário: alguns dos professores mais brilhantes do planeta estão trabalhando na maneira mais pedagógica de ensinar esse tópico explorando o máximo das tecnologias disponíveis. Não preciso reinventar a roda.
- Em termos de profundidade de conhecimento, quero me dedicar o suficiente para ser fluente nas tecnologias e estar imerso no desenvolvimento da área.
(Minha esperança secreta é dar o próximo passo na busca por insights sobre a vida e o mundo — ao invés de capturar ideias semi-prontas de livros, buscar bases de dados e extrair, através de análises, ideias sobre as quais discutir)
- Em termos dedicação, no mundo ideal, prefiro projetos intensos de no máximo 3 meses ou projetos sustentáveis de pelo menos 5 anos. Nada no meio termo. Os cursos de “isolados” de todas as plataformas que costumam durar 1 mês não se aprofundavam o suficiente. Por isso, a decisão por algum combinado de cursos é o ideal.
- Bastou uma conversa com alguém experiente na área para escolher, dentre as várias especializações (que são compostas por cursos diferentes), a Especialização em Ciência dos Dados da Universidade Johns Hopkins.
Uma heurística para decidir plataformas de estudo
- Conteúdos estruturados, como ciência dos dados, programação, etc. →, a preferência é Coursera, Udacity ou EdX, com foco em cursos novos, que possuem uma comunidade ativa.
- Conteúdos específicos, como uma nova biblioteca de JS, por ex. → sites especialistas conseguem ser melhor (treehouse, datacamp, etc).
Se gostou do texto, lembre-se de dar aqueles 50 claps clicando e segurando nas palminhas para apoiar meu trabalho. É rápido e ajuda bastante a outras pessoas descobrirem esse tipo de conteúdo.
