Curso
Conceitos de Grandes Modelos de Linguagem (LLMs)
2 h
103.8K
Os large language models deixaram de ser curiosidade acadêmica para se tornarem assunto obrigatório para todo desenvolvedor — seja para chamar uma API, ajustar um modelo open source ou explicar para o time de produto por que o chatbot acabou de alucinar uma política de reembolso.
Para ajudar, reunimos e ranqueamos os cursos a partir de quatro critérios:
- Profundidade conceitual: se o curso realmente explica tokens, embeddings, attention e a arquitetura transformer
- Rigor prático: se você escreve código que chama, ajusta (fine-tuning) ou publica um modelo real
- Cobertura de plataformas e modelos: se o curso fica preso a uma API ou apresenta o ecossistema de modelos open source versus proprietários
- Expertise do instrutor e resultados: quem ensina e o que você realmente consegue construir depois
1. Introduction to LLMs in Python — DataCamp
DataCamp's Introduction to LLMs in Python é o melhor curso único para desenvolvedores que querem ir além do "chamar a API da OpenAI" e realmente entender a arquitetura transformer por trás de todo LLM moderno.
- Nível: Intermediário
- Duração: ~3 horas, no seu ritmo; início gratuito
- Custo: Início gratuito; acesso completo incluso na assinatura da DataCamp (~US$ 25/mês)
- Ideal para: Desenvolvedores que querem uma introdução objetiva, com foco em código, a LLMs e transformers sem precisar entrar direto numa especialização completa
O curso aborda a mecânica das arquiteturas transformer antes de avançar para o uso de modelos e datasets pré-treinados do Hugging Face, realizando fine-tuning para tarefas específicas e avaliando os resultados.
O diferencial que garante o primeiro lugar: o curso roda com o AI Tutor da DataCamp, que explica erros no contexto do código exato que você está vendo. Bugs em LLM raramente ficam óbvios só pelo stack trace, e um tutor que entende o seu erro específico é muito melhor do que tentar adivinhar.
2. LLM Engineering: Master AI, Large Language Models & Agents — Udemy
LLM Engineering é uma ótima opção para desenvolvedores que querem um curso único, abrangente e com muitos projetos, indo de chamadas a APIs comerciais ao fine-tuning de modelos open source e à construção de agentes.
- Nível: Intermediário (requer Python)
- Duração: 30+ horas de conteúdo em 200+ aulas; conte 6–8 semanas com projetos
- Custo: Geralmente com descontos bem abaixo do preço de tabela nas promoções frequentes da Udemy
- Ideal para: Desenvolvedores que querem um caminho de engenharia de LLM cobrindo modelos proprietários e open source
O instrutor, Ed Donner, é ex-CEO de startup de IA e ex-Managing Director no JPMorgan Chase. O curso vai desde a estruturação de prompts e compreensão de tokenização, passando por fine-tuning de modelos open source com LoRA e quantização, até a construção de sistemas multiagentes.
3. The LLM Course — Hugging Face
Hugging Face's LLM Course é uma ótima opção para desenvolvedores que querem entender as bibliotecas que sustentam a maioria dos projetos de LLM open source: Transformers, Datasets, Tokenizers e Accelerate.
- Nível: Iniciante a intermediário
- Duração: ~15–20 horas, no seu ritmo
- Custo: Gratuito, com certificado disponível
- Ideal para: Desenvolvedores que preferem trabalhar diretamente com modelos open source e o Hub do Hugging Face em vez de ficar presos à API de um único fornecedor
Por ser mantido pelo próprio Hugging Face e atualizado conforme o ecossistema evolui, é uma aposta segura contra aprender APIs obsoletas — embora penda para o ecossistema HF em vez de cobrir alternativas comerciais em largura.
4. ChatGPT Prompt Engineering for Developers — DeepLearning.AI
ChatGPT Prompt Engineering for Developers, ministrado por Isa Fulford (OpenAI) e Andrew Ng, é uma ótima opção para desenvolvedores que querem uma introdução rápida e objetiva a chamar um LLM via API em vez de apenas pela janela de chat.
- Nível: Iniciante a intermediário
- Duração: ~1,5 hora
- Custo: Gratuito
- Ideal para: Desenvolvedores que querem sair do prompt manual no ChatGPT para chamadas programáticas a um LLM e construir aplicações simples por cima
O curso aborda como LLMs funcionam por baixo dos panos, dois princípios centrais para escrever prompts eficazes e como usar esses prompts para tarefas como sumarização, análise de sentimento, transformação de texto e expansão de notas curtas em textos mais longos, e encerra com a construção de um chatbot personalizado. É curto por design e pressupõe noções básicas de Python, sendo uma boa rampa de entrada antes de um curso mais longo.
5. Prompt Engineering for ChatGPT — Vanderbilt University (Coursera)
Prompt Engineering for ChatGPT, ministrado pelo Dr. Jules White em Vanderbilt, é uma ótima opção tanto para desenvolvedores quanto para não desenvolvedores que buscam base sólida em técnicas de prompting, independentemente de framework ou base de código.
- Nível: Iniciante (sem experiência prévia)
- Duração: ~19 horas
- Custo: Gratuito para assistir; assinatura Coursera para certificado
- Ideal para: Alunos que querem dominar padrões e técnicas de prompt que funcionam no ChatGPT, Claude e outros LLMs baseados em chat
O curso mostra como aplicar engenharia de prompts com eficácia, usar padrões de prompt para liberar comportamentos mais avançados do modelo e construir aplicações baseadas em prompts para o trabalho ou projetos pessoais.
6. Generative AI: Introduction to Large Language Models — LinkedIn Learning
Generative AI: Introduction to Large Language Models, ministrado por Fred Nwanganga, é uma boa opção para desenvolvedores e gestores técnicos que querem um panorama claro, sem código, de como LLMs funcionam antes de mexer com APIs.
- Nível: Iniciante
- Duração: Menos de 2 horas
- Custo: Assinatura do LinkedIn Learning (muitas vezes inclusa em bibliotecas); teste grátis disponível
- Ideal para: Desenvolvedores que querem o modelo conceitual — redes neurais, transformers, codificadores e decodificadores, attention — explicado com clareza antes de escrever qualquer código
O curso aborda o que são IA generativa e LLMs, como evoluíram, os fundamentos de deep learning em que se baseiam e a mecânica da arquitetura transformer, incluindo attention e self-attention, e encerra com um olhar sobre as implicações sociais desses modelos.
7. Essentials of Large Language Models: A Beginner's Journey — Educative
Educative's Essentials of Large Language Models é uma boa opção para desenvolvedores que preferem lições interativas em texto a vídeo, e que querem um modelo mental de sistemas sobre como LLMs realmente funcionam.
- Nível: Iniciante
- Duração: No seu ritmo, em texto e código
- Custo: Assinatura da Educative
- Ideal para: Desenvolvedores que aprendem mais rápido lendo e executando código inline do que assistindo screencasts, e que querem entender o "porquê" do comportamento de LLMs, não só as chamadas de API
O curso cobre os fundamentos de LLMs a partir dos primeiros princípios — arquitetura, tokenização, embeddings, attention e dinâmica de treinamento — e depois avança para fluxos práticos de prompting e integração de ferramentas para respostas dinâmicas.
Tabela comparativa dos melhores cursos de LLM
| Posição | Curso | Formato de aprendizado | Profundidade do programa | Custo / Sinal de resultados |
|---|---|---|---|---|
| 1 | Introduction to LLMs in Python — DataCamp | Nativo em IA, mão na massa | Arquitetura transformer, fine-tuning, Hugging Face | Início gratuito; AI Tutor personaliza cada aula |
| 2 | LLM Engineering — Udemy | Bootcamp em vídeo | APIs, fine-tuning (LoRA), agentes, projetos ponta a ponta | Com descontos frequentes; selo de mais vendido |
| 3 | The LLM Course — Hugging Face | Curso interativo gratuito | Transformers, Tokenizers, Datasets, fine-tuning | Gratuito; mantido diretamente pelo Hugging Face |
| 4 | ChatGPT Prompt Engineering for Developers — DeepLearning.AI | Curso rápido em vídeo | Prompting via API, sumarização, transformação de texto | Gratuito; ~1,5 hora |
| 5 | Prompt Engineering for ChatGPT — Vanderbilt | Curso em vídeo | Padrões de prompt, aplicações baseadas em prompt | Gratuito para assistir; certificado Coursera |
| 6 | Generative AI: Introduction to LLMs — LinkedIn Learning | Curso rápido em vídeo | Noções de redes neurais, arquitetura transformer, attention | Assinatura do LinkedIn Learning; teste grátis disponível |
| 7 | Essentials of LLMs: A Beginner's Journey — Educative | Interativo em texto | Arquitetura, tokenização, embeddings, attention | Assinatura da Educative; formato sem vídeo |
Author
Josef Waples
FAQs
Preciso saber Python para fazer um curso de LLM?
Para a maioria dos cursos práticos desta lista — DataCamp, o curso do Hugging Face e os cursos da Udemy e Databricks — sim, espera-se conhecimento básico de Python e familiaridade com APIs. Os cursos de prompting de Vanderbilt e o certificado profissional da IBM são mais acessíveis para quem não programa, pois focam em técnicas de prompting em vez de código.
Qual é a diferença entre um curso de prompt engineering e um de LLM engineering?
Um curso de prompt engineering ensina você a tirar melhores respostas de um modelo existente por meio de como formula os pedidos — sem precisar programar. Um curso de engenharia de LLM ensina você a construir sistemas ao redor do modelo: chamar APIs, fazer fine-tuning de modelos open source, gerenciar embeddings e retrieval e implantar o resultado.
Qual curso de LLM é melhor para iniciantes absolutos?
O Prompt Engineering for ChatGPT da Vanderbilt não exige experiência prévia e é um ponto de partida razoável para quem não é técnico. Para iniciantes que querem programar, o Introduction to LLMs in Python da DataCamp foi feito para ser acessível, com o AI Tutor cobrindo as lacunas conforme elas surgem.
Devo aprender primeiro LLMs open source (Hugging Face) ou APIs comerciais (OpenAI, Anthropic, Google)?
A maioria dos desenvolvedores na prática acaba precisando dos dois. As APIs comerciais permitem construir mais rápido; os modelos open source mostram o que acontece por baixo do capô e dão controle sobre fine-tuning, hospedagem e custo. Cursos como os da DataCamp e do Hugging Face tendem ao open source; o LLM Engineering da Udemy e os cursos curtos da DeepLearning.AI cobrem ambos.
Quanto tempo leva para aprender LLMs bem o suficiente para construir com eles?
Um curso curto (1–3 horas) é suficiente para você se sentir à vontade chamando uma API e escrevendo bons prompts. Já para entender na prática transformers, fine-tuning e RAG costuma levar 15–30 horas em cursos como os da DataCamp, Hugging Face ou Databricks. Ir a fundo o bastante para fazer fine-tuning e implantar sistemas de produção, como no bootcamp LLM Engineering da Udemy, é mais realisticamente um compromisso de 6–8 semanas.
Tópicos
