Screecheeing
Screecheeing Programação de Linguagem Natural
Sobre a Screecheeing

Processamento de
linguagem natural
aplicado a quem aprende

Desenvolvemos cursos técnicos sobre PLN desde 2015, com foco em quem quer entender como máquinas processam texto — não apenas usar ferramentas prontas.

Ambiente de estudo sobre processamento de linguagem natural

De onde viemos e o que fazemos

A Screecheeing nasceu da percepção de que o material disponível sobre PLN oscilava entre dois extremos: muito teórico para quem programa, ou superficial demais para quem quer entender o funcionamento real dos modelos.

Nossos cursos cobrem desde tokenização e análise morfossintática até transformers e embeddings contextuais. Cada módulo foi construído para que o aluno consiga reproduzir os exemplos em Python com bibliotecas como spaCy, NLTK e Hugging Face.

Atendemos alunos em mais de 30 países. A maioria chega com experiência em programação mas pouca exposição a linguística computacional — e é exatamente esse gap que nosso material tenta preencher.

Quem está por trás do conteúdo

Dois especialistas com trajetórias distintas, um foco em comum.

Retrato de Renato Figueiredo Melo

Renato Figueiredo Melo

Linguística Computacional

Trabalhou por dez anos com análise de corpus em universidades públicas brasileiras antes de migrar para o ensino online. Desenvolveu os módulos de análise sintática e semântica dos cursos da Screecheeing.

Retrato de Cláudio Anversa Bettini

Cláudio Anversa Bettini

Engenharia de Machine Learning

Especialista em modelos de linguagem com experiência em projetos de NLP para empresas de tecnologia na Europa e no Brasil. Responsável pelos módulos práticos de fine-tuning e pipelines de inferência.

Como uma aula é estruturada

Cada módulo segue a mesma sequência — do conceito ao código funcional.

1

Contexto teórico

Explicamos o problema que a técnica resolve antes de mostrar qualquer linha de código. Sem esse passo, implementações ficam sem sentido.

Fundamentos
2

Demonstração guiada

Um exemplo real em Python — geralmente com spaCy ou Hugging Face — executado passo a passo com explicação de cada decisão de implementação.

Código
3

Exercício prático

O aluno adapta o exemplo a um dataset diferente. Não há resposta única certa — o objetivo é desenvolver autonomia para lidar com variações.

Prática
4

Revisão e próximos passos

Cada aula termina com um resumo dos pontos críticos e indicações do que estudar antes de avançar para o módulo seguinte.

Consolidação