Andrew Ng é Professor Adjunto de Ciência da Computação em Stanford, cofundador do Google Brain (2011), cofundador da Coursera (2012) e fundador da DeepLearning.AI (2017). Seu curso "Machine Learning" foi um dos primeiros MOOCs de massa do mundo e ultrapassou 8 milhões de alunos inscritos desde 2011, segundo dados oficiais da Coursera. É, em larga medida, o professor que ensinou os fundamentos modernos de aprendizado de máquina à primeira geração de praticantes da área.

Para além da influência educacional, Ng tem peso técnico relevante: pesquisador-chefe da Baidu de 2014 a 2017, fundador da Landing AI (IA aplicada à indústria) em 2017 e da AI Fund em 2018. Em 2024, ingressou no conselho da Amazon.

Trajetória

  • 1997: graduação em Ciência da Computação, Estatística e Economia pela Carnegie Mellon University.
  • 1998: mestrado em Ciência da Computação pelo MIT.
  • 2002: doutorado em Ciência da Computação pela UC Berkeley, sob orientação de Michael I. Jordan.
  • 2002 em diante: docente de Stanford, onde fundou o Stanford AI Lab e dirigiu o programa de robótica STAIR.
  • 2011: cofunda o Google Brain como diretor inaugural, junto com Jeff Dean e Greg Corrado.
  • 2012: cofunda a Coursera com Daphne Koller; o curso de Machine Learning é uma das ofertas pioneiras.
  • 2014 a 2017: cientista-chefe da Baidu em Pequim, lidera time de IA com mais de 1.300 pessoas.
  • 2017: funda a Landing AI e a DeepLearning.AI.
  • 2018: lança o AI Fund, com US$ 175 milhões iniciais para construir startups de IA.

Áreas de pesquisa

  • Aprendizado profundo (deep learning), área em que publicou trabalhos fundamentais sobre redes convolucionais aplicadas a visão computacional.
  • Aprendizado por reforço, com aplicações em robótica autônoma (helicópteros voando invertidos por aprendizado por reforço, em 2008).
  • Aprendizado não supervisionado, foco do Google Brain quando Ng o liderou.
  • IA aplicada à indústria, foco da Landing AI desde 2017, com casos de uso em manufatura, agricultura e energia.

Cursos e iniciativas educacionais

  • Machine Learning (Coursera, Stanford CS229) com Octave e depois Python: o curso que treinou a primeira geração global de profissionais.
  • Deep Learning Specialization (DeepLearning.AI), 5 cursos sobre redes neurais, CNNs, RNNs e modelos de sequência.
  • AI for Everyone, voltado a executivos e profissionais não técnicos.
  • Generative AI for Everyone (2023) e parcerias com OpenAI, Microsoft, AWS para cursos curtos sobre prompt engineering, RAG, agentes e fine-tuning.
  • The Batch, newsletter semanal sobre IA com mais de 600 mil assinantes em 2025.

Para quem estudar com Ng faz mais sentido

  • Quem quer fundamento sólido em ML antes de ir para LLMs e IA generativa. O caminho clássico (Machine Learning + Deep Learning Specialization) continua sendo uma das melhores fundações disponíveis.
  • Profissionais não técnicos que precisam entender IA para tomada de decisão. AI for Everyone foi desenhado para esse público.
  • Engenheiros de software que querem migrar para ML aplicado em produto.
  • Empreendedores que pensam em construir startup de IA aplicada a indústria. A Landing AI documenta padrões úteis nesse caminho.

Como começar a aprender com Ng

Para quem chega à área agora, a sequência recomendada é: começar pelos fundamentos de programação no CS50P, em paralelo aprender o ecossistema de IA com o CS50 AI, e só então mergulhar no Machine Learning de Stanford com Ng. Para visão de futuro da carreira, veja por que estudar inteligência artificial e por que estudar ciência de dados.

Há também uma parceria gratuita do estude.org indireta com o material da DeepLearning.AI: veja o curso gratuito de Python e IA da DeepLearning.AI.

Reconhecimentos

  • Time 100 em IA, lista da revista Time de 2023 e 2024.
  • Sloan Research Fellowship em 2008.
  • NSF CAREER Award e Computers and Thought Award da IJCAI em 2009.
  • Membro da National Academy of Engineering dos Estados Unidos desde 2018.

Perguntas frequentes

O Machine Learning original do Ng ainda é relevante em 2026?

Os fundamentos (regressão, gradiente descendente, regularização, redes neurais básicas) continuam sendo a base. A versão renovada do curso, em Python, traz a notação atual e exemplos modernos. Para LLMs e IA generativa especificamente, é necessário complementar.

Vale fazer todos os 5 cursos da Deep Learning Specialization?

Para quem quer trabalhar com deep learning a sério, vale. Para quem só quer entender o suficiente para usar bibliotecas, os 2 ou 3 primeiros bastam.

Andrew Ng é confiável como referência educacional?

É um dos mais confiáveis no campo. Tem incentivos longos (carreira acadêmica, empresas próprias, reputação) que se alinham com qualidade. Quando erra, costuma corrigir publicamente.

Quanto tempo até completar o curso de ML?

Em ritmo regular, 11 semanas. Em ritmo intensivo, 4 a 6 semanas com 2 a 3 horas por dia.

Onde pesa

Ng combina três coisas raras: pesquisa de fronteira, capacidade rara de simplificar conceito difícil e visão de produto educacional em escala. Para quem entra em IA hoje, é o instrutor de fundamentos com maior consenso de qualidade no mundo. Acompanhar sua newsletter (The Batch) e seus cursos é uma das alavancas baratas mais consistentes para se manter atualizado na área.