CS Learn da Carnegie Mellon em 2026: Como Estudar Ciência da Computação de Graça no YouTube
Olá HaWkers, no dia 16/11/2026 a Carnegie Mellon University anunciou o CS Learn, uma plataforma que coloca semestres inteiros de aulas da sua escola de ciência da computação no YouTube, de graça. A primeira leva tem 13 cursos anunciados: oito estreiam ainda em novembro e cinco chegam em janeiro de 2027. No mesmo dia, o anúncio passou de 1.500 pontos e 200 comentários no Hacker News.
Não é pouca coisa. A Carnegie Mellon é uma das escolas de computação mais respeitadas do mundo, e até agora essas gravações só circulavam dentro do campus. A pergunta que importa para quem trabalha com tecnologia é outra: vale a pena gastar suas noites com aula de universidade em 2026, com IA respondendo qualquer dúvida em segundos? Neste artigo você vai ver o que exatamente foi liberado, para quem cada curso faz sentido e como transformar uma playlist em um plano de estudo que você termina de verdade.
O Que É o CS Learn
O CS Learn é uma iniciativa da Kenneth C. Griffin School of Computer Science, a escola de computação da Carnegie Mellon. A ideia veio de Phillip Compeau, professor do departamento de biologia computacional e decano assistente de inovação em educação em computação. Segundo a nota oficial da universidade, ele levou a proposta para colegas enquanto fazia o MBA na Tepper School of Business, a escola de negócios da própria CMU.
O modelo tem três camadas, e só a primeira já está no ar:
- Aulas no YouTube: semestres completos gravados em sala, publicados no canal @CMULearn, sem cadastro e sem custo.
- Courseware autoguiado: lições montadas a partir dos cursos reais, com feedback instantâneo e badges. Ainda sem data, só com lista de espera.
- Tutoria com IA: prometida para o courseware, para ajudar o aluno a "desempacar". Também sem data.
Quem quiser trabalho avaliado e uma credencial oficial é direcionado ao CMU Online, a frente paga da universidade. O site do CS Learn não detalha preço nem formato dessa opção.
Um detalhe técnico chama atenção. As aulas já eram gravadas pela equipe de vídeo do departamento de Software and Societal Systems. O gargalo era transformar horas de gravação crua em vídeo publicável sem expor os alunos. A ScottyLabs, uma organização estudantil, construiu um sistema assistido por IA que enquadra professor e slides, desfoca o rosto dos estudantes e mostra as perguntas feitas em sala como texto na tela. Segundo a CMU, um curso pode chegar ao CS Learn poucas semanas depois da aula original. No Hacker News, Compeau disse que cada aula ainda passa por revisão humana e que legendas estão planejadas para todas elas.
Os 13 Cursos da Primeira Leva
A lista abaixo é a que está publicada na página do CS Learn. Os números são os códigos oficiais dos cursos na CMU, e eles ajudam: o primeiro dígito do sufixo indica o nível (100 é introdutório, 600 e 700 são de pós-graduação).
Estreias de novembro de 2026:
| Código | Curso | Professores |
|---|---|---|
| 15-110 | Principles of Computing | Franceska Xhakaj |
| 17-214 | Principles of Software Construction | Hammad Ahmad |
| 15-442 | Machine Learning Systems | Tianqi Chen, Zhihao Jia |
| 10-605 | Machine Learning with Large Datasets | William Cohen |
| 17-635 | Software Architectures | Swarnalatha Ashok, Scott Pavetti |
| 17-643 | Quality Management | Jeffrey Gennari, Christopher Timperley |
| 11-768 | AI Agents | Daniel Fried, Graham Neubig |
| 17-645 | Machine Learning in Production | Christian Kästner, Bogdan Vasilescu |
Previstos para janeiro de 2027:
| Código | Curso | Professores |
|---|---|---|
| 15-259 | Probability and Computing | Mor Harchol-Balter, Weina Wang, Feras Saad |
| 11-777 | Multimodal Machine Learning | Louis-Philippe Morency |
| 17-619 | Product Management Essentials | Jim Berardone |
| 07-280 | AI and Machine Learning I | Nihar Shah |
| 17-627 | Requirements for Embedded Systems | Scott Pavetti |
Alguns nomes valem atenção extra. Tianqi Chen é um dos criadores do XGBoost e do Apache TVM, então Machine Learning Systems é dado por quem constrói a infraestrutura que o mercado usa. Graham Neubig é um nome forte em agentes de código abertos. E Christian Kästner escreveu o livro "Machine Learning in Production", que serve de base para o curso de mesmo nome.
Para Quem Isso Foi Feito
No Hacker News, Compeau foi direto: o público-alvo são profissionais "no início e no meio da carreira" que querem se atualizar, embora todos sejam bem-vindos. Isso muda a forma de olhar a lista. Não é um bacharelado completo em vídeo. É uma seleção pensada para quem já trabalha e precisa preencher buracos específicos.
Na prática, dá para separar em três perfis:
Quem está começando
15-110 Principles of Computing é a porta de entrada. É um curso introdutório, pensado para quem nunca teve contato formal com computação. Se você está migrando de área, ele dá o vocabulário que faltaria em um bootcamp focado só em framework.
Quem já programa e quer subir de nível
17-214 Principles of Software Construction, 17-635 Software Architectures e 17-643 Quality Management formam um bloco de engenharia de software de verdade: design orientado a objetos, padrões, testes, arquitetura e qualidade. É o tipo de conteúdo que separa quem "faz funcionar" de quem consegue manter um sistema vivo por anos. Se você já leu nosso roadmap de JavaScript com tudo o que você precisa aprender, esse bloco é o passo seguinte natural depois da linguagem.
Quem quer trabalhar com IA
11-768 AI Agents, 17-645 Machine Learning in Production, 15-442 Machine Learning Systems e 10-605 Machine Learning with Large Datasets cobrem a parte que mais aparece em vaga hoje: colocar modelo em produção, escalar treino e inferência e construir agentes. Repare que nenhum deles é "como usar o ChatGPT". São cursos sobre os sistemas por baixo.
Aula de Universidade Ainda Vale a Pena em 2026?
Esse foi o maior debate da thread no Hacker News, e vale encarar de frente. Um lado argumentou que LLMs explicam quase qualquer assunto sob demanda e que fundamentos de ciência da computação perderam importância. O outro lado respondeu que fundamentos importam mais agora, porque são eles que permitem usar IA bem e julgar se a resposta faz sentido.
Eu fico com o segundo grupo, por um motivo prático: o modelo responde o que você pergunta. Um curso de semestre te mostra o que você não sabia que precisava perguntar. Quem nunca estudou probabilidade não sabe que deveria questionar uma métrica de A/B test. Quem nunca viu arquitetura de software não percebe que o código que o agente gerou acoplou três módulos que deveriam ser independentes.
Também apareceram críticas justas na discussão:
- Público no YouTube não é licença aberta. Diferente de material sob Creative Commons, você pode assistir, mas não tem garantia de poder redistribuir ou arquivar.
- Faltam exercícios e notas. Várias pessoas pediram slides, PDFs, listas e laboratórios. Sem prática, aula vira entretenimento.
- Comparação com o MIT OpenCourseWare. Compeau lembrou que o MIT começou a abrir cursos há cerca de 25 anos. A diferença, segundo ele, está no processo: as ferramentas criadas pelos alunos permitem que uma equipe pequena publique um curso rápido, ainda com revisão humana de cada aula.
A conclusão honesta é: o CS Learn é uma fonte excelente de explicação, mas não substitui a parte chata de fazer exercício. Essa parte é com você, e é isso que o plano abaixo resolve.
Como Montar um Plano de Estudo Que Você Termina
O maior inimigo de curso gratuito é a falta de prazo. Ninguém cobra, então ninguém termina. A saída é tratar a playlist como projeto: escopo pequeno, ritmo fixo e entrega visível.
Comece definindo o plano em um arquivo simples dentro de um repositório seu. Versionar o plano no Git dá histórico e um commit por aula vira prova de progresso:
# plano-estudos.yml
# Plano de estudo para um curso do CS Learn.
# Regra: no máximo 1 curso ativo por vez.
curso:
codigo: "17-214"
nome: "Principles of Software Construction"
fonte: "https://www.youtube.com/@CMULearn"
ritmo:
aulas_por_semana: 3 # seja realista: 3 aulas cabem em noites de semana
dias: [segunda, quarta, sabado]
minutos_por_sessao: 90 # aula + anotação + exercício
entrega_por_aula:
- resumo_em_5_linhas # se não cabe em 5 linhas, você não entendeu
- 1_exercicio_proprio # reproduza o exemplo da aula com outro domínio
- 1_pergunta_em_aberto # vira pesquisa ou pergunta para a IA depoisO campo 1_exercicio_proprio é o mais importante. Se a aula mostra o padrão Strategy com um sistema de pagamentos, refaça com algo do seu trabalho. É assim que a teoria gruda.
Exemplo: transformando uma aula em exercício
Imagine uma aula de Principles of Software Construction sobre separar política de mecanismo. Em vez de só assistir, escreva uma versão sua em TypeScript:
// exercicio-strategy.ts
// Exercício próprio: frete com estratégias trocáveis.
// A regra de negócio (qual frete usar) fica separada do cálculo.
interface EstrategiaFrete {
calcular(pesoKg: number, distanciaKm: number): number;
}
class FreteEconomico implements EstrategiaFrete {
calcular(pesoKg: number, distanciaKm: number): number {
// Preço baixo, cresce devagar com a distância
return 10 + pesoKg * 0.5 + distanciaKm * 0.05;
}
}
class FreteExpresso implements EstrategiaFrete {
calcular(pesoKg: number, distanciaKm: number): number {
// Preço alto, prioriza velocidade
return 25 + pesoKg * 1.2 + distanciaKm * 0.15;
}
}
class Checkout {
// A classe não sabe qual frete existe: só depende da interface
constructor(private estrategia: EstrategiaFrete) {}
totalFrete(pesoKg: number, distanciaKm: number): number {
return Number(this.estrategia.calcular(pesoKg, distanciaKm).toFixed(2));
}
}
// Trocar a política não exige mexer no Checkout
console.log(new Checkout(new FreteEconomico()).totalFrete(2, 300)); // 26
console.log(new Checkout(new FreteExpresso()).totalFrete(2, 300)); // 72.4Depois de escrever, peça para uma IA criticar o seu código com base no conceito da aula. Assim ela vira revisora, e não a pessoa que fez o exercício por você.
Automatizando o Acompanhamento das Aulas
Para não depender da memória, dá para acompanhar o progresso com um script pequeno. A ideia é ler o plano, registrar cada aula concluída em um JSON e mostrar quanto falta. Nada de API do YouTube: só arquivos locais.
# progresso.py
# Registra aulas concluídas e mostra o ritmo real vs. o planejado.
import json
import sys
from datetime import date
from pathlib import Path
ARQUIVO = Path("progresso.json")
AULAS_POR_SEMANA = 3 # mesmo valor do plano-estudos.yml
def carregar() -> dict:
# Cria o arquivo na primeira execução
if not ARQUIVO.exists():
return {"inicio": date.today().isoformat(), "aulas": []}
return json.loads(ARQUIVO.read_text(encoding="utf-8"))
def registrar(titulo: str) -> None:
dados = carregar()
dados["aulas"].append({"titulo": titulo, "data": date.today().isoformat()})
ARQUIVO.write_text(json.dumps(dados, ensure_ascii=False, indent=2), encoding="utf-8")
def resumo() -> None:
dados = carregar()
inicio = date.fromisoformat(dados["inicio"])
semanas = max(1, ((date.today() - inicio).days // 7) + 1)
esperado = semanas * AULAS_POR_SEMANA
feito = len(dados["aulas"])
# Mostra se você está adiantado ou atrasado em relação ao plano
print(f"Semana {semanas}: {feito} aulas feitas, {esperado} planejadas")
print("No ritmo" if feito >= esperado else f"Atrasado em {esperado - feito} aula(s)")
if __name__ == "__main__":
if len(sys.argv) > 1:
registrar(" ".join(sys.argv[1:]))
resumo()Uso:
# Registrar uma aula concluída e ver o resumo
python3 progresso.py "17-214 aula 03 - design de objetos"
# Só ver o resumo
python3 progresso.py
# Fazer o commit do dia, um por aula
git add progresso.json && git commit -m "estudo: 17-214 aula 03"Ver "Atrasado em 2 aula(s)" no terminal é um empurrão melhor que qualquer notificação.
Trilhas Sugeridas com os Cursos Disponíveis
Com a lista atual, dá para montar três trilhas de cerca de um trimestre cada. A ordem importa mais que a quantidade.
Trilha 1: base para quem está migrando de área
- 15-110 Principles of Computing
- 17-214 Principles of Software Construction
- 15-259 Probability and Computing (quando sair, em janeiro de 2027)
Trilha 2: engenharia de software para quem já trabalha
- 17-214 Principles of Software Construction
- 17-635 Software Architectures
- 17-643 Quality Management
Trilha 3: IA aplicada a produto
- 17-645 Machine Learning in Production
- 11-768 AI Agents
- 15-442 Machine Learning Systems ou 10-605 Machine Learning with Large Datasets
Uma regra que funciona: só comece o próximo curso quando o atual tiver pelo menos um projeto pequeno publicado no seu GitHub usando o que você aprendeu. Recrutador não vê playlist assistida, vê repositório.
Como Isso Aparece no Seu Currículo
O CS Learn, por enquanto, não emite certificado das aulas no YouTube. Os badges vão chegar com o courseware, e a credencial oficial passa pelo CMU Online. Então como mostrar esse estudo?
- Projetos com contexto: no README, escreva "projeto feito a partir do curso 17-645 Machine Learning in Production da Carnegie Mellon (CS Learn)". Isso dá referência e mostra iniciativa.
- Escrita pública: um post curto por curso concluído, explicando o que você aplicou no trabalho. Isso vale mais que um PDF de certificado.
- Conversa de entrevista: "estudei arquitetura de software com o material da CMU e apliquei X no meu time" é uma resposta forte para "como você se mantém atualizado?".
Na thread do Hacker News, alguém argumentou que o valor real de uma universidade como a CMU está na credencial e na rede de contatos. Em parte é verdade. Mas para quem já está no mercado, o que pesa na próxima promoção é o que você consegue entregar, e isso o conteúdo gratuito ajuda a construir.
Perspectivas: O Que Esperar do CS Learn
Compeau prometeu ampliar a lista na primavera do hemisfério norte e além, em quantidade e em tipo de curso. Ele também comentou que a equipe pode publicar as ferramentas de produção no futuro e que estuda opções além do YouTube, como um servidor Panopto ou uma instância do PeerTube. Se o courseware com feedback e tutoria por IA sair como descrito, o CS Learn deixa de ser "aula gravada" e vira uma alternativa séria aos MOOCs pagos.
Minha leitura é que a melhor hora de começar é agora, enquanto a lista ainda é pequena e dá para escolher um curso só sem sentir que está perdendo os outros. Escolha uma trilha, escreva o plano, registre o progresso e publique um projeto por curso. Em três meses você terá algo concreto para mostrar, e o custo foi só tempo.
Bora pra cima! 🦅
📚 Quer Acompanhar o Que Vem Por Aí?
Este artigo cobriu o CS Learn da Carnegie Mellon e como estudar ciência da computação de graça, mas o ecossistema muda toda semana e nem tudo vira artigo aqui.
No X eu compartilho o que estou testando, os bastidores dos projetos e as novidades que aparecem antes de virarem post.
Me Segue Lá
💡 Conteúdo diário sobre desenvolvimento, carreira e as ferramentas que eu realmente uso

