diff --git a/modulos-cientificos b/modulos-cientificos
new file mode 100644
index 0000000..df2d568
--- /dev/null
+++ b/modulos-cientificos
@@ -0,0 +1,61 @@
+# Módulos Científicos em Python
+
+## 1. Análise e Manipulação de Dados
+
+- **NumPy**: Biblioteca fundamental para computação científica em Python, fornece suporte para arrays e matrizes multidimensionais, além de uma grande coleção de funções matemáticas de alto desempenho.
+- **Pandas**: Ferramenta para análise e manipulação de dados, especialmente útil para trabalhar com tabelas de dados estruturados, fornecendo estruturas de dados como DataFrames.
+- **SciPy**: Biblioteca de computação científica que complementa o NumPy, oferecendo ferramentas para otimização, integração, interpolação, álgebra linear, estatísticas e muito mais.
+- **Dask**: Extensão do NumPy e Pandas para computação distribuída e paralela, permite processamento de grandes conjuntos de dados que não cabem na memória.
+- **Xarray**: Biblioteca para trabalhar com dados multidimensionais rotulados, como dados climáticos, dados espaciais e outros dados científicos.
+
+## 2. Visualização de Dados
+
+- **Matplotlib**: Biblioteca padrão para criação de gráficos e visualização de dados em Python, amplamente usada em ciência de dados e pesquisa científica.
+- **Seaborn**: Biblioteca baseada no Matplotlib, voltada para visualização de dados estatísticos, com gráficos pré-configurados para fácil análise e interpretação.
+- **Plotly**: Ferramenta para criar gráficos interativos e visualizações em 3D, muito usada para visualizações científicas complexas.
+- **Bokeh**: Biblioteca para visualização de dados interativa e web, permite a criação de gráficos dinâmicos e dashboards científicos.
+- **Pygal**: Biblioteca para criar gráficos SVG, ideal para visualizações leves e escaláveis para a web.
+
+## 3. Machine Learning e Inteligência Artificial
+
+- **scikit-learn**: Ferramenta essencial para aprendizado de máquina, fornece uma ampla gama de algoritmos de classificação, regressão e clustering, além de funções de pré-processamento.
+- **TensorFlow**: Framework de aprendizado profundo criado pelo Google, utilizado para construir e treinar redes neurais complexas.
+- **PyTorch**: Biblioteca de aprendizado profundo desenvolvida pelo Facebook, amplamente usada para pesquisa e desenvolvimento em redes neurais e aprendizado de máquina.
+- **Keras**: API de alto nível para redes neurais que roda sobre TensorFlow, fácil de usar e popular para prototipagem rápida de modelos de aprendizado profundo.
+- **Statsmodels**: Biblioteca para análise estatística e econometria, útil para modelagem estatística avançada e testes de hipóteses.
+
+## 4. Processamento de Sinais e Imagem
+
+- **OpenCV**: Biblioteca para processamento de imagens e visão computacional, utilizada para manipulação de imagens, vídeos e visão computacional em geral.
+- **scikit-image**: Biblioteca para processamento de imagens com uma variedade de algoritmos de análise e manipulação.
+- **imageio**: Biblioteca para leitura e gravação de uma ampla gama de formatos de imagens, além de manipulação de vídeos.
+- **PyWavelets**: Biblioteca para análise de wavelets, utilizada no processamento de sinais, compressão de dados e remoção de ruído.
+- **Soundfile**: Ferramenta para manipulação de ficheiros de áudio, útil para análise de sinais de som.
+
+## 5. Estatística e Probabilidade
+
+- **SymPy**: Biblioteca para matemática simbólica, oferece ferramentas para manipulação e resolução de expressões algébricas, cálculo simbólico e operações matemáticas avançadas.
+- **Statsmodels**: Voltada para análise estatística, inclui ferramentas para modelagem e testes estatísticos, análise de séries temporais e econometria.
+- **PyMC3**: Biblioteca para modelagem probabilística bayesiana, utilizada em modelos estatísticos complexos e inferência bayesiana.
+- **scipy.stats**: Submódulo do SciPy dedicado a funções estatísticas e distribuições de probabilidade, útil para realizar testes estatísticos e análise de dados.
+
+## 6. Processamento de Texto e NLP (Processamento de Linguagem Natural)
+
+- **NLTK**: Biblioteca para processamento de linguagem natural, oferece ferramentas para análise de texto, tokenização, stemming, lematização e análise sintática.
+- **spaCy**: Biblioteca avançada para processamento de linguagem natural, muito rápida e eficiente, com funcionalidades de análise de dependência, NER (Reconhecimento de Entidades Nomeadas) e vetorização de texto.
+- **Gensim**: Biblioteca para modelagem de tópicos, transformação de textos e análise semântica, amplamente utilizada para análise de documentos e construção de modelos de tópicos.
+- **TextBlob**: Biblioteca para tarefas básicas de NLP, incluindo análise de sentimentos, classificação de texto e extração de recursos.
+
+## 7. Computação Paralela e Distribuída
+
+- **Dask**: Permite a execução de computação distribuída e paralela, útil para processar grandes quantidades de dados.
+- **Joblib**: Biblioteca para paralelização em tarefas de ciência de dados, usada para execução eficiente de loops e pipelines paralelizados.
+- **Ray**: Plataforma para desenvolvimento de aplicações distribuídas, ideal para trabalhos em machine learning e processamento de dados de larga escala.
+
+## 8. Outros Módulos Científicos
+
+- **Biopython**: Conjunto de ferramentas para bioinformática, oferece funções para análise de sequências biológicas, manipulação de ficheiros e estruturas moleculares.
+- **Astropy**: Biblioteca para astronomia, com ferramentas para análise de dados astronômicos, manipulação de coordenadas e simulação de fenômenos espaciais.
+- **geopandas**: Extensão do Pandas para análise de dados geoespaciais, permite manipulação de dados geográficos e realização de análises espaciais.
+- **ChemPy**: Biblioteca para química computacional, oferece funcionalidades para simulação de reações químicas, cinética e análise de equilíbrio químico.
+- **Pint**: Módulo para manipulação de unidades físicas, permitindo realizar cálculos com unidades de medida.