Curso de Inteligência Artificial e Machine Learning

Aula 1 • Terminologia e Conceitos Centrais de IA

Define inteligência, aprendizagem, inferência e generalização em termos técnicos. Estabelece o vocabulário partilhado utilizado ao longo de todo o curso.

Aula 2 • Tipos de Machine Learning

Contrasta os paradigmas de aprendizagem supervisionada, não supervisionada e por reforço com exemplos. Permite que os formandos selecionem a abordagem de ML adequada para um determinado problema.

Aula 3 • Configurar o Ambiente de Aprendizagem

Guia a instalação de Python, Jupyter e bibliotecas de ML essenciais. Garante que cada estudante tem um espaço de trabalho funcional antes de os exercícios práticos começarem.

Aula 4 • Domínios de Aplicação da IA

Apresenta casos de uso de IA na saúde, finanças, indústria e linguagem. Liga conceitos abstratos a resultados tangíveis da indústria que os estudantes encontrarão profissionalmente.

Aula 1 • Cálculo para Otimização

Apresenta derivadas, gradientes e a regra da cadeia como ferramentas para minimizar funções de perda. Prepara diretamente os estudantes para compreender o gradiente descendente em capítulos posteriores.

Aula 2 • Inferência e Estimação Estatística

Ensina estimação de máxima verosimilhança, intervalos de confiança e testes de hipóteses. Fornece a base estatística necessária para avaliar rigorosamente o desempenho do modelo.

Aula 3 • Fundamentos de Álgebra Linear

Abrange vetores, matrizes, produtos internos e decomposição de matrizes relevantes para ML. Estas estruturas sustentam a representação de dados e a manipulação de parâmetros do modelo.

Aula 4 • Noções Básicas de Teoria da Informação

Apresenta entropia, entropia cruzada e divergência KL como medidas de informação. Estas métricas aparecem diretamente nas funções de perda e nos critérios de avaliação do modelo.

Aula 1 • Limpeza de Dados e Garantia de Qualidade

Aborda valores em falta, duplicados, outliers e formatos inconsistentes de forma sistemática. Dados limpos são um pré-requisito para um treino fiável do modelo em todos os capítulos subsequentes.

Aula 2 • Engenharia e Transformação de Atributos

Abrange codificação, escalonamento, discretização e criação de atributos derivados a partir de variáveis brutas. Atributos transformados melhoram diretamente a precisão do modelo e a estabilidade do treino.

Aula 3 • Fontes de Dados e Métodos de Recolha

Apresenta fontes de dados estruturados, não estruturados e em streaming, e estratégias de recolha. Estabelece a consciencialização sobre a proveniência dos dados e questões de qualidade desde o início.

Aula 4 • Divisão de Dados e Prevenção de Fugas

Explica as divisões de treino, validação e teste, juntamente com estratégias para prevenir fugas de dados. Uma divisão adequada garante uma avaliação honesta de todos os modelos construídos em capítulos posteriores.

Aula 1 • Métodos de Ensemble

Ensina bagging, boosting e stacking para combinar aprendizes fracos em modelos fortes. As técnicas de ensemble alcançam consistentemente o melhor desempenho em tarefas com dados estruturados.

Aula 2 • Support Vector Machines (Máquinas de Vetores de Suporte)

Abrange classificadores de margem máxima, funções de kernel e formulações de margem flexível. As SVMs demonstram como a intuição geométrica se traduz em fronteiras de decisão poderosas.

Aula 3 • Árvores de Decisão e Modelos Baseados em Regras

Explica critérios de divisão, profundidade da árvore e poda para classificação interpretável. As árvores de decisão servem como blocos de construção para os métodos de ensemble abordados posteriormente.

Aula 4 • Regressão Linear e Logística

Deriva a regressão linear a partir dos mínimos quadrados e a regressão logística a partir do log-odds. Estes modelos fundamentais estabelecem o modelo para todos os algoritmos de aprendizagem paramétricos.

Aula 1 • Visão Geral de Modelos Generativos

Apresenta modelos de mistura gaussiana e autoencoders variacionais como abordagens generativas. Esta secção faz a ponte entre a aprendizagem não supervisionada e o conteúdo de aprendizagem profunda no próximo capítulo.

Aula 2 • Algoritmos de Clustering

Abrange k-means, clustering hierárquico e DBSCAN com os seus pressupostos e compromissos. O clustering revela agrupamentos naturais que informam a segmentação e a deteção de anomalias.

Aula 3 • Técnicas de Redução de Dimensionalidade

Ensina PCA, t-SNE e UMAP para reduzir atributos enquanto preserva a estrutura. As representações reduzidas aceleram o treino e permitem a visualização de conjuntos de dados complexos.

Aula 4 • Aprendizagem de Regras de Associação

Apresenta os algoritmos Apriori e FP-Growth para mineração de conjuntos de itens frequentes e regras. As regras de associação potenciam motores de recomendação e sistemas de análise de cestos de compras.

Aula 1 • Fundamentos de Redes Neuronais Feedforward

Abrange neurónios, funções de ativação, propagação direta e retropropagação a partir do zero. Esta secção estabelece a base computacional para todas as arquiteturas profundas.

Aula 2 • Modelos Recorrentes e de Sequência

Abrange RNNs, LSTMs e GRUs para modelar dependências temporais em dados sequenciais. Os modelos de sequência sustentam pipelines de previsão de séries temporais e processamento de linguagem.

Aula 3 • Treinar Redes Profundas Eficazmente

Aborda otimizadores, planos de taxa de aprendizagem, normalização de lotes (batch normalization) e dropout. Estas técnicas resolvem gradientes evanescentes e sobreajuste em arquiteturas profundas.

Aula 4 • Arquitetura Transformer e Autoatenção

Deriva a autoatenção multi-cabeça, a codificação posicional e a pilha codificador-decodificador. Os Transformers são a espinha dorsal dos sistemas modernos de PLN e IA multimodal.

Aula 1 • Conteinerização e Orquestração

Empacota serviços de ML em contentores Docker e orquestra-os com Kubernetes. Os contentores garantem consistência do ambiente entre sistemas de desenvolvimento e produção.

Aula 2 • Construir e Servir APIs de Modelo

Constrói APIs REST com FastAPI e Flask para expor previsões de modelos como serviços. A servição baseada em API desacopla a lógica do modelo das aplicações consumidoras em produção.

Aula 3 • Pipelines de ML e Automatização de Fluxos de Trabalho

Automatiza a ingestão, treino e avaliação de dados usando ferramentas de orquestração de pipelines. Pipelines automatizados reduzem erros manuais e aceleram os ciclos de iteração do modelo.

Aula 4 • Serialização e Empacotamento de Modelos

Abrange guardar modelos com pickle, ONNX e formatos nativos da framework para portabilidade. A serialização adequada é o primeiro passo em qualquer fluxo de trabalho de implementação reproduzível.

Aula 1 • Estratégia de IA e Valor Empresarial

Enquadra a seleção de projetos de IA, estimativa de ROI e comunicação com partes interessadas para líderes. Faz a ponte entre a experiência técnica e a tomada de decisões organizacionais e a gestão de mudanças.

Aula 2 • Aprendizagem por Reforço em Profundidade

Abrange processos de decisão de Markov, Q-learning e métodos de gradiente de política com aplicações. Baseia-se no conhecimento prévio de aprendizagem supervisionada para abordar problemas de decisão sequencial.

Aula 3 • AutoML e Otimização de Hiperparâmetros

Aplica pesquisa em grelha, otimização bayesiana e pesquisa de arquitetura neural para automatizar a afinação. O AutoML reduz o esforço de especialistas e descobre configurações de alto desempenho mais rapidamente.

Aula 4 • Ética, Justiça e Governação da IA

Analisa fontes de enviesamento, métricas de justiça, ferramentas de explicabilidade e frameworks de governação. As práticas de IA responsável são essenciais para implementações sustentáveis e fiáveis.