Curso de Inteligência Artificial

Aula 1 • História e Evolução da IA

Traça a IA desde a lógica simbólica até o aprendizado profundo moderno, destacando descobertas essenciais. Contextualiza as capacidades atuais com décadas de progresso em pesquisa.

Aula 2 • IA na Stack de Tecnologia Moderna / IA no Conjunto de Tecnologias Modernas

Mapeia os componentes de IA nas camadas de nuvem, dados e infraestrutura de software. Ajuda os alunos a entender onde a IA se encaixa nas arquiteturas de tecnologia empresarial.

Aula 3 • Paradigmas Centrais de IA

Apresenta paradigmas de IA baseados em regras, estatísticos e baseados em aprendizado, e seus trade-offs. Capacita os alunos a selecionar paradigmas apropriados para determinados tipos de problema.

Aula 1 • Técnicas de Pré-processamento de Dados

engenharia de características / engenharia de funcionalidades

Aula 2 • Tipos e Fontes de Dados

Aborda dados estruturados, não estruturados e semiestruturados, e canais comuns de aquisição. Fundamenta os alunos na diversidade de entradas de dados que os sistemas de IA consomem.

Aula 3 • Análise Exploratória de Dados

Aplica resumos estatísticos e visualização para descobrir padrões antes da modelagem. Constrói intuição analítica que melhora as decisões de design de modelo.

Aula 4 • Princípios de Privacidade e Conformidade de Dados

Apresenta anonimização, consentimento e minimização de dados como conceitos fundamentais de conformidade. Garante que os alunos lidem com os dados de forma responsável ao longo dos projetos de IA.

Aula 1 • Técnicas de Aprendizado Não Supervisionado

Explora agrupamento, redução de dimensionalidade e detecção de anomalias sem dados rotulados. Expande o kit de ferramentas dos alunos para tarefas exploratórias e de descoberta de padrões.

Aula 2 • Fundamentos de Aprendizado por Reforço

Apresenta agentes, ambientes, recompensas e otimização de políticas em tarefas de decisão sequencial. Fornece a base conceitual para aplicações avançadas de aprendizado por reforço abordadas posteriormente.

Aula 3 • Avaliação e Validação de Modelos

Ensina acurácia, precisão, recall, AUC e validação cruzada para uma avaliação rigorosa de modelos. Garante que os alunos possam medir e comunicar o desempenho do modelo de forma confiável.

Aula 4 • Treinamento e Otimização de Modelos

Aborda funções de perda, variantes de descida do gradiente e regularização para melhorar o ajuste do modelo. Permite diretamente que os alunos ajustem modelos de forma eficaz na prática.

Aula 1 • Modelos Recorrentes e de Sequência

Apresenta RNNs, LSTMs e GRUs para processamento de dados sequenciais e de séries temporais. Faz a ponte para arquiteturas transformer introduzidas no próximo capítulo.

Aula 2 • Retropropagação e Treinamento

Explica a regra da cadeia, o fluxo do gradiente e os ciclos de atualização de pesos que treinam redes neurais. Dá aos alunos uma visão mecânica para diagnosticar e corrigir falhas de treinamento.

Aula 3 • Redes Neurais Convolucionais

Aborda convolução, pooling e hierarquias de mapas de recursos para tarefas com dados de imagem e espaciais. Prepara os alunos para aplicar CNNs em problemas de visão computacional.

Aula 4 • Perceptrons e Arquitetura de Rede

Constrói a compreensão de neurônios, camadas, pesos e funções de ativação como blocos de construção de rede. Estabelece o vocabulário estrutural para todo o conteúdo de aprendizado profundo.

Aula 1 • Aplicações e Pipelines de PNL

Aplica PNL em análise de sentimentos, reconhecimento de entidades nomeadas, sumarização e resposta a perguntas. Conecta o conhecimento teórico a sistemas de ponta a ponta implantáveis de processamento de texto.

Aula 2 • Ajuste Fino e Engenharia de Prompt

Ensina ajuste fino supervisionado, métodos eficientes em parâmetros e design de prompts para adaptação de tarefas. Permite diretamente que os alunos personalizem modelos de linguagem para casos de uso específicos.

Aula 3 • Fundamentos de Representação de Texto

Aborda tokenização, saco de palavras, TF-IDF e embeddings de palavras como estratégias de codificação de texto. Fornece a base representacional para todas as entradas de modelos de PNL.

Aula 4 • Mergulho Profundo na Arquitetura Transformer

Explica autoatenção, atenção multi-cabeça, codificação posicional e estrutura codificador-decodificador. Permite que os alunos entendam e adaptem modelos de linguagem de ponta.

Aula 1 • Modelos Multimodais e IA Visão-Linguagem

Examina aprendizado contrastivo estilo CLIP e modelos visão-linguagem que unem texto e imagens. Permite que os alunos construam aplicações combinando compreensão visual e textual.

Aula 2 • Detecção e Segmentação de Objetos

Apresenta detectores baseados em âncoras e sem âncoras, juntamente com segmentação semântica e de instância. Equipa os alunos para construir sistemas que localizam e classificam objetos em imagens.

Aula 3 • Fundamentos de Processamento de Imagem

Aborda representação de pixels, espaços de cor, filtragem e aumento como etapas de pré-processamento. Estabelece a alfabetização visual de dados necessária para todas as tarefas de visão computacional.

Aula 4 • Considerações de Implantação de IA de Visão

Aborda latência, compressão de modelos e seleção de hardware para sistemas de visão em produção.

Aula 1 • Frameworks de Governança Responsável de IA

Examina modelos de governança baseados em princípios e em níveis de risco para supervisão organizacional de IA. Permite que os alunos implementem estruturas de responsabilidade ao longo dos ciclos de vida de projetos de IA.

Aula 2 • Segurança e Mitigação de Danos em IA

Examina ataques adversariais, injeção de prompt e filtragem de saída como desafios de segurança. Prepara os alunos para projetar sistemas que resistam ao uso indevido e minimizem danos.

Aula 3 • Métricas de Justiça e Auditoria

Aborda paridade demográfica, igualdade de oportunidades e calibração como critérios quantitativos de justiça. Permite que os alunos auditem modelos sistematicamente antes e depois da implantação.

Aula 4 • Fontes e Tipos de Viés em IA

Identifica vieses históricos, de medição e de agregação que entram nos sistemas de IA por meio de dados e design. Constrói a conscientização necessária para lidar proativamente com questões de justiça.

Aula 1 • MLOps e Pipelines de Produção

Aborda CI/CD para ML, registros de modelos e re-treinamento automatizado para operacionalizar IA de forma confiável. Faz a ponte entre modelos experimentais e sistemas de nível de produção.

Aula 2 • Monitoramento de Modelos e Detecção de Desvio

Ensina monitoramento de desvio de dados, desvio de conceito e degradação de desempenho em sistemas ao vivo. Garante que os alunos possam manter a confiabilidade do modelo após a implantação.

Aula 3 • Escalonamento de Infraestrutura de IA

Aborda treinamento distribuído, arquiteturas de servição de modelos e otimização de custos em escala. Prepara os alunos para expandir sistemas de IA sem sacrificar desempenho ou controle de orçamento.

Aula 4 • Identificando Oportunidades de IA de Alto Valor

Aplica critérios de viabilidade, impacto e prontidão de dados para priorizar casos de uso de IA. Conecta a capacidade técnica aos objetivos estratégicos de negócio.