Curso de Inteligência Artificial

Aula 1 • História e Evolução da IA

Traça o desenvolvimento da IA desde a lógica simbólica até as redes neurais modernas. Fornece contexto histórico que explica por que as técnicas atuais dominam a área.

Aula 2 • Paradigmas Centrais de IA

Apresenta aprendizado supervisionado, não supervisionado e por reforço como os três paradigmas fundamentais. Conecta cada paradigma aos tipos de problema que ele resolve.

Aula 3 • IA na Indústria e na Sociedade

Mapeia aplicações de IA em saúde, finanças, logística e mídia. Fundamenta conceitos abstratos em casos de uso tangíveis que os alunos encontrarão profissionalmente.

Aula 1 • Análise Exploratória de Dados

Aplica sumários estatísticos e visualizações para descobrir padrões antes da modelagem. Cria o hábito de entender distribuições de dados antes da seleção de algoritmos.

Aula 2 • Álgebra Linear para IA

Abrange operações com vetores, matrizes e tensores centrais para o cálculo de redes neurais. Conecta a multiplicação de matrizes diretamente às transformações de camadas em modelos.

Aula 3 • Noções Básicas de Cálculo e Otimização

Apresenta derivadas, gradientes e a regra da cadeia como ferramentas para treinar modelos. Relaciona esses conceitos à otimização por descida do gradiente usada em todo modelo de IA.

Aula 4 • Fundamentos de Probabilidade e Estatística

Ensina distribuições de probabilidade, teorema de Bayes e inferência estatística. Essas ferramentas fundamentam a estimativa de incerteza de modelos e as métricas de avaliação.

Aula 1 • Algoritmos de Classificação

Apresenta regressão logística, árvores de decisão e máquinas de vetores de suporte para predição categórica. Compara fronteiras de decisão e compensações computacionais.

Aula 2 • Clusterização e Redução de Dimensionalidade

Abrange k-médias, clusterização hierárquica, PCA e t-SNE para descoberta não supervisionada de padrões. Relaciona redução de dimensionalidade à visualização e engenharia de atributos.

Aula 3 • Técnicas de Regressão

Abrange regressão linear e polinomial para predição de saída contínua. Estabelece a estrutura de minimização de perda reutilizada em todos os algoritmos subsequentes.

Aula 4 • Avaliação e Seleção de Modelos

Ensina validação cruzada, trade-off viés-variância e métricas de desempenho para comparação justa de modelos. Garante que os alunos consigam justificar escolhas de algoritmos com evidências quantitativas.

Aula 1 • Redes Feedforward e Retropropagação

Explica a arquitetura do perceptron multicamadas e o algoritmo de retropropagação. Conecta o fluxo do gradiente aos conceitos de cálculo introduzidos no Capítulo 2.

Aula 2 • Perceptrons e Funções de Ativação

Apresenta a analogia do neurônio biológico, o modelo do perceptron e as funções de ativação. Estabelece a unidade computacional sobre a qual todas as arquiteturas mais profundas se baseiam.

Aula 3 • Redes Neurais Recorrentes e Sequências

Abrange RNNs, LSTMs e GRUs para modelagem de dados sequenciais e de séries temporais. Explica como os mecanismos de portas resolvem o problema do gradiente vanishing em sequências.

Aula 4 • Redes Neurais Convolucionais

Apresenta convolução, pooling e arquiteturas CNN para dados de imagem e espaciais. Demonstra como a extração local de atributos possibilita invariância a translações.

Aula 1 • Mecanismos de Atenção e Transformers

Apresenta autoatenção, atenção multicabeça e a arquitetura transformer. Explica por que os transformers substituíram as RNNs como espinha dorsal dominante do PLN.

Aula 2 • Aplicações e Pipelines de PLN

Aplica modelos de PLN à análise de sentimentos, reconhecimento de entidades nomeadas e sumarização. Integra pré-processamento, modelagem e pós-processamento em pipelines completos.

Aula 3 • Modelos de Linguagem Pré-treinados

Abrange BERT, GPT e T5 como modelos pré-treinados fundamentais para tarefas de PLN. Demonstra estratégias de fine-tuning que adaptam modelos gerais a domínios específicos.

Aula 4 • Pré-processamento e Representação de Texto

Abrange tokenização, stemming, lematização e representações vetoriais de texto. Estabelece o pipeline de dados que alimenta todos os modelos de PLN downstream.

Aula 1 • Redes Adversariais Generativas

Explica o jogo gerador-discriminador e a dinâmica de treinamento de GANs. Abrange colapso de modos, instabilidade de treinamento e estratégias práticas de mitigação.

Aula 2 • Modelos de Difusão e IA Multimodal

Apresenta modelos de difusão com remoção de ruído e modelos visão-linguagem como o CLIP. Posiciona estes como a fronteira atual da IA generativa e multimodal.

Aula 3 • Autoencoders Variacionais

Abrange o espaço latente do VAE, o truque da reparametrização e o limite inferior da evidência. Contrasta VAEs com GANs em termos de diversidade de saída e estabilidade de treinamento.

Aula 4 • Segmentação Semântica e Estimativa de Pose

Apresenta rotulagem em nível de pixel e estimativa de pose humana como tarefas avançadas de visão. Demonstra como a predição densa difere da detecção por caixas delimitadoras.

Aula 1 • Escalabilidade e Infraestrutura

Apresenta clusters GPU em nuvem, treinamento distribuído e auto-escalonamento para modelos grandes. Prepara os alunos para fazer trade-offs de custo-desempenho em ambientes de produção.

Aula 2 • Empacotamento e Serviço de Modelos

Explica conteinerização, APIs REST e registros de modelos para servir predições. Conecta padrões de empacotamento a comportamento consistente entre ambientes.

Aula 3 • Monitoramento e Observabilidade

Abrange detecção de deriva de dados, deriva de conceito e degradação de desempenho em produção. Ensina estratégias de registro e alerta que mantêm a confiabilidade do modelo ao longo do tempo.

Aula 4 • Design e Automação de Pipeline de ML

Abrange componentes completos de pipeline, da ingestão de dados ao serviço de modelos. Estabelece reprodutibilidade e automação como valores centrais da engenharia de produção.

Aula 1 • Governança de IA e Cenário Regulatório

Examina frameworks globais de governança de IA, classificação de risco e estruturas de responsabilidade organizacional. Equipa os alunos para navegar em requisitos de conformidade sem referenciar códigos legais específicos.

Aula 2 • Explicabilidade e Interpretabilidade

Abrange SHAP, LIME e visualização de atenção como ferramentas para transparência de modelos. Explica por que a interpretabilidade é essencial para confiança, depuração e conformidade regulatória.

Aula 3 • Estratégia de IA e Alinhamento com Negócios

Ensina como construir um roadmap de IA, medir ROI e alinhar projetos de IA com objetivos de negócio. Encerra o curso conectando habilidades técnicas à tomada de decisão estratégica.

Aula 4 • Fontes de Viés e Métricas de Equidade

Identifica fontes de viés de dados, algorítmico e social e as quantifica com métricas de equidade. Conecta a detecção de viés às habilidades de pré-processamento e avaliação dos capítulos anteriores.