Curso de Inteligência Artificial (IA)

Aula 1 • Ética em IA e Design Responsável

Apresenta princípios de viés, justiça, transparência e responsabilidade. Estabelece o raciocínio ético como uma restrição de design inegociável ao longo do curso.

Aula 2 • Fundamentos de Representação do Conhecimento

Explica lógica proposicional e de primeira ordem, além de redes semânticas, mostrando como representações simbólicas codificam fatos e relações. Mostra integração combinando métodos simbólicos e neurais.

Aula 3 • Agentes Inteligentes e Ambientes

Define agentes racionais, framework PEAS e tipos de ambiente. Os alunos podem projetar arquiteturas de agentes adequadas a ambientes de tarefa específicos.

Aula 4 • História e Evolução da IA

Traça a IA da lógica simbólica ao aprendizado profundo, destacando avanços fundamentais. Fornece contexto para entender por que as técnicas modernas surgiram e onde se destacam.

Aula 1 • Fundamentos de Aprendizado Supervisionado

Aborda dados rotulados, funções de perda e otimização baseada em gradiente. Forma a espinha dorsal para a compreensão de redes neurais e modelos avançados posteriormente.

Aula 2 • Algoritmos de Classificação em Profundidade

Examina regressão logística, árvores de decisão, SVMs e k-NN. Aborda pipelines de treinamento, hiperparâmetros e avaliação para que os alunos implementem e comparem cada classificador em conjuntos de dados de referência.

Aula 3 • Modelos de Regressão e Predição

Constrói modelos de regressão linear e polinomial com interpretação estatística. Conecta a precisão da predição à tomada de decisão empresarial e científica.

Aula 4 • Métodos de Aprendizado Não Supervisionado

Explora clustering, redução de dimensionalidade e estimativa de densidade. Os alunos descobrem estruturas ocultas em dados não rotulados para análise exploratória.

Aula 1 • Retropropagação e Otimização

Deriva a retropropagação via regra da cadeia e aborda Adam, RMSProp e SGD. Os alunos depuram gradientes evanescentes e ajustam otimizadores com eficácia.

Aula 2 • Redes Recorrentes e Modelos de Sequência

Examina redes neurais recorrentes, unidades LSTM e GRU para modelagem de dados sequenciais. Aborda desdobramento, retropropagação através do tempo e considerações práticas, vinculando essas técnicas a PLN e previsão de séries temporais.

Aula 3 • Regularização e Treinamento Prático

Aplica dropout, parada antecipada e treinamento de precisão mista em redes reais. Os alunos reduzem o overfitting e diminuem o tempo de treinamento em hardware GPU.

Aula 4 • Redes Neurais Convolucionais

Aborda convolução, pooling e interpretação de mapas de características para tarefas de imagem. Os alunos constroem CNNs e aplicam transfer learning em conjuntos de dados personalizados.

Aula 1 • Embeddings de Palavras e Espaço Semântico

Treina e aplica embeddings Word2Vec, GloVe e FastText, mostrando como vetores densos capturam similaridade semântica. Inclui técnicas de avaliação e visualizações para explorar espaços de embedding.

Aula 2 • Aprofundamento na Arquitetura Transformer

Disseca a autoatenção multi-cabeça, codificação posicional e pilhas codificador-decodificador. Fornece a compreensão arquitetural necessária para ajustar modelos de linguagem de grande porte.

Aula 3 • Modelos Pré-treinados e Ajuste Fino

Ajusta fino de variantes BERT, RoBERTa e GPT em tarefas específicas de domínio. Os alunos alcançam resultados de PLN de última geração com dados rotulados limitados.

Aula 4 • Aplicações e Pipelines de PLN

Constrói pipelines completos para análise de sentimento, NER e sumarização. Integra pré-processamento, modelagem e deploy em sistemas prontos para produção.

Aula 1 • Vision Transformers e Arquiteturas Modernas

Aplica Vision Transformers, CLIP e DINO para classificação de imagens e reconhecimento zero-shot. Explica embedding de patches, autoatenção e aprendizado contrastivo, vinculando conceitos de transformers de PLN a sistemas modernos de visão.

Aula 2 • Modelos Generativos para Imagens

Constrói GANs e autoencoders variacionais para sintetizar imagens realistas e realizar transferência de estilo. Explora manipulação de espaço latente, truques de estabilidade de treinamento e métricas para avaliar qualidade e diversidade da geração.

Aula 3 • Arquiteturas de Detecção de Objetos

Compara YOLO, Faster R-CNN e SSD para detecção em tempo real e precisa. Os alunos treinam detectores em conjuntos de dados personalizados com anotações de bounding boxes.

Aula 4 • Segmentação Semântica e de Instância

Implementa U-Net e Mask R-CNN para segmentação em nível de pixel, detalhando designs codificador-decodificador e pipelines de geração de máscaras. Conecta essas técnicas a domínios como imageologia médica, direção autônoma e robótica.

Aula 1 • Métodos Baseados em Valor Livres de Modelo

Implementa Q-learning, SARSA e Deep Q-Networks em ambientes Gym. Os alunos entendem aprendizado por diferença temporal e replay de experiência.

Aula 2 • Processos de Decisão de Markov

Formaliza estados, ações, recompensas e dinâmica de transição matematicamente. Fornece a base teórica para todos os algoritmos de aprendizado por reforço.

Aula 3 • RL Multiagente e Hierárquico

Estende o RL para ambientes multiagente cooperativos e competitivos e hierarquias de habilidades. Prepara os alunos para o controle de sistemas complexos do mundo real.

Aula 4 • RL Avançado: PPO e SAC

Aplica Proximal Policy Optimization e Soft Actor-Critic em tarefas complexas. Os alunos alcançam treinamento estável em benchmarks de controle contínuo.

Aula 1 • Ajuste Fino e Alinhamento

Aplica ajuste fino supervisionado, RLHF e otimização direta de preferência para alinhar LLMs com a intenção humana. Os alunos criam modelos específicos de domínio que seguem instruções enquanto aderem a restrições de segurança.

Aula 2 • Engenharia de Prompt e Aprendizado em Contexto

Aplica técnicas de prompting zero-shot, few-shot, cadeia de pensamento e estruturado. O prompting eficaz multiplica a capacidade do modelo sem qualquer atualização de parâmetros.

Aula 3 • Arquitetura de LLM e Leis de Escalonamento

Analisa arquiteturas GPT, LLaMA e Mistral juntamente com as leis de escalonamento de Chinchilla. Os alunos preveem a capacidade do modelo a partir de orçamentos de computação e dados.

Aula 4 • Agentes LLM e Uso de Ferramentas

Constrói agentes autônomos usando ReAct, chamada de funções e frameworks multiagente. Os alunos implantam agentes que planejam, usam ferramentas e concluem tarefas de múltiplas etapas.

Aula 1 • Monitoramento e Manutenção de Modelos

Implementa detecção de drift, alertas e gatilhos de retreinamento em produção. Previne a degradação silenciosa do modelo que corrói o valor do negócio ao longo do tempo.

Aula 2 • Rastreamento de Experimentos e Reprodutibilidade

Usa MLflow, Weights & Biases e DVC para registrar experimentos sistematicamente. A reprodutibilidade permite colaboração em equipe e conformidade regulatória.

Aula 3 • Servir e Implantar Modelos

Implanta modelos via APIs REST, pipelines em lote e runtimes de borda. Orienta os alunos sobre conteinerização com Docker, serialização de modelos e estratégias de servir escaláveis para desempenho e confiabilidade.

Aula 4 • Infraestrutura de Treinamento Escalável

Configura treinamento distribuído com Horovod e clusters de GPU em nuvem. Os alunos reduzem o tempo de treinamento para modelos grandes por meio de estratégias de paralelismo.