Neste módulo, os iniciantes serão guiados em uma jornada inicial no campo da IA. Começaremos com a compreensão dos fundamentos e da história da inteligência artificial, explorando conceitos básicos que servirão como base para os próximos módulos. Em seguida, os alunos terão a oportunidade de construir seu primeiro modelo de machine learning. Além disso, aprenderão sobre os diferentes tipos de IA, estratégias de aprendizado e como utilizar as principais bibliotecas em Python, como Scikit-learn, Pandas, NumPy, Seaborn e Matplotlib.

O que você vai dominar:
 

• Definições de IA e história da IA;
• Tipos de IA: simbólica e por aprendizado;
• Estratégias de aprendizado;
• Classificação, regressão, agrupamento e redução de dimensionalidade;
• Criando modelos de aprendizado de máquina com Python e ScikitLearn;
• Tratamento e visualização de dados com NumPy, Pandas, Matplotlib e Seaborn;
• O que são redes neurais artificiais;
• Funções de ativação e arquiteturas de redes neurais;
• Funções de custo e treinamento de RNAs;
• Redes Multilayer Perceptron (MLP), Redes Convolucionais (CNN), Redes Recorrentes (RNN), Redes Autoencoder, Redes Adversariais Generativas (GAN) e Redes Transformers usando Keras/TensorFlow e PyTorch.

E muito mais.

Neste módulo, exploraremos as profundezas da Inteligência Artificial, com foco em redes neurais artificiais e processamento de linguagem natural (PLN). Será ensinado desde as arquiteturas das redes neurais até a implementação prática, utilizando TensorFlow, Keras e PyTorch.O módulo também aborda a arquitetura Transformer e seus mecanismos de atenção, fundamentais para entender as capacidades das redes neurais na computação moderna.

No campo do PLN, cobriremos conceitos essenciais como tokenização, Bag of Words (BoW), Word2Vec e a arquitetura Transformers. Os alunos descobrirão o que são Modelos de Linguagem (LMs) e sua evolução para Grandes Modelos de Linguagem (LLMs), explorando a complexidade do aprendizado em contexto e suas propriedades emergentes.

O que você vai dominar: 
 

• Tokenização, Stemização e Lematização;
• Modelos de representação: BoW, TD-IDF, Word2Vec;
• Conceitos gerais em PLN usando bibliotecas como SpaCy, NLTK, Gensim;
• Treinamento autosupervisionado e arquitetura Transformer.
• Grandes Modelos de Linguagem (LLM);
• LLMs pré-treinados, como GPT-4 e LLaMA;
• Aprendizado em contexto, temperatura e alucinação em modelos de linguagem;
• Engenharia de Prompt e Chain of Thought (CoT);
• RAG - Retrieval-Augmented Generation;
• Agentes LLMs e aplicações de modelos generativos;
• Ferramentas de integração, como LangChain, e serviços em nuvem, como Watsonx e ChatGPT.

E muito mais.

Neste módulo, vamos explorar a visão computacional e a infraestrutura necessária para suportar modelos avançados de IA. Será discutido o processamento digital de imagens (PDI), incluindo técnicas de filtragem, segmentação e reconhecimento de padrões. Além disso, serão abordados modelos de aprendizado profundo, como CNNs, GANs, transformers e modelos de difusão, implementados com TensorFlow/Keras e OpenCV.

O módulo também abordará a infraestrutura de IA, incluindo o uso de modelos pré-treinados, hardware dedicado, como GPUs, e ferramentas de integração, como LangChain e Watsonx. Adicionalmente, serão discutidas técnicas avançadas de aprendizado em contexto, controle da criatividade de modelos generativos, cadeia de pensamento (CoT), recuperação aumentada (RAG), aplicações de Agentes LLM, além de limitações, questões éticas, legais e ataques relacionados a modelos generativos.

O que você vai dominar:
 

• O que é uma imagem digital: imagem raster e vetorial;
• Técnicas de PDI: rotação, translação, filtragem, análise espectral;
• Técnicas de computação gráfica: geometria, animação e renderização;
• Segmentação com técnicas de agrupamento;
• Classificação de imagens com redes CNN;
• Modelos de detecção de objetos com OpenCV;
• Redes de transferência de estilo, como Pix2Pix;
• Técnicas de geração de imagens por modelos generativos.
• Modelos generativos por difusão, como StableDiffusion;
• Repositórios de modelos pré-treinados, como Hugging Face;
• Mídias Sintéticas: imagens e vídeos gerados por computador, DeepFakes, questões éticas e legais.