Inteligência Artificial

Conteúdo do curso:

Parte 1: Conceitos introdutórios

1. Perceptron

2. Redes Neurais

3. Deep Learning

4. Principais arquiteturas de Deep Learning

   1. Redes Neurais clássicas (feed forward)

   2. Redes Neuras Convolutivas (CNN)

   3. Redes Neurais Recursivas (RNN) e Long-Short Term Memory Neural Networks (LSTM)

   4. Autoencoders (AE)

   5. Redes Neurais Generativas Adversariais (GAN)

   6. Transformers

   7. Modelos baseados em difusão

5. Métodos de otimização

6. Requisitos computacionais.

7. FIne Tuning / Transfer Learning

8. MLOps, Pipelines e Computação em Nuvem.

9. Desafios no uso de redes neurais e técnicas para lidar com esses desafios

10. Redes Neurais e Deep Learning no Python

11. Uso de modelos abertos do Huggingface

12. Agentes

13. Construção de sistemas de agentes no CrewAI

Parte 2: Obtendo dados

14. Obtendo dados de tabelas HTML

15. Obtendo dados via WebScrapping

16. Obtendo dados via API

Parte 3: Trabalhando com texto

17. NLP clássica

    1. Tokenização

    2. Stemming e Lematização

    3. Bag of Words, TF-IDF, Embeddings

    4. Document-Term Matrix

18. Modelos clássicos de ML usando textos

19. Topic Modelling

20. Large Language Models (LLM)

21. Engenharia de Prompts

22. NLP usando LLMs

23. Alucinações e Jailbreaking em LLMs

Parte 4: Questões éticas

24. Questões éticas no uso deIA

25. Explainable AI (XAI)

26. Modelos interpretáveis vs. Modelos explicáveis

27. Feature Importace em modelos "caixa-preta":

    1. Modelos substitutos (surrogate models)

    2. Variação nas métricas de ajuste

    3. Permutation Importance

    4. SHAP values

28. Para que serve a Estatística em um mundo de IA?