O curso

Conceitos, histórico e princípios da Inteligência Artificial. Resolução de problemas. Busca cega. Busca Heurística. Busca competitiva. Problemas de Satisfação de Restrições. Conhecimento e raciocínio. Lógica e planejamento. Aprendizado de máquina. IA Generativa. Aplicações da IA.

Fundamentos da linguagem Python: ecossistema, interpretador e ambientes de desenvolvimento (Jupyter/Colab); variáveis, tipos de dados e operadores; estruturas condicionais e de repetição; funções, escopo de variáveis, argumentos nomeados, *args/**kwargs e expressões lambda. Estruturas de dados e manipulação: listas, tuplas, dicionários e conjuntos; comprehensions e funções embutidas; manipulação de strings e formatação; expressões regulares; leitura e escrita de arquivos nos formatos TXT, CSV e JSON. Programação estruturada e boas práticas: tratamento de exceções; orientação a objetos (classes, atributos, métodos, herança e o modelo de objetos do Python); módulos, pacotes, ambientes virtuais e estrutura de projetos; consumo de APIs com requests. Introdução ao Python científico: NumPy e operações vetorizadas; pandas para carga, seleção, filtragem, transformação e agrupamento de dados; visualização com matplotlib e seaborn; introdução ao scikit-learn e ao fluxo fit/predict. Desenvolvimento de projeto integrador com entrada, processamento e saída de dados.

Ciência de dados: conceitos, carreiras e intersecção com a área de inteligência artificial. A cultura “Data Driven”. Visualizações de dados: storytelling com dados em reports e dashboards. Plataformas de Business Intelligence como ferramentas da ciência de dados. O ecossistema Power BI. Obtenção/Escolha de dados e ETL: Extract, Transform, Load. Modelos de dados: schemas e cardinalidade. Data analysis expressions (DAX). Análise estatística e recursos de business intelligence. Publicação e compartilhamento de reports e dashboards. Introdução à visualização de dados e estatística em Python.

Introdução à estatística descritiva. Estudo de populações e amostras. Introdução às séries estatísticas. Análise de gráficos. Medidas de posição e de dispersão. Modelos de distribuições. Níveis de confiança. Testes paramétricos e não paramétricos.

Modelos de distribuições. Análise de viés e variância. Análise de qualidade de modelos. Níveis de confiança e tipos de erros. Testes de normalidade: Kolmogorov-Smirnov, Shapiro-Wilk. Testes paramétricos: teste t, ANOVA. Testes não paramétricos: Friedman, Kruskal-Wallis. Testes post-hoc: Nemenyi, Dunn.

O papel da arquitetura de dados em projetos de inteligência artificial. Tipos e fontes de dados. Modelagem relacional e normalização. SQL para análise de dados. Bancos de dados NoSQL. Metadados, catálogo e linhagem de dados. Dimensões e medição da qualidade de dados; data profiling; validação e testes automatizados de dados; contratos de dados. Governança de dados e LGPD; anonimização e pseudonimização. Análise exploratória orientada ao diagnóstico. Dados faltantes: mecanismos, diagnóstico e imputação. Criação de atributos. Detecção e tratamento de outliers. Duplicidades, inconsistências e padronização. Normalização, padronização e transformações não lineares. Codificação de variáveis categóricas. Multicolinearidade e seleção de atributos. Pipelines de preparação e prevenção de data leakage. Enriquecimento de dados e prevalência. Reprodutibilidade, versionamento de dados e preparação do dataset final para aprendizado de máquina.

Fundamentos e histórico da visualização de dados. Tipos de gráficos e sua aplicação. Percepção visual, design e acessibilidade. Gramática dos gráficos e ferramentas de visualização. Data storytelling: análise exploratória, narrativa, estrutura e equilíbrio entre dados e história. Visualização de dados multidimensionais e comunicação de incerteza. Ética e desinformação visual. Visualização de dados temporais, geoespaciais e interativos; dashboards e narrativas web. Visualização na era da inteligência artificial: geração de visualizações e narrativas com IA generativa, avaliação crítica das gerações, visualização e explicabilidade de modelos de aprendizado de máquina. Tendências e estudos de caso.

Introdução ao aprendizado de máquina: conceitos, tipos de aprendizado e o processo de descoberta de conhecimento em bases de dados (KDD). Classificação e regressão com vizinhos mais próximos (KNN). Redes neurais artificiais: neurônio artificial, funções de ativação, ajuste de pesos, descida do gradiente e suas variantes, funções de perda e separação da base de dados. Máquinas de vetores de suporte: margens rígida e flexível e truque do kernel. Avaliação e comparação de modelos de classificação e de regressão. Métodos de conjunto e Random Forest. Agrupamento. Regras de associação. Aprendizado por reforço e Q-Learning. Raciocínio baseado em casos. Práticas em Python com bases de dados reais.

Introdução ao deep learning. Conceitos básicos. Deep Learning aplicado à visão computacional: redes neurais convolucionais (CNN), redes adversariais generativas (GAN). Redes neurais recorrentes: simples, GRU e LSTM. Deep Learning aplicado ao processamento de linguagem natural: embeddings, modelos de linguagens, modelos de atenção. Transformers.

Fundamentos de Big Data: os Vs, escalabilidade vertical e horizontal, sistemas distribuídos e o teorema CAP. Evolução das arquiteturas de dados: Data Warehouse, Data Lake e Lakehouse. Formatos de arquivo e formatos colunares. Arquiteturas de processamento batch, Lambda e Kappa. O mercado de dados e o Modern Data Stack. Processamento distribuído com Apache Spark: MapReduce e Hadoop, arquitetura do Spark, avaliação preguiçosa e DAG, RDDs, DataFrames e Spark SQL, otimização de jobs e o ecossistema Databricks. Dados em movimento: batch, micro-batch e streaming, Apache Kafka, garantias de entrega, Spark Structured Streaming e Change Data Capture. Big Data para inteligência artificial: qualidade de dados e data-centric AI, Delta Lake e arquitetura medalhão, feature stores, pipelines de dados, bancos vetoriais e RAG.

Fundamentos de visão computacional e processamento de imagens digitais: formação e representação de imagens, espaços de cor, pré-processamento, segmentação, morfologia matemática, extração de atributos e classificação. Aplicação prática de processamento de imagens com a biblioteca OpenCV: filtros, segmentação, morfologia, extração de atributos e classificadores. Redes neurais convolucionais: arquiteturas, tipos de redes, estado da arte, data augmentation, transfer learning e fine-tuning. Visão computacional moderna: detecção de objetos, segmentação semântica e de instâncias, Vision Transformers, modelos de fundação (SAM, CLIP) e modelos visão-linguagem; aplicações em rastreamento, OCR e inspeção visual. Desenvolvimento de projeto prático de classificação, detecção ou segmentação em base de imagens real.

Fundamentos de Filosofia, Ética e Direito e sua interrelação com a Inteligência Artificial. Sociedade Informacional: conceito, desenvolvimento das TICs e da Internet e impacto da IA. Bolhas informacionais. Neutralidade da rede e neutralidade algorítmica. Transparência, limites éticos e legais e inovação com IA. Direitos fundamentais: dignidade da pessoa humana, privacidade e intimidade, informação e liberdade de expressão; colisão de direitos. Proteção de dados pessoais: limites do uso da IA na mineração de dados, Marco Civil da Internet, Lei Geral de Proteção de Dados e legislação americana e europeia. Aplicações e riscos da IA: aprendizado de máquina, fake news e deep fakes, plataformas digitais. Desafios éticos e legais do uso e do desenvolvimento da IA e reflexões sobre seu futuro.

Fundamentos de IA generativa e modelos de linguagem de grande porte (LLMs): panorama de modelos, arquitetura Transformer, processos de treinamento (pré-treinamento, ajuste por instruções e RLHF), parâmetros de geração e critérios de seleção entre modelos proprietários e de pesos abertos. Consumo de modelos via API com Python. Engenharia de contexto: engenharia de prompts, saídas estruturadas, embeddings, busca semântica e bancos de vetores; arquitetura RAG (Retrieval-Augmented Generation), segmentação de documentos, recuperação, re-ranking e RAG híbrido; fine-tuning com métodos eficientes (LoRA/PEFT) e critérios de decisão entre prompt, RAG e fine-tuning. Agentes e frameworks de orquestração: chamada de ferramentas (tool calling), LangChain e LlamaIndex, arquitetura ReAct e planejamento de tarefas, Model Context Protocol (MCP), integração com APIs e dados corporativos, sistemas multiagente. Avaliação, segurança e produção: alucinação, métricas de avaliação e LLM-as-judge, prompt injection e guardrails, privacidade e dados sensíveis, otimização de custo e latência, LLMOps e ciclo de vida de aplicações generativas. Desenvolvimento de projetos práticos de RAG e de agentes.

Computação evolutiva e algoritmos genéticos: representação, população, função de fitness, operadores de seleção, crossover e mutação, convergência, diversidade e ajuste de hiperparâmetros; aplicações em otimização, seleção de atributos, ajuste de modelos e neuroevolução. Bioinformática: dados biológicos como problema computacional, sequências e alinhamento, IA em genômica, dobramento de proteínas e AlphaFold, ferramentas em Python e bases públicas; IA em saúde. IA explicável e responsável: o problema da caixa-preta, modelos interpretáveis e explicações post-hoc, SHAP e LIME, viés e fairness, model cards, auditoria e documentação de modelos. Inferência causal: correlação e causa, paradoxo de Simpson, resultados potenciais e contrafactuais, experimentos aleatorizados, grafos causais e critério de backdoor, métodos com dados observacionais, uplift modeling e efeitos heterogêneos.

Processo de software com soluções de Inteligência Artificial: workflow de IA, o modelo CRISP-ML (entendimento do negócio, entendimento e preparação dos dados, modelagem, avaliação, implantação e gerenciamento do modelo) e o ciclo de desenvolvimento de sistemas de Deep Learning. Conceito de projeto e ambientes de execução de projetos. Gerenciamento de projetos tradicional (PMBOK 6ª e 7ª edições: processos, princípios e domínios de desempenho) e ágil (Scrum e Kanban). Gerenciamento de projetos de Inteligência Artificial: pré-projeto (entendimento do ambiente e dos requisitos), Sprint 0 (setup do projeto), Sprint 1 (infraestrutura, requisitos e dados), Sprint 2 (criação e avaliação do modelo) e Sprint 3 (release em produção). Critérios de utilidade de modelos de Machine Learning. MLOps (Machine Learning Operations): princípios, componentes e workflow.