Explore os princípios essenciais da Inteligência Artificial e desenvolva competências sólidas.
Desde os fundamentos às principais abordagens de Machine Learning e Deep Learning, ganhe competências e conhecimento dos vários tipos de aprendizagem e de técnicas em modelos AI.
Objetivos
- Compreensão dos conceitos fundamentais da Inteligência Artificial.
- Explorar as principais abordagens em IA, incluindo abordagem simbólica, Machine Learning e Deep Learning.
- Estudo dos tipos de aprendizagem, como supervisada, não supervisionada e por reforço.
- Aquisição de técnicas de avaliação de modelos de IA.
Destinatários
Estudantes universitários, profissionais da área de tecnologia, programadores, empresários e entusiastas da área de Inteligência Artificial.
Pré-Requisitos
Conhecimentos básicos em programação Python.
Programa
- Introdução à inteligência artificial e conceitos básicos
- Principais abordagens em IA: abordagem simbólica
- Principais abordagens em IA: aprendizagem de máquina (Machine Learning)
- Principais abordagens em IA: aprendizagem profunda (Deep Learning)
- Tipos de aprendizagem: aprendizagem supervisionada
- Tipos de aprendizagem: aprendizagem não supervisionada
- Tipos de aprendizagem: aprendizagem por reforço
- Técnicas de avaliação de modelos de IA
Introdução à inteligência artificial e conceitos básicos
- O que é Inteligência Artificial?
- Origens da IA: Primeiros Conceitos e Definições.
- Avanços Tecnológicos que Impulsionaram a IA.
- Principais Marcos e Eventos da IA ao Longo das Décadas.
- Distinção entre IA Fraca e IA Forte.
- Relação entre Inteligência Artificial, Machine Learning, Deep Learning e Data Science.
Principais abordagens em IA: abordagem simbólica
- Representação do Conhecimento e Lógica Formal.
- Sistemas Baseados em Regras.
- Limitações e Desafios Dessa Abordagem.
Principais abordagens em IA: aprendizagem de máquina (Machine Learning)
- Definição e Exemplos de Uso no Dia a Dia.
- Como os Algoritmos Aprendem a Partir dos Dados.
- Diferenças entre Modelos Estatísticos Tradicionais e Aprendizagem de Máquina.
Principais abordagens em IA: aprendizagem profunda (Deep Learning)
- O Que São Redes Neuronais e Sua Inspiração Biológica.
- Arquiteturas de Redes Neuronais: Feedforward, CNN, RNN, Entre Outras.
- Como o Deep Learning Revolucionou Campos como Visão por Computador, Processamento de Linguagem Natural e os Modelos de Larga Escala (LLM) Usados em Bots como o ChatGPT.
Tipos de aprendizagem: aprendizagem supervisionada
- Previsão/Estimação de uma Variável a Partir de um Conjunto de Outras Variáveis.
- Definição e Exemplos Práticos.
- Variáveis Qualitativas vs. Variáveis Quantitativas.
- Algoritmos Comuns: Regressão Linear, Árvores de Decisão, SVM, Entre Outros.
Tipos de aprendizagem: aprendizagem não supervisionada
- Como Encontrar Padrões em Dados Não Etiquetados.
- Algoritmos de Clustering (ex: K-means).
- Algoritmos de Redução de Dimensionalidade (ex: PCA)
Tipos de aprendizagem: aprendizagem por reforço
- O Processo de Aprender Através de Recompensas e Penalidades.
- Exemplos e Aplicações em Jogos, Robótica e Otimização.
Técnicas de avaliação de modelos de IA
- A Importância de Avaliar a Performance de um Modelo.
- Métricas Comuns em Aprendizagem Supervisionada: Precisão, Revocação, AUC-ROC, Entre Outras.
- Técnicas de Validação Cruzada.
- Overfitting e Underfitting: Diagnóstico e Soluções.
