Sessão de Apresentação da Academia – 3h
Esta sessão tem como objetivo dar as boas-vindas aos formandos, apresentar a estrutura e objetivos da Academia, contextualizar os conteúdos e metodologias, esclarecer expetativas e fomentar um ambiente de colaboração entre todos os participantes.
Fundamentos de Inteligência Artificial (IA) – 30h
Neste módulos os participantes vão compreender os conceitos essenciais e as principais abordagens da IA moderna, desde os seus fundamentos até às suas aplicações práticas com Machine Learning e Deep Learning.
- 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 Neurais 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.
- 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.
- 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.
Projeto prático: Fundamentos de Inteligência Artificial – 6h
Neste projeto prático os participantes vão consolidar os conceitos fundamentais da IA através de um projeto aplicado, desenvolvendo soluções simples com dados reais.
Seminário: Ética, Legislação e Proteção – 3h
Neste seminário os participantes irão refletir sobre os desafios éticos, legais e sociais da aplicação de sistemas de IA em ambientes reais, promovendo práticas responsáveis.
- Discussão sobre a ética por trás do uso de AI.
- Responsabilidade dos criadores e utilizadores.
- Desafios éticos da Inteligência Artificial.
- Legislação e Políticas.
Visão de Computador e Stable Diffusion – 21h
Neste módulo os participantes vão desenvolver competências práticas em Visão Computacional, deteção de objetos e geração de imagens com Stable Diffusion, aplicando técnicas modernas e ferramentas como OpenCV e YOLO.
- OpenCV e Trabalho de Imagens
- Instalar e validar OpenCV com pip para visão computacional.
- Ler, exibir e salvar imagens (imread, imshow, imwrite).
- Representação de imagens: pixéis, dimensões, canais e conversão de cores (BGR, RGB, Grayscale).
- Manipulação de imagens: redimensionar, rodar, inverter.
- Thresholding global e adaptativo (threshold, adaptiveThreshold).
- Filtragem e redução de ruído (Gaussian, median, bilateral).
- Deteção de bordas e contornos (Sobel, Scharr, Canny).
- Captura e processamento de vídeo
- Captura e exibição de vídeo (VideoCapture, imshow).
- Análise de propriedades do vídeo (largura, altura, fps).
- Processamento de frames (transformações, conversões de cor).
- Deteção simples de objetos (baseada em cor, template matching, Haar).
- Desenho de caixas e rótulos em objetos detetados.
- Gravação do resultado (VideoWriter) em pipeline integrado com OpenCV.
- Técnicas de deteção de objetos baseadas em Deep Learning
- Deteção de Objetos: Técnicas com Deep Learning (R-CNN, YOLO, SSD, Mediapipe), desempenho e uso de modelos pré-treinados.
- Rastreamento em Tempo Real: Diferenças face à deteção, algoritmos de DL e uso de OpenCV.
- YOLO: História, arquitetura, evolução (v1 a v13) e comparação com outros métodos.
- Aplicação do YOLO: Configuração, modelos pré-treinados, treino, deteção em imagens/vídeo.
- Otimização: Ajustes, métricas de avaliação e melhorias contínuas em precisão e velocidade.
- Vision Transformers
- Visão de computador na era dos LLMs.
- Vision Transformer.
- Atenção em Vision Transformers.
- Vision Language Models (VLM).
- Stable Diffusion
- O que é Stable Diffusion?
- Como funciona?
- Diferentes modelos de Stable Diffusion.
- As aplicações de Stable Diffusion.
- Geração de imagens.
- Reconstrução de imagens.
- Visão 3D
- Visão Stereo 3D.
- Camaras 3D.
- Depth Map (Mapa de Profundidade).
- Imagens Térmicas.
Projeto prático: Visão de Computador e Stable Diffusion – 6h
Neste projeto prático os participantes vão criar uma solução de Visão Computacional com técnicas aprendidas, promovendo a aplicação autónoma dos conhecimentos adquiridos.
Seminário: Entender e Enfrentar o Mundo dos Deepfakes – 3h
Neste seminário os participantes vão explorar a criação, deteção e os riscos associados aos deepfakes, bem como as estratégias para combater a desinformação.
- Introdução aos Deepfakes.
- Como os Deepfakes são criados.
- Usos e aplicações dos Deepfakes.
- Aplicações positivas.
- Riscos e consequências.
- Ferramentas de identificação e verificação de Deepfakes.
Inteligência Artificial Generativa e Modelos de Linguagem de Grande Escala (LLMs) – 30h
Neste módulo serão abordados os modelos generativos (GANs, VAEs) e LLMs (como GPT e BERT), compreendendo o seu funcionamento e aplicabilidade na criação de texto, imagem e linguagem natural.
- Introdução aos Modelos Generativos
- O que é Inteligência Artificial Generativa?
- O que são modelos generativos?
- Aplicações e usos.
- Diferença entre modelos discriminativos e generativos.
- Variational Autoencoders (VAEs)
- Introdução aos autoencoders.
- Como funcionam os VAEs.
- Aprendizagem de representações.
- Aplicações práticas.
- Transformers
- Origem e evolução dos Transformers.
- Arquitetura básica dos Transformers.
- Self-attention e suas vantagens.
- Aplicações em tarefas de processamento de linguagem natural (PLN).
- Chatbots
- Introdução aos chatbots e sua relevância.
- Arquiteturas comuns de chatbots.
- Utilizando Transformers em chatbots.
- Desafios e considerações para a construção de chatbots.
- Generative Adversarial Networks (GANs)
- Introdução e motivação por trás dos GANs.
- Arquitetura e funcionamento dos GANs.
- Diversas variações dos GANs (DCGAN, CycleGAN, etc.).
- Aplicações e exemplos práticos.
- Modelos Combinados
- Combinando diferentes técnicas generativas.
- VAE-GANs e suas aplicações.
- Outros exemplos de modelos combinados.
- Considerações práticas.
- Large Language Models (LLMs)
- Introdução aos modelos de linguagem de grande escala.
- A revolução dos LLMs (como GPT, BERT, etc.).
- Como treinar, afinar e usar LLMs.
- Extensões de ficheiros.
- Os LLMs actuais.
- Instalar e utilizar Ollama e LM Studio.
- Instalar LLMS do Hugging Face.
- Instalar LLMS manualmente.
- Alucinações e outras limitações.
- Avaliação e Fine-Tuning de LLMs
- Mapa mental das dimensões dos LLMs.
- Small Language Models (SLMs) e Large Language Models (LLMs).
- Benchmarks especializados para avaliação de LLMs.
- Open LLM Leaderboard da Hugging Face na Prática.
- Outros Leaderboards.
- Outras Métricas.
- Metodologias de Avaliação de LLMS.
- Fine-Tuning de LLMs.
- Frameworks UX para LLMs
- Como usar streamlit.
- Como usar gradio.
- Frameworks Clientes de LLMs
- Clientes de LLMs.
- Ollama-python.
- Python requests.
Projeto prático: Inteligência Artificial Generativa e Modelos de Linguagem de Grande Escala (LLMs) – 6h
Neste projeto prático os participantes vão desenvolver uma solução com recurso a LLMs, aplicando conceitos de geração, afinação e avaliação de modelos.
Engenharia de Prompts para Developers – 6h
Este módulo os participantes vão aprender a criar prompts eficazes para geração de código e automação de tarefas, explorando ferramentas como ChatGPT, GitHub Copilot e prompting avançado.
- ChatBots disponíveis online para programadores
- O que são prompting e prompt engineering.
- Elementos essenciais de um bom Prompt.
- Chatbots para gerar código
- ChatGPT
- Github Copilot.
- Chatbots embebidos nos IDEs.
- Continue
- Engenharia do Prompt
- Elementos essenciais de um bom Prompt.
- Zero-, One- & Few-Shot Prompting e outros.
- Output Templates.
- Super Prompts como CAN & DAN e Meta Programming.
- Vibe Coding e Vibe Engineering.
- Exemplos de aplicabilidade
- Engenharia de Contexto
- Engenharia de Prompt vs Engenharia de Contexto
- Objetivos e Casos de Uso
- Má Engenharia no Prompt e no Contexto
Agentes AI: Como construir aplicações inovadoras alimentadas por LLMS – 30h
Neste módulo os participantes vão explorar a construção de agentes inteligentes com LangChain, RAG e sistemas multi-agente, criando aplicações autónomas que integram diferentes fontes de conhecimento.
- Compreender o que são Agentes AI
- O que são AI Agents?
- Qual é a diferença entre os agentes de IA e os LLMs?
- O que NÃO SÃO, o que SÃO o que querem ser.
- Características.
- Tipos de Agentes de IA.
- Arquitetura de Agentes de IA.
- Agentic Design Patterns.
- Multi-Agent Design Patterns.
- Tools e Model Context Protocol (MCP)
- LangChain
- Agentic Frameworks.
- Ecossistema LangChain.
- Deploy com LangServe.
- Componentes do LangChain.
- Retrieval-Augmented Generation (RAG) e Vector Stores
- O que é RAG?
- RAG vs Large Language Models tradicionais.
- RAG vs CAG.
- RAG Iterativo.
- Arquitetura de sistemas RAG.
- O papel das Vector Stores.
- Criar Agentes AI complexos e com alternativas ao LangChain
- Nova geração de automação de tarefas.
- “Digital Coworkers”.
- Construir AI Agents complexos.
- Code like langraph, crewai, smolagents, llamaindex,…
- No-Code like n8n, langflow, flowise.
- Desenvolver Aplicações de IA com base no perfil dos formandos
Projeto prático: Agentes AI – 6h
Neste projeto prático os participantes irão desenvolver uma aplicação funcional com agentes inteligentes, integrando as ferramentas e metodologias vistas no módulo anterior.
Certificação Rumos Expert (CRE): AI Expert – 8h
Esta certificação tem como objetivo aplicar de forma integrada todos os conhecimentos e competências adquiridas no desenvolvimento de um projeto de IA com complexidade técnica e relevância prática.
- Desenvolvimento de um projeto completo de Inteligência Artificial
- Identificação de problemas e definição de âmbito
- Recolha e preparação de dados relevantes
- Implementação e avaliação do modelo de IA
Ação de preparação para exame AI+ Engineer™ – 3h
Esta sessão pretende preparar os formandos para o exame oficial AI+ Engineer™ da AICERTs, consolidando os conhecimentos e revendo os tópicos-chave para a certificação internacional.
Encerramento da Academia – 2h
Esta sessão tem como objetivo encerrar o ciclo formativo com uma reflexão conjunta sobre o percurso, apresentar os projetos finais, partilhar os principais resultados alcançados e recolher feedback para melhoria contínua da Academia.
