Fundamentos de Inteligência Artificial (IA) - 30h

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.

Projeto prático FIA – 6h

Seminário: Ética, Legislação e Proteção – 3h

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

Instalar OpenCV e introdução ao NumPy e Matplotlib

Instalar OpenCV usando pip e validar a instalação
Introdução ao OpenCV como uma biblioteca para tarefas de visão computacional
Visão geral do NumPy: criação e manipulação de arrays, operações com arrays e indexação
Introdução ao Matplotlib para visualização: criação de gráficos, personalização de gráficos e exibição de imagens

Carregar, exibir e modificar imagens

Ler e exibir imagens usando OpenCV (imread e imshow)
Compreender a representação de imagens (valores de pixéis, dimensões e canais)
Conversão de espaços de cores das imagens (BGR, RGB, Grayscale)
Redimensionamento, rotação e inversão de imagens
Guardar imagens modificadas (imwrite)

Thresholding e filtragem de imagens

Compreensão do thresholding de imagens e suas aplicações
Aplicação de métodos de thresholding global e adaptativo no OpenCV (threshold, adaptiveThreshold)
Introdução à filtragem de imagens para redução de ruído e realce de características
Filtros comuns no OpenCV: Gaussian, median e bilateral
Técnicas de detecção de bordas: Sobel, Scharr e Canny

Captura e processamento de vídeo

Captura de vídeo de uma câmera ou arquivo usando OpenCV (VideoCapture)
Exibição de frames de vídeo em tempo real (imshow)
Compreensão das propriedades do vídeo (largura do frame, altura e taxa de frames)
Processamento de frames de vídeo (transformações de imagem, conversões de espaço de cores)
Salvamento de vídeo processado (VideoWriter)

Implementação de uma técnica simples de deteção de objetos

Visão geral das técnicas básicas de deteção de objetos (por exemplo, baseada em cores, template matching, Haar)
Selecionar e implementar uma técnica simples de deteção de objetos usando OpenCV
Integrar a deteção de objetos no pipeline de processamento de vídeo
Desenhar caixas delimitadoras e rótulos nos objetos detetados

Técnicas de deteção de objetos baseadas em Deep Learning

Visão geral das técnicas de deteção de objetos baseadas em Deep Learning
Arquiteturas populares de deteção de objetos (R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD)
Comparação de desempenho e precisão das arquiteturas de deteção de objetos
Implementação de um modelo de deteção de objetos pré-treinado com frameworks populares de Deep Learning (TensorFlow, PyTorch)

Rastreamento de objetos em tempo real

Visão geral das técnicas de rastreamento de objetos
Diferença entre detecção e rastreamento de objetos
Algoritmos de rastreamento de objetos baseados em Deep Learning
Implementação de rastreamento de objetos em tempo real com OpenCV e Deep Learning

Compreensão do YOLO para deteção de objetos em tempo real e suas variantes

História e motivação por de trás do YOLO
Arquitetura e componentes do YOLO
Como o YOLO realiza a deteção de objetos
Diferenças entre o YOLO e outros métodos de deteção de objetos (por exemplo, Faster R-CNN, SSD)
YOLOv1, YOLOv2 (YOLO9000) e YOLOv3
YOLOv4, YOLOv5,… YOLOV8 and YOLO NAS: arquitetura, características e melhorias de desempenho

Deteção de objetos com YOLO

Configuração do ambiente e dependências
Utilização de modelos YOLO pré-treinados
Personalização do YOLO para casos de uso específicos
Treino de modelos
Deteção de objetos em imagens
Deteção de objetos em tempo real em fluxos de vídeo
Avaliação e ajuste fino do desempenho do YOLO

Introdução a Stable Diffusion

O que é Stable Diffusion?
Como funciona?
Diferentes tipos de Stable Diffusion
As aplicações de Stable Diffusion

Gerar e manipular imagens com Stable Diffusion e Python Scripts

Geração de imagens
Reconstrução de imagens
Separação de componentes
Denoising

Projeto prático VC&D – 6h

Seminário: Entender e Enfrentar o Mundo dos Deepfakes – 3h

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

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 (em especial GGUF e GGML)
GPT-3 e GPT-4 do OpenAI, LLaMA e LLaMA2 do Meta, e PaLM2 do Google
Instalar Oobabooga Textgen WebUI for M1/M2
Instalar LLMS do Hugging Face
Instalar LLMS manualmente
Alucinações e outras limitações
Desafios e ética associada aos LLMs

Projeto prático IAG&LLM – 6h

Engenharia de Prompts para Developers – 6h

ChatBots disponíveis online para programadores

ChatGPT (code interpreter)
Github Copilot
Perplexity
Phind

Engenharia do Prompt

Elementos essenciais de um bom Prompt
Zero-, One- & Few-Shot Prompting
Output Templates
Super Prompts como CAN & DAN

Exemplos de aplicabilidade

Gerar código a partir de conceitos elementares
Explicar Código
Debugging com Prompts
Documentar com Prompts
Refactoring com Prompts

LangChain: Como construir aplicações inovadoras alimentadas por LLMS – 30h

Compreender o LangChain

Models – Input e Output
Conexões de dados
Cadeias (Chains)
Memória (Memory)
Agentes
Chamadas de retorno (Callbacks)

Frameworks que normalmente surgem com LangChain

Criar aplicações Web com Streamlit
Construir um banco de dados vetorial com Pinecone
Demonstração do modelo com Gradio

Enquadramento do perfil standard no universo da Inteligência Artificial

ChatBots online e pagos
ChatBots offline e gratuitos
Geração e Analise de Texto, Ficheiros, Imagens, Vídeos e Áudios (humanos e outros)

Desenvolver Aplicações de IA com base no perfil dos formandos

Projeto prático LangChain – 6h

Certificação Rumos Expert (CRE): AI Expert – 8h

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 CAIP – 3h

Preparação de exame CAIP (Certified Artificial Intelligence Practitioner™) of CertNexus

Developing Generative AI Applications on AWS