Modelos de Linguagem de Grande Porte para Todos: Dos Fundamentos ao Uso Prático (Edição 2026)
Este curso é uma introdução prática e acessível aos Modelos de Linguagem de Grande Porte (LLMs), como o ChatGPT e o Gemini. Destinado a aprendizes de qualquer background, ele explica de forma geral como os LLMs funcionam, o que eles podem e não podem fazer, e como usá-los de forma eficaz no estudo, no trabalho e no dia a dia. Através de demonstrações práticas e exercícios guiados, você aprenderá técnicas de prompt, como avaliar saídas de forma crítica, lidar com alucinações e viéses, e como usar ferramentas comuns (por exemplo, documentos, resumos, tradução, tarefas de dados) de forma segura e responsável. Ao final do curso, você será capaz de criar um fluxo pessoal de trabalho com LLMs para tarefas reais — escrita, pesquisa, planejamento e produtividade — sem precisar de habilidades avançadas em programação.
Visão Geral do Curso
📚 Resumo do Conteúdo
Este curso é uma introdução prática e acessível aos Modelos de Linguagem de Grande Porte (LLMs), como o ChatGPT e o Gemini. Projetado para alunos de qualquer background, ele explica como os LLMs funcionam em nível alto, quais são suas capacidades e limitações, e como usá-los efetivamente no estudo, no trabalho e na vida cotidiana. Através de demonstrações práticas e exercícios guiados, você aprenderá técnicas de prompt, como avaliar saídas de forma crítica, lidar com alucinações e viéses, e usar ferramentas comuns (por exemplo, documentos, resumos, tradução, tarefas de dados) de maneira segura e responsável. Ao final do curso, você será capaz de criar um fluxo de trabalho pessoal com LLMs para tarefas reais — escrita, pesquisa, planejamento e produtividade — sem precisar de habilidades avançadas em programação.
Do raciocínio matemático fundamental à orquestração distribuída de agentes: moldando arquitetos de sistemas de elite para a era dos grandes modelos.
🎯 Objetivos de Aprendizagem
- Cognitivo: Compreender os pilares matemáticos da ML (álgebra linear, cálculo, probabilidade) e a linhagem histórica das arquiteturas neurais desde os Perceptrons até os LSTMs.
- Habilidades: Navegar servidores remotos usando comandos Unix shell e implementar gráficos computacionais básicos usando motores de diferenciação automática.
- Afectivo: Valorizar a importância do "fundamento teórico" em detrimento da "abstração prematura" ao depurar sistemas complexos como explosões de gradientes.
- Gerado
- Cognitivo: Explicar os mecanismos do pipeline pós-treinamento, incluindo a distinção entre o ajuste fino supervisionado (SFT) e frameworks de aprendizado por reforço (RL), como o GRPO.
- Habilidades: Projetar um pipeline de treinamento em múltiplas etapas — desde o início frio até a alinhamento final — utilizando técnicas de ajuste fino eficiente em parâmetros (PEFT), como LoRA.
- Afectivo: Valorizar a mudança de ver a IA como uma "caixa-preta mágica" para um sistema engenhado de camadas mecânicas e raciocínio interno deliberado.
- Cognitivo: Contrapor frameworks de integração linear com orquestração cíclica baseada em grafos e diferenciar protocolos de integração vertical (MCP) e horizontal (A2A).
- Habilidades: Definir nós especializados e arestas condicionais usando princípios da teoria dos grafos e implementar um servidor MCP usando FastMCP para conectar agentes a dados externos.
- Afectivo: Valorizar a importância da "execução cíclica" e do gerenciamento de estado na imitação de fluxos cognitivos humanos complexos.
Aulas 共 7 课时 · 预计 21.0h
Aulas
Lesson
This lesson challenges the "API fallacy" by emphasizing that true LLM mastery requires moving beyond high-level wrappers to understand the underlying mathematical foundations of linear algebra, calculus, and tensor mechanics. Students learn that grounding their practice in these core principles is essential for effective debugging, hardware optimization, and transitioning from cloud-based models to localized architectures.
This lesson explores the engineering mechanics behind Transformers, focusing on how Scaled Dot-Product Attention and the QKV framework enable models to process and predict text. Students will learn how to implement these concepts using matrix operations and stability techniques like positional encoding and layer normalization to ensure efficient, stable model training.
This lesson explores how raw base models are transformed into reliable assistants through a post-training pipeline involving supervised fine-tuning, reinforcement learning, and efficient adaptation techniques like LoRA. Students will learn how to build reasoning capabilities and optimize model performance on limited hardware by focusing on targeted parameter updates rather than full-model retraining.
This lesson explores the transition of prompt engineering into a formal discipline, emphasizing the use of Retrieval-Augmented Generation (RAG) and multi-provider orchestration to ensure system resilience and accuracy. Students learn to move beyond basic heuristics by implementing semantic chunking and architectural safeguards to mitigate hallucinations and prevent single-point-of-failure vulnerabilities in production environments.
This lesson explores the strategic shift toward local LLM deployment to address enterprise needs for data privacy, cost management, and operational resiliency. It also clarifies the critical distinction between OSI-compliant Open Source models and Open Weights models, emphasizing the importance of verifying licensing and usage restrictions for compliance.
This lesson explores the shift from linear AI chains to autonomous agentic workflows, which utilize graph-based architectures to enable cyclic execution, self-correction, and complex decision-making. Students will learn how to leverage state management, the Model Context Protocol (MCP), and multi-agent communication to build intelligent systems capable of reasoning and tool use.
This lesson guides students in transitioning from passive API users to expert architects by mastering autonomous system design, including the Model Context Protocol (MCP) and Agent-to-Agent (A2A) communication. It emphasizes building empirical engineering intuition through local pipelines, rigorous performance evaluation, and an understanding of advanced post-training alignment techniques like GRPO.