PolyU | Artificial Intelligence Concepts

📚 Resumo do Conteúdo

Este curso abrangente oferece uma introdução rigorosa, porém acessível, à Inteligência Artificial, projetado para estudantes de pós-graduação e profissionais. Ligando as fundações históricas às inovações de ponta, o currículo progride da IA simbólica e algoritmos de busca ao Deep Learning moderno e IA Generativa. Os alunos explorarão tópicos essenciais como representação de conhecimento, raciocínio probabilístico e aprendizado de máquina clássico antes de mergulhar em redes neurais, Transformers e Large Language Models (LLMs). Enfatizando teoria e prática, o curso utiliza Python e frameworks padrão da indústria como PyTorch para implementar algoritmos, interagir com APIs modernas e abordar questões críticas em ética e segurança de IA.

Conectando a IA simbólica clássica à IA generativa moderna, este curso equipa os alunos com a profundidade teórica e as habilidades práticas em Python para arquitetar, implementar e avaliar eticamente sistemas inteligentes.

🎯 Objetivos de Aprendizagem

1. Dominar Fundamentos de IA: Analisar e implementar paradigmas fundamentais de resolução de problemas, incluindo busca heurística, raciocínio baseado em lógica e modelagem probabilística.
2. Implementar Arquiteturas de Deep Learning: Projetar e treinar redes neurais avançadas usando PyTorch, desde Perceptrons Multicamadas até Redes Neurais Convolucionais e Transformers.
3. Implementar Soluções de IA Generativa: Desenvolver aplicações utilizando Large Language Models (LLMs), empregando técnicas como fine-tuning, engenharia de prompts e Retrieval-Augmented Generation (RAG).
4. Garantir o Desenvolvimento Ético de IA: Avaliar criticamente sistemas de IA quanto a vieses, segurança e alinhamento, aplicando estratégias de explicabilidade e robustez em cenários do mundo real.

---

🔹 Lição 1: História e Fundamentos da IA

Visão Geral: Uma exploração das origens da Inteligência Artificial, cobrindo o Teste de Turing, a Conferência de Dartmouth e a natureza cíclica do desenvolvimento de IA conhecida como 'Invernos da IA'.

Resultados de Aprendizagem:

• Rastrear a evolução histórica da IA de 1956 até os dias atuais.
• Comparar e contrastar os paradigmas de IA Simbólica (GOFAI) e Conexionismo.
• Discutir o impacto da Revolução do Deep Learning e avanços generativos recentes.

---

🔹 Lição 2: Estratégias de Busca: Não Informada e Informada

Visão Geral: Introdução a agentes fundamentais de resolução de problemas usando algoritmos de busca, distinguindo entre busca cega e abordagens baseadas em heurísticas.

Resultados de Aprendizagem:

• Implementar métodos de busca não informada, incluindo BFS, DFS e busca de Custo Uniforme.
• Aplicar técnicas de busca heurística como A* e Greedy Best-First search.
• Analisar a complexidade e a otimalidade de diferentes estratégias de busca.

---

🔹 Lição 3: Busca Adversarial e Satisfação de Restrições

Visão Geral: Um mergulho profundo na tomada de decisão em ambientes competitivos (jogos) e na resolução de problemas definidos por restrições.

Resultados de Aprendizagem:

• Dominar o algoritmo Minimax e a poda Alpha-Beta para jogos.
• Compreender o Monte Carlo Tree Search (MCTS) usado em sistemas avançados como o AlphaGo.
• Resolver Problemas de Satisfação de Restrições (CSPs) usando backtracking e busca local.

---

🔹 Lição 4: Representação de Conhecimento e Raciocínio

Visão Geral: Estudo de como sistemas de IA representam informações logicamente para realizar inferências, passando da lógica clássica para estruturas de conhecimento modernas.

Resultados de Aprendizagem:

• Utilizar Lógica Proposicional e de Primeira Ordem para representação e inferência.
• Comparar Sistemas Especialistas legados com Grafos de Conhecimento e Ontologias modernos.
• Explorar a IA Neuro-Simbólica como uma ponte entre lógica e redes neurais.

---

🔹 Lição 5: Incerteza na Era da GenAI

Visão Geral: Indo além dos cálculos de probabilidade clássicos para entender como a incerteza impulsiona a IA moderna. Esta lição explora por que os LLMs alucinam (e por que isso é um recurso, não um bug), como os modelos de Difusão criam arte a partir de ruído puro e como os Agentes Autônomos tomam decisões em mundos abertos imprevisíveis.

Resultados de Aprendizagem:

• De Bayes a "Vibes": Obter uma compreensão intuitiva de confiança e calibração, aprendendo por que "99% de probabilidade" ainda pode estar errado sem se perder em matemática complexa.
• O Motor da Criatividade: Analisar como mecanismos de amostragem probabilística (Temperatura, Top-P) permitem a criatividade da IA Generativa e levam a alucinações.
• Tomada de Decisão de Agentes: Compreender estratégias de tomada de decisão sob incerteza, focando no dilema "Exploração vs. Explotação" em Aprendizado por Reforço e Sistemas Multiagentes.

---

🔹 Lição 6: Aprendizado de Máquina Clássico

Visão Geral: Uma introdução prática a algoritmos orientados por dados para aprendizado supervisionado e não supervisionado usando Python.

Resultados de Aprendizagem:

• Implementar modelos de aprendizado supervisionado, incluindo Árvores de Decisão e SVMs.
• Aplicar técnicas não supervisionadas como clustering K-means e PCA.
• Usar Scikit-learn para resolver problemas básicos de análise de dados.

---

🔹 Lição 7: Fundamentos de Redes Neurais

Visão Geral: A transição para a computação inspirada biologicamente, cobrindo a arquitetura e os mecanismos de treinamento de redes neurais artificiais.

Resultados de Aprendizagem:

• Explicar a estrutura de neurônios artificiais e Perceptrons Multicamadas (MLP).
• Dominar o algoritmo Backpropagation e várias funções de ativação (ReLU, GELU).
• Construir uma rede neural básica usando PyTorch.

---

🔹 Lição 8: Visão Computacional e CNNs

Visão Geral: Foco no processamento de dados visuais através de arquiteturas especializadas de deep learning.

Resultados de Aprendizagem:

• Compreender a mecânica das Redes Neurais Convolucionais (CNNs).
• Analisar arquiteturas avançadas como ResNet e Vision Transformers (ViT).
• Implementar um modelo básico de classificação de imagens.

---

🔹 Lição 9: Modelagem de Sequências e o Transformer

Visão Geral: Evolução do processamento de sequências de Redes Neurais Recorrentes para o revolucionário mecanismo de Atenção.

Resultados de Aprendizagem:

• Diferenciar entre RNNs, LSTMs e a arquitetura Transformer.
• Explicar o artigo 'Attention Is All You Need' e os mecanismos de auto-atenção.
• Compreender o papel de Codificadores e Decodificadores em modelos como BERT e GPT.

---

🔹 Lição 10: Large Language Models (LLMs)

Visão Geral: Estudo aprofundado de IA Generativa de ponta com foco na geração de texto e adaptação de modelos.

Resultados de Aprendizagem:

• Descrever o ciclo de vida de Pré-treinamento e Fine-tuning de LLMs.
• Explorar o Aprendizado por Reforço com Feedback Humano (RLHF).
• Praticar Engenharia de Prompts e métodos de fine-tuning eficientes em parâmetros (PEFT/LoRA).

---

🔹 Lição 11: Aplicações Avançadas de IA Generativa

Visão Geral: Expandindo além do texto para sistemas de recuperação e mídia generativa usando APIs modernas.

Resultados de Aprendizagem:

• Implementar Retrieval-Augmented Generation (RAG) para reduzir alucinações.
• Compreender a matemática por trás dos Modelos de Difusão (por exemplo, Stable Diffusion) e VAEs.
• Interagir com APIs de IA modernas para construir uma aplicação generativa.

---

🔹 Lição 12: Ética, Segurança e Alinhamento de IA

Visão Geral: Análise crítica do impacto social da IA, com foco em responsabilidade e protocolos de segurança.

Resultados de Aprendizagem:

• Identificar fontes de viés e garantir justiça em modelos de IA.
• Discutir Segurança de IA, Robustez e o problema de Alinhamento.
• Avaliar Explicabilidade (XAI) e estratégias de mitigação para alucinações de LLM.

---