Laboratório Mágico de IA
Uma estrutura de curso rigorosa que integra quatro grandes seções: Fundamentos de IA, Geração de Modelos Grandes (GenAI e LLM), Agentes e Computação Evolutiva (destacado como um recurso da PolyU) e Ética. A lógica do curso progride sequencialmente por Percepção e Dados (L1-3), Cognição e Geração (L4-6), Agentes e Evolução (L7-9) e conclui com Ética e Futuro (L10).
Visão Geral do Curso
📚 Resumo do Conteúdo
O "Laboratório de Magia da IA" é um curso rigoroso e integrado projetado para oferecer uma compreensão profunda e sequencial da Inteligência Artificial moderna. O currículo está estruturado em quatro módulos progressivos: conceitos fundamentais (Percepção & Dados), capacidades gerativas avançadas (Cognição & Geração via LLMs e Modelos de Difusão), sistemas autônomos (Agentes & Computação Evolutiva) e governança ética (Ética & Futuro). Os alunos irão evoluir desde a compreensão da representação numérica bruta dos dados até o domínio do design de sistemas complexos, culminando em uma visão abrangente da criação e implantação responsáveis da IA.
Este curso oferece uma compreensão rigorosa e integrada da IA moderna, abrangendo fundamentos essenciais de dados, técnicas de geração com Modelos de Linguagem de Grande Escala (LLM), a arquitetura de Agentes autônomos e as considerações éticas críticas necessárias para implantação responsável.
🎯 Objetivos de Aprendizagem
- Dominar os fundamentos da percepção por IA, representação de dados (Tensores) e tarefas básicas de aprendizado supervisionado como Classificação.
- Compreender e controlar Modelos de Linguagem de Grande Escala (LLMs) e IA Generativa aplicando conceitos de previsão de sequências, o Mecanismo de Attenção e técnicas avançadas de Engenharia de Prompt.
- Projetar e analisar Agentes Inteligentes, integrando o ciclo Percepção-Decisão-Ação com métodos avançados de otimização baseada em população, como a Computação Evolutiva.
- Diferenciar entre IA Generativa e Discriminativa e explicar o processo mecânico dos Modelos de Difusão para geração de imagens a partir de texto.
- Avaliar os desafios éticos inerentes à IA contemporânea (viés de dados, alucinações de modelo, deepfakes) e propor estratégias para uma Síntese Humano-IA responsável.
Aulas 共 10 课时 · 预计 20.0h
Aulas
Lesson
This lesson introduces the fundamentals of Computer Vision by explaining how machines interpret images as grids of numerical pixel data. Students will learn how computers use RGB color models and feature extraction to identify shapes, edges, and patterns within digital images.
This lesson explores how computers use encoding to translate non-structured data, like images and sounds, into numerical formats that machines can process. Students learn that vectors and tensors serve as the essential mathematical containers that organize this data, allowing AI models to identify patterns and learn effectively.
This lesson introduces supervised learning, where humans provide labeled training data to help AI identify patterns and establish decision boundaries for classification. Students learn how to evaluate these models by calculating accuracy and avoiding the pitfalls of overfitting.
This lesson explores how AI processes language by breaking text into numerical tokens and managing memory through a limited context window. Students will also learn how the Attention Mechanism acts as a digital spotlight, allowing the AI to identify and focus on the most relevant words to understand complex meanings.
This lesson introduces prompt engineering as a powerful skill that allows you to use natural language to command AI, which functions as a sophisticated prediction engine. By mastering the "Prompt Blueprint"—consisting of instructions, context, and output—along with techniques like personas and few-shot learning, you can transform from a passive user into an architect of information.
This lesson explores the difference between discriminative AI, which sorts existing data, and generative AI, which creates new content from scratch. Students learn how generative models use a process called diffusion to transform random, high-entropy noise into clear, detailed images through iterative de-noising.
This lesson introduces the Perception-Decision-Action (PDA) loop, the continuous cycle that allows intelligent agents to observe their environment, plan goals, and take action. Students will also learn how sensors and actuators serve as the essential bridge between an agent's digital logic and the physical or virtual world.
This lesson introduces Evolutionary Computation, a method that mimics natural selection to solve complex problems by iteratively improving digital solutions. Students learn how to evolve AI by testing the performance of "phenotypes" and using genetic processes like mutation and crossover to refine their underlying "genotype" code.
This lesson explores how multi-agent systems use communication, collaboration, and competition to solve complex problems more effectively than a single AI. Students learn how decentralized "swarm intelligence" allows groups of agents to achieve emergent, coordinated behavior by following simple local rules.
This lesson explores the ethical challenges of AI, including algorithmic bias, hallucinations, and the risks of intentional deception through deepfakes. Students learn the importance of digital literacy and the "Human-in-the-Loop" approach, which emphasizes that humans must remain the final supervisors to ensure technology is used fairly and accurately.