PolyU | Conceitos de Inteligência Artificial
Este curso abrangente oferece uma introdução rigorosa, mas acessível à Inteligência Artificial, projetado para estudantes de pós-graduação e profissionais. O curso pontua a diferença entre os fundamentos históricos e as inovações de vanguarda, passando por IA simbólica e algoritmos de busca até 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 profundamente em redes neurais, Transformers e Modelos de Linguagem de Grande Escala (LLMs). Com foco tanto na teoria quanto na prática, o curso utiliza Python e frameworks padrão da indústria, como PyTorch, para implementar algoritmos, interagir com APIs modernas e abordar questões críticas sobre ética e segurança na IA.
Visão Geral do Curso
📚 Resumo do Conteúdo
Este curso abrangente oferece uma introdução rigorosa, mas acessível à Inteligência Artificial (IA), projetado para estudantes de pós-graduação e profissionais. Pontuando o espaço entre as bases históricas e inovações de ponta, o currículo evolui desde a IA simbólica e algoritmos de busca até Deep Learning moderno e IA Generativa. Os alunos explorarão tópicos essenciais como representação do conhecimento, raciocínio probabilístico e aprendizado de máquina clássico antes de mergulhar profundamente em redes neurais, Transformers e Modelos de Linguagem de Grande Escala (LLMs). Com foco tanto na teoria quanto na prática, o curso utiliza Python e frameworks padronizados da indústria como PyTorch para implementar algoritmos, interagir com APIs modernas e abordar questões críticas sobre ética e segurança na IA.
Ponteando o abismo entre a IA Simbólica clássica e a IA Generativa moderna, este curso capacita os alunos com profundidade teórica e habilidades práticas em Python para arquitetar, implementar e avaliar eticamente sistemas inteligentes.
🎯 Objetivos de Aprendizagem
- Dominar as Fundações da IA: Analisar e implementar paradigmas fundamentais de resolução de problemas, incluindo busca heurística, raciocínio baseado em lógica e modelagem probabilística.
- Implementar Arquiteturas de Deep Learning: Projetar e treinar redes neurais avançadas usando PyTorch, variando de Perceptrons Multicamadas a Redes Neurais Convolucionais e Transformers.
- Implantar Soluções de IA Generativa: Engenheirar aplicações utilizando Modelos de Linguagem de Grande Escala (LLMs), empregando técnicas como fine-tuning, engenharia de prompts e Geração Aprimorada por Recuperação (RAG).
- Garantir o Desenvolvimento Ético da IA: Avaliar criticamente sistemas de IA quanto a viés, segurança e alinhamento, aplicando estratégias de explicabilidade e robustez em cenários do mundo real.
Aulas
Visão Geral: Uma exploração dos primórdios da Inteligência Artificial, abrangendo o Teste de Turing, a Conferência de Dartmouth e a natureza cíclica do desenvolvimento da IA conhecida como "Invernos da IA".
Resultados de Aprendizagem:
- Traçar a evolução histórica da IA desde 1956 até os dias atuais.
- Comparar e contrastar os paradigmas de IA Simbólica (GOFAI) e Connectionism.
- Discutir o impacto da Revolução do Deep Learning e dos recentes avanços generativos.
Visão Geral: Introdução a agentes fundamentais de resolução de problemas usando algoritmos de busca, distinguindo entre abordagens cegas e baseadas em heurísticas.
Resultados de Aprendizagem:
- Implementar métodos de busca não informados, incluindo BFS, DFS e busca de custo uniforme.
- Aplicar técnicas de busca heurística como A* e busca Best-First Greedy.
- Analisar a complexidade e a otimalidade de diferentes estratégias de busca.
Visão Geral: Um aprofundamento no processo de tomada de decisão em ambientes competitivos (jogos) e na resolução de problemas definidos por restrições.
Resultados de Aprendizagem:
- Dominar o algoritmo Minimax e o corte Alpha-Beta para jogos.
- Entender a Busca de Árvore Monte Carlo (MCTS) usada em sistemas avançados como o AlphaGo.
- Resolver Problemas de Satisfação de Restrições (CSP) usando backtracking e busca local.
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 Lógica de Primeira Ordem para representação e inferência.
- Comparar Sistemas Especialistas herdados com Grafos de Conhecimento e Ontologias modernas.
- Explorar a IA Neuro-Simbólica como ponte entre lógica e redes neurais.
Visão Geral: Ir além dos cálculos clássicos de probabilidade para entender como a incerteza impulsiona a IA moderna. Esta aula explora por que os LLMs "alucinam" (e por que isso é um recurso, não um defeito), como modelos de Diffusion criam arte a partir de ruído puro e como Agentes Autônomos tomam decisões em mundos abertos imprevisíveis.
Resultados de Aprendizagem:
- De Bayes às "Vibrações": Ganhar uma compreensão intuitiva de confiança e calibragem, aprendendo por que uma "probabilidade de 99%" ainda pode estar errada sem se perder em matemática complexa.
- O Motor da Criatividade: Analisar mecanismos de amostragem probabilística (Temperatura, Top-P) que permitem a criatividade da IA Generativa e levam às alucinações.
- Tomada de Decisão por Agentes: Compreender estratégias de decisão sob incerteza, focando no dilema "Exploração vs. Explotação" no Aprendizado por Reforço e em Sistemas Multiagentes.
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 agrupamento K-means e PCA.
- Usar Scikit-learn para resolver problemas básicos de análise de dados.
Visão Geral: A transição para computação inspirada em biologia, abrangendo 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 diversas funções de ativação (ReLU, GELU).
- Construir uma rede neural básica usando PyTorch.
Visão Geral: Foco no processamento de dados visuais por meio de arquiteturas especializadas de deep learning.
Resultados de Aprendizagem:
- Compreender o funcionamento das Redes Neurais Convolucionais (CNNs).
- Analisar arquiteturas avançadas como ResNet e Transformers Visuais (ViT).
- Implementar um modelo básico de classificação de imagens.
Visão Geral: Evolução do processamento de sequências desde Redes Neurais Recorrentes até 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 autoatenção.
- Compreender o papel de Encoders e Decoders em modelos como BERT e GPT.
Visão Geral: Estudo aprofundado de IA Generativa de ponta, focando na geração de texto e adaptação de modelos.
Resultados de Aprendizagem:
- Descrever o ciclo de pré-treinamento e fine-tuning de LLMs.
- Explorar o Aprendizado por Reforço a partir de Feedback Humano (RLHF).
- Praticar Engenharia de Prompts e métodos de fine-tuning eficientes em parâmetros (PEFT/LoRA).
Visão Geral: Expansão além do texto para sistemas de recuperação e mídia gerativa usando APIs modernas.
Resultados de Aprendizagem:
- Implementar a Geração Aprimorada por Recuperação (RAG) para reduzir alucinações.
- Entender a matemática por trás dos Modelos de Diffusion (ex: Stable Diffusion) e VAEs.
- Interagir com APIs de IA modernas para construir uma aplicação gerativa.
Visão Geral: Análise crítica do impacto social da IA, focando em responsabilidade e protocolos de segurança.
Resultados de Aprendizagem:
- Identificar fontes de viés e garantir justiça em modelos de IA.
- Discutir Segurança da IA, Robustez e o problema de Alinhamento.
- Avaliar Explicabilidade (XAI) e estratégias de mitigação para alucinações em LLMs.