• Definições de IA e história da IA;
• Tipos de IA: simbólica e por aprendizado;
• Estratégias de aprendizado;
• Classificação, regressão, agrupamento e redução de dimensionalidade;
• Criando modelos de aprendizado de máquina com Python e ScikitLearn;
• Tratamento e visualização de dados com NumPy, Pandas, Matplotlib e Seaborn;
• O que são redes neurais artificiais;
• Funções de ativação e arquiteturas de redes neurais;
• Funções de custo e treinamento de RNAs;
• Redes Multilayer Perceptron (MLP), Redes Convolucionais (CNN), Redes Recorrentes (RNN), Redes Autoencoder, Redes Adversariais Generativas (GAN) e Redes Transformers usando Keras/TensorFlow e PyTorch.

E muito mais.

• Tokenização, Stemização e Lematização;
• Modelos de representação: BoW, TD-IDF, Word2Vec;
• Conceitos gerais em PLN usando bibliotecas como SpaCy, NLTK, Gensim;
• Treinamento autosupervisionado e arquitetura Transformer.
• Grandes Modelos de Linguagem (LLM);
• LLMs pré-treinados, como GPT-4 e LLaMA;
• Aprendizado em contexto, temperatura e alucinação em modelos de linguagem;
• Engenharia de Prompt e Chain of Thought (CoT);
• RAG - Retrieval-Augmented Generation;
• Agentes LLMs e aplicações de modelos generativos;
• Ferramentas de integração, como LangChain, e serviços em nuvem, como Watsonx e ChatGPT.

E muito mais.

• O que é uma imagem digital: imagem raster e vetorial;
• Técnicas de PDI: rotação, translação, filtragem, análise espectral;
• Técnicas de computação gráfica: geometria, animação e renderização;
• Segmentação com técnicas de agrupamento;
• Classificação de imagens com redes CNN;
• Modelos de detecção de objetos com OpenCV;
• Redes de transferência de estilo, como Pix2Pix;
• Técnicas de geração de imagens por modelos generativos.
• Modelos generativos por difusão, como StableDiffusion;
• Repositórios de modelos pré-treinados, como Hugging Face;
• Mídias Sintéticas: imagens e vídeos gerados por computador, DeepFakes, questões éticas e legais.