Para iniciar sua jornada nesse campo inovador da Inteligência Artificial Generativa, é crucial compreender os fundamentos e a história por trás da IA. Nosso objetivo é guiá-lo na exploração dos conceitos desde o básico até seu primeiro modelo de machine learning, abordando tipos de IA, estratégias de aprendizado e utilização das principais bibliotecas em Python: ScikitLearn, pandas, numpy, seaborn e matplotlib.

O que você vai dominar?

• 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, seaborn.

Nas profundezas da Inteligência Artificial, exploraremos as redes neurais artificiais, sofisticadas estruturas que imitam o funcionamento do cérebro humano. Desde suas arquiteturas até a implementação prática com TensorFlow, Keras e PyTorch, mergulharemos na construção e treinamento dessas redes. Além disso, investigamos a arquitetura Transformer e seus fascinantes mecanismos de atenção, ampliando nosso entendimento sobre o poder das redes neurais na computação moderna.

O que você vai dominar?

• O que são redes neurais artificiais;
• Funções de ativação e arquiteturas de redes neurais;
• Funções de custo e treinamento de RNAs;
• Criação de redes neurais com TensorFlow, Keras e PyTorch.

No vasto campo do processamento de linguagem natural (PLN), desvendaremos conceitos fundamentais como tokenização, Bag of Words (BoW), Word2Vec e a revolucionária arquitetura Transformers. Vamos aprender o que são Modelos de Linguagem (LMs) e como eles se transformaram nos Grandes Modelos de Linguagem (LLMs), mergulhando na complexidade do aprendizado em contexto e suas propriedades emergentes.

O que você vai dominar?

• Conceitos gerais em PLN usando bibliotecas como SpaCy, NLTK, Gensim;
• Tokenização, Stemização e Lematização;
• Modelos de representação: BoW, TD-IDF, Word2Vec;
• LMs e LLMs como GPT4 e LLama;
• Treinamento autosupervisionado e arquitetura Transformer.

No mundo de maravilhas na visão computacional, desvendaremos o processamento digital de imagens (PDI), técnicas de filtragem, segmentação, detecção de bordas e reconhecimento de padrões. Entenderemos os modelos de aprendizado profundo, como as Redes Neurais Convolucionais (CNNs), e sua implementação prática com TensorFlow/Keras e OpenCV. Além disso, adentraremos o emocionante mundo dos modelos de aprendizado profundo para geração de imagens, como as Generative Adversarial Networks (GANs), transformers e modelos de difusão, ampliando nossas capacidades na criação e manipulação de imagens digitais.

O que você vai dominar?

• O que é uma imagem digital: imagem raster e vetorial;
• Técnicas de PDI: rotação, translação, filtragem, análise espectral; 
• Segmentação com técnicas de agrupamento;
• Classificação de imagens com redes CNN;
• Modelos de detecção de objetos com OpenCV;
• Técnicas de geração de imagens por modelos generativos.

Onde o mundo da Inteligência Artificial é construído? Neste módulo vamos aprender sobre a infraestrutura que permite os modelos de IA existirem. Vamos entender o que são modelos pré-treinados, onde podemos encontrá-los e como usá-los. Exploraremos o papel fundamental do hardware dedicado, como as GPUs, na execução eficiente de grandes modelos de IA. Também abordaremos ferramentas de integração como LangChain e ambientes em nuvem como Watsonx.

O que você vai dominar?

• Repositórios de modelos pretreinados como HuggingFace;
• Princípios de CUDA;
• Containers para IA e plataformas em nuvem;
• Ferramentas de integração como LangChain;
• Serviços em nuvem como Watsonx.

No fim da nossa jornada estão as técnicas de aprendizado em contexto que os engenheiros de prompt utilizam. Vamos aprender como controlar a criatividade de modelos generativos mudando sua temperatura, como melhorar suas respostas através da cadeia de pensamento (CoT) e da recuperação aumentada (RAG). O que são Agentes LLM e como podem ser usados. E também vamos discutir as limitações dos modelos generativos, as questões éticas e legais das mídias sintéticas e os ataques de envenenamento de corpus e envenenamento de prompt a que estes modelos estão sujeitos.

O que você vai dominar?

• O que é o aprendizado em contexto;
• CoT - Chain of Thought; 
• RAG - Retrieval-Augmented Generation;
• Agentes LLMs e aplicações de modelos generativos;
• Mídias Sintéticas;
• Ataques contra modelos generativos.