Entrar em Contato

Programa do Curso

1. Introdução à Engenharia de IA

  • O que é Engenharia de IA?
  • IA vs. Aprendizado de Máquina vs. Aprendizado Profundo
  • Ciclo de vida da engenharia de IA
  • Aplicações da IA em diversas indústrias
  • Papéis e responsabilidades de um engenheiro de IA

2. Fundamentos da Inteligência Artificial

  • Conceitos centrais de IA e terminologia
  • Aprendizado supervisionado, não supervisionado e por reforço
  • Fundamentos de redes neurais e aprendizado profundo
  • Visão geral da IA generativa e dos modelos fundamentais
  • Ecossistemas e frameworks de desenvolvimento de IA

3. Python para Engenharia de IA

  • Bibliotecas essenciais de Python para IA
  • NumPy, Pandas e Matplotlib
  • Manipulação e visualização de dados
  • Trabalhando com Notebooks Jupyter
  • Escrevendo código reutilizável para IA

4. Preparação de Dados para IA

  • Coleção e compreensão de conjuntos de dados
  • Limpeza e pré-processamento de dados
  • Engenharia de características
  • Escalação e normalização de características
  • Agrupamento de conjuntos de dados em treinamento, validação e teste
  • Lidar com valores ausentes e outliers

5. Fundamentos do Aprendizado de Máquina

  • Algoritmos de regressão
  • Algoritmos de classificação
  • Técnicas de agrupamento (clustering)
  • Fluxo de trabalho de treinamento do modelo
  • Métricas de avaliação do modelo
  • Prevenção de overfitting e underfitting

6. Construindo Modelos de IA com TensorFlow e PyTorch

  • Introdução ao TensorFlow
  • Introdução ao PyTorch
  • Criação de redes neurais
  • Treinamento e validação do modelo
  • Salvar e carregar modelos
  • Comparando ambos os frameworks

7. Fundamentos de Processamento de Linguagem Natural

  • Pré-processamento de texto
  • Embeddings de palavras
  • Classificação de texto
  • Análise de sentimento
  • Introdução aos modelos de transformador
  • Aplicações práticas de PLN (NLP)

8. IA no Desenvolvimento de Software

  • Integração da IA em aplicativos existentes
  • Chamando serviços de IA por meio de APIs
  • Desenvolvendo aplicativos impulsionados por IA
  • Ferramentas de desenvolvimento de software assistidas por IA
  • Teste de aplicativos habilitados para IA

9. Melhores Práticas de Engenharia de IA

  • Organização do projeto
  • Controle de versão com Git
  • Rastreamento de experimentos
  • Versionamento de modelos
  • Padrões de documentação
  • Reprodutibilidade em projetos de IA

10. Implantando Modelos de IA

  • Serialização de modelos
  • Construção de serviços de inferência
  • APIs REST para modelos de IA
  • Introdução ao Docker para implantação de IA
  • Monitoramento de modelos implantados
  • Manutenção e atualização de modelos

11. Engenharia de Dados de IA

  • Pipelines de dados
  • Processos ETL (Extração, Transformação e Carga)
  • Gestão de dados estruturados e não estruturados
  • Opções de armazenamento de dados
  • Gestão da qualidade dos dados
  • Preparação de conjuntos de dados prontos para produção

12. IA Responsável e Ética

  • Vieses de IA e justiça (fairness)
  • IA Explicável (XAI)
  • Privacidade e proteção de dados
  • Considerações de segurança da IA
  • Desenvolvimento responsável de IA
  • Considerações regulatórias e de governança

13. Gerenciamento de Projetos de IA

  • Ciclo de vida de projetos de IA
  • Metodologias ágeis para projetos de IA
  • Colaboração entre equipes técnicas e de negócios
  • Estimativas de projetos de IA
  • Gestão de riscos
  • Mensuração do sucesso do projeto

14. Oficina Prática de Engenharia de IA e Tendências Futuras

  • Configuração de um fluxo de trabalho completo de desenvolvimento de IA
  • Construção de um projeto de aprendizado de máquina end-to-end
  • Treinamento e avaliação de um modelo usando TensorFlow ou PyTorch
  • Implantação de uma aplicação simples de IA
  • Tendências atuais na Engenharia de IA
  • IA Generativa e Modelos de Linguagem Grandes (LLMs)
  • MLOps e automação de IA
  • Caminhos de carreira e aprendizado contínuo
  • Resumo, perguntas e respostas, e próximos passos

Requisitos

  • Conhecimento dos conceitos básicos de programação
  • Experiência com programação em Python
  • Conhecimento básico de estatísticas e álgebra linear

Público-alvo

  • Engenheiros de IA
  • Desenvolvedores de software
  • Analistas de dados
 14 Horas

Número de participantes


Preço por participante

Testemunhos de Clientes (2)

Próximas Formações Provisórias

Categorias Relacionadas