● Introdução ao Deep Learning
● Fundamentos Matemáticos e Arquiteturas de Redes Neurais
● Redes Neurais Convolucionais (CNNs)
● Redes Neurais Recorrentes (RNNs) e Modelos Baseados em Sequência
● Técnicas Avançadas de Deep Learning
● MLOps e Deploy de Modelos de Deep Learning

A disciplina de Reinforcement Learning (Aprendizado por Reforço) mergulha em uma das áreas mais fascinantes e inovadoras da Inteligência Artificial, responsável por avanços notáveis em robótica, jogos, finanças e automação de processos complexos.
‍Os alunos iniciarão a jornada explorando os conceitos fundamentais do Reinforcement Learning, entendendo como agentes inteligentes aprendem a tomar decisões ótimas por meio de interações com o ambiente. Em seguida, serão aprofundados os fundamentos matemáticos que sustentam essa área, como processos de decisão de Markov, funções de recompensa e políticas de decisão.
A disciplina apresenta os principais algoritmos clássicos de aprendizado por reforço, como Q-Learning e SARSA, evoluindo para abordagens mais modernas e poderosas com o Deep Reinforcement Learning, integrando redes neurais para lidar com ambientes de alta complexidade e grandes volumes de dados.
Além da teoria, serão discutidas aplicações práticas e avançadas do Reinforcement Learning em cenários do mundo real, incluindo otimização de processos industriais, recomendação de conteúdos e controle de sistemas dinâmicos. Por fim, o curso aborda aspectos de MLOps e implementação em produção, preparando os alunos para enfrentar os desafios de escalar e manter soluções de Reinforcement Learning em ambientes corporativos e de alta demanda.

A disciplina abordará os principais conceitos e técnicas relacionados a modelos generativos, com foco na geração de textos e imagens. Os alunos serão introduzidos aos fundamentos estatísticos e matemáticos que sustentam esses modelos, incluindo o estudo de modelos probabilísticos clássicos que deram origem às abordagens modernas.
Serão exploradas arquiteturas avançadas como Redes Generativas Adversariais (GANs) e Variational Autoencoders (VAEs), além de modelos autoregressivos e baseados em Transformers, amplamente utilizados em aplicações de inteligência artificial generativa. Os alunos terão a oportunidade de entender o funcionamento interno desses modelos e como são aplicados na criação de conteúdos realistas e de alta qualidade.
Por fim, a disciplina apresentará técnicas de treinamento, ajustes de hiperparâmetros e estratégias para melhoria de desempenho dos modelos, permitindo que os alunos desenvolvam soluções mais eficientes e precisas. Ao final do curso, espera-se que os participantes sejam capazes de compreender, implementar e aprimorar modelos generativos aplicados tanto à linguagem natural quanto à geração de imagens.

● Introdução à Visão Computacional
● Fundamentos Matemáticos e Processamento de Imagens
● Reconhecimento de Padrões e Segmentação de Imagens
● Redes Neurais Convolucionais (CNNs)
● Redes Neurais Avançadas para Visão Computacional
● Processamento de Vídeo e Análise em Tempo Real
● Ética e Considerações Práticas

A disciplina de Prompt Engineering explora as melhores práticas para interagir de forma eficaz com modelos de linguagem natural (LLMs), como ChatGPT e outros modelos generativos. Os alunos aprenderão os fundamentos de construção de prompts, desenvolvendo habilidades para criar instruções claras e direcionadas que maximizem a qualidade das respostas dos modelos.
O curso abrange tanto a aplicação de Prompt Engineering para modelos de texto, quanto para modelos multimodais, que trabalham com diferentes tipos de dados, como imagens e áudio.
Além disso, serão apresentadas as principais ferramentas e plataformas modernas que auxiliam na criação, teste e otimização de prompts, bem como técnicas de avaliação e melhoria contínua, garantindo maior precisão, relevância e controle sobre os resultados gerados.

A disciplina de Natural Language Processing (NLP) apresenta os conceitos essenciais para o desenvolvimento de soluções capazes de interpretar, processar e gerar linguagem natural. Os alunos serão introduzidos aos fundamentos de linguística computacional e às principais abordagens de métodos estatísticos e aprendizado supervisionado aplicadas ao processamento de textos.
O curso explora o uso de word embeddings e técnicas modernas de representação de texto, além da aplicação de redes neurais em tarefas de NLP, como classificação de textos, análise de sentimentos e geração de linguagem natural.
Por fim, os alunos conhecerão as principais ferramentas e frameworks de NLP, como NLTK, SpaCy, Hugging Face Transformers e outros recursos amplamente utilizados no mercado, capacitando-os a desenvolver soluções práticas e escaláveis.

A disciplina de Recommendation Systems capacita os alunos a entender e aplicar as principais técnicas utilizadas na construção de sistemas de recomendação, presentes em grandes plataformas como Netflix, Amazon e Spotify. O curso explora desde os fundamentos e abordagens tradicionais, como filtros colaborativos e baseados em conteúdo, até métodos avançados baseados em fatores latentes e Deep Learning.
Serão abordados também os sistemas de recomendação contextuais e sensíveis ao tempo, que consideram variáveis como localização, histórico de interações e tendências sazonais para entregar sugestões mais precisas e personalizadas.
Por fim, os alunos aprenderão a realizar a avaliação de sistemas de recomendação, utilizando métricas como precisão, recall e NDCG, essenciais para medir a efetividade e melhorar continuamente a performance dos modelos.

A disciplina de Feature Engineering é essencial para profissionais que desejam extrair o máximo valor dos dados em projetos de Machine Learning e Inteligência Artificial. Ao longo do curso, os alunos serão introduzidos aos principais conceitos e práticas de engenharia de atributos, aprendendo como transformar dados brutos em informações relevantes que potencializam a performance de modelos preditivos.
Durante a disciplina, serão abordadas técnicas de pré-processamento e transformação de dados, essenciais para lidar com diferentes tipos de variáveis e preparar conjuntos de dados de alta qualidade. Os alunos também aprenderão a criar novas features a partir de dados existentes, explorando métodos de geração e seleção de atributos que impactam diretamente na acurácia e eficiência dos modelos.
Além disso, a disciplina explora práticas avançadas de Feature Engineering aplicadas a Deep Learning, discutindo como preparar dados para redes neurais e modelos complexos. Por fim, serão apresentados frameworks e ferramentas que automatizam o processo de Feature Engineering, permitindo maior agilidade e produtividade no desenvolvimento de soluções de IA.

A disciplina de Machine Learning & LLM Ops capacita os alunos a dominar tanto os fundamentos da criação de modelos de Machine Learning quanto os desafios relacionados à sua implementação, operacionalização e gestão em ambientes produtivos.
O curso começa com uma introdução prática aos conceitos essenciais de Machine Learning, abordando as principais técnicas e algoritmos utilizados no desenvolvimento de soluções inteligentes. Em seguida, os alunos serão introduzidos ao universo do MLOps (Machine Learning Operations), uma abordagem que integra práticas de engenharia de software, ciência de dados e operações para garantir o ciclo de vida completo dos modelos — da experimentação ao deployment e monitoramento contínuo.
Um dos grandes destaques do curso é a introdução ao emergente campo de LLM Ops (Large Language Models Operations), focado na operacionalização de modelos de linguagem de larga escala, como GPT e outros modelos generativos, abordando aspectos críticos de eficiência, custo, personalização e segurança.
Por fim, a disciplina aborda estratégias de monitoramento, manutenção e re-treinamento de modelos, garantindo que as soluções de IA mantenham alta performance e relevância ao longo do tempo, mesmo diante de mudanças nos dados e nos contextos de negócio.