Visão Geral

A inteligência artificial (IA) é um campo multidisciplinar que se concentra no desenvolvimento de sistemas e algoritmos capazes de realizar tarefas que normalmente requerem inteligência humana. Existem vários fundamentos da inteligência artificial que são essenciais para entender essa área:

1. Aprendizado de máquina (Machine Learning): O aprendizado de máquina é uma abordagem central na IA, que envolve o desenvolvimento de algoritmos capazes de aprender e melhorar com base em dados. Existem diferentes tipos de aprendizado de máquina, como aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.
2. Redes neurais artificiais: As redes neurais artificiais são modelos computacionais inspirados no funcionamento do cérebro humano. Elas consistem em camadas de neurônios interconectados que processam informações. As redes neurais são amplamente utilizadas em problemas de aprendizado de máquina, especialmente em reconhecimento de padrões, processamento de linguagem natural e visão computacional.
3. Processamento de linguagem natural (Natural Language Processing - NLP): O processamento de linguagem natural envolve o desenvolvimento de sistemas capazes de entender, interpretar e gerar linguagem humana. Isso inclui tarefas como reconhecimento de fala, compreensão de texto, tradução automática e geração de texto.
4. Visão computacional: A visão computacional é uma área da IA que se concentra no desenvolvimento de sistemas capazes de interpretar e entender informações visuais. Isso inclui o reconhecimento de objetos, detecção de rostos, segmentação de imagens e análise de vídeo.
5. Algoritmos de otimização: Os algoritmos de otimização são usados em muitos problemas de IA para encontrar a melhor solução possível. Alguns exemplos de algoritmos de otimização comumente usados são algoritmos genéticos, algoritmos de busca em espaço de estados e algoritmos de enxame de partículas.
6. Lógica e raciocínio: A lógica e o raciocínio são fundamentais para a IA simbólica, que se baseia em representações formais de conhecimento e regras de inferência. Essa abordagem envolve a criação de modelos lógicos e a utilização de técnicas como lógica de primeira ordem e lógica fuzzy.
7. Ética e responsabilidade: Com o avanço da IA, tornou-se cada vez mais importante considerar questões éticas e de responsabilidade relacionadas ao seu desenvolvimento e uso. Isso envolve garantir a transparência dos sistemas de IA, evitar vieses injustos nos dados e nos algoritmos, proteger a privacidade e tomar decisões responsáveis em relação aos impactos sociais e econômicos da IA.

Objetivo

O futuro da inteligência artificial (IA) nos próximos anos é bastante promissor e espera-se que haja avanços significativos em diversas áreas. Aqui estão algumas tendências e áreas de desenvolvimento que podem moldar o futuro da IA:

• IA aplicada a setores específicos: A IA continuará a ser aplicada em setores como saúde, finanças, varejo, manufatura e transporte. Veremos o desenvolvimento de soluções mais sofisticadas e personalizadas para resolver problemas específicos nessas áreas, como diagnóstico médico assistido por IA, assistentes virtuais para serviços financeiros e otimização de cadeias de suprimentos.
• Aprendizado de máquina reforçado: O aprendizado de máquina reforçado (reinforcement learning) tem o potencial de avançar ainda mais, permitindo que sistemas de IA aprendam a tomar decisões e realizem ações em ambientes complexos e dinâmicos. Isso pode levar a avanços em áreas como robótica, veículos autônomos e jogos.
• IA conversacional e assistentes virtuais: Os assistentes virtuais baseados em IA, como Siri, Alexa e Google Assistant, continuarão a se aprimorar, proporcionando interações mais naturais e compreensão avançada de linguagem natural. A IA conversacional também terá aplicações em atendimento ao cliente, suporte técnico e chatbots para empresas.
• Ética e regulamentação da IA: À medida que a IA se torna mais presente em nossa sociedade, questões éticas e regulamentações relacionadas ao seu uso se tornarão cada vez mais importantes. Serão necessários esforços para garantir a transparência, a privacidade e a equidade na implementação da IA, bem como definir diretrizes éticas para seu desenvolvimento e uso.
• IA explicável e interpretabilidade: Haverá um foco crescente na compreensão e interpretação dos resultados produzidos por modelos de IA. Esforços para tornar os algoritmos mais explicáveis e interpretables serão feitos, visando aumentar a confiança nas decisões tomadas pelos sistemas de IA e evitar viéses indesejados.
• IA em dispositivos móveis e dispositivos IoT: Com o aumento da capacidade de processamento em dispositivos móveis e dispositivos da Internet das Coisas (IoT), a IA será cada vez mais incorporada nesses dispositivos. Isso permitirá a execução de tarefas de IA localmente, resultando em maior privacidade, latência reduzida e maior eficiência no uso de recursos.
• Pesquisa em IA geral e IA simbólica: A pesquisa em IA geral, que visa desenvolver sistemas capazes de aprender e realizar qualquer tarefa intelectual, continua a ser um objetivo desafiador. Além disso, a IA simbólica, que se baseia em lógica e raciocínio formal, também está recebendo atenção renovada devido à necessidade de sistemas mais explicáveis e que possam justificar suas decisões.

Publico Alvo

público-alvo para um curso de inteligência artificial pode variar dependendo do nível de conhecimento e dos objetivos do curso. Aqui estão algumas possíveis categorias de público-alvo:

1. Estudantes universitários: Alunos de graduação ou pós-graduação em áreas relacionadas à ciência da computação, engenharia, matemática, estatística ou campos afins. Esses alunos geralmente têm conhecimento prévio em programação e matemática, e desejam adquirir habilidades em inteligência artificial.
2. Profissionais de TI: Profissionais que já trabalham na área de tecnologia da informação e desejam expandir seus conhecimentos em inteligência artificial. Isso pode incluir desenvolvedores de software, engenheiros de dados, analistas de dados, cientistas de dados ou profissionais de TI de maneira geral.
3. Pesquisadores e acadêmicos: Profissionais que estão envolvidos em pesquisa acadêmica e desejam se especializar em inteligência artificial. Isso pode incluir pesquisadores de instituições acadêmicas, cientistas e professores que desejam explorar teorias e técnicas avançadas em IA.
4. Profissionais de negócios e gerentes: Profissionais que atuam em funções de gestão ou tomada de decisão em empresas e desejam compreender como a inteligência artificial pode ser aplicada para impulsionar a inovação, melhorar processos ou desenvolver estratégias de negócios.
5. Entusiastas da tecnologia: Pessoas que têm interesse em inteligência artificial e desejam aprender os conceitos básicos, as aplicações e as implicações dessa área em seu tempo livre, sem necessariamente ter formação técnica.

Pre-Requisitos

• Conhecimento prévio de programação Python, Estatística e Análise de Dados é necessário para fazer este treinamento.

Materiais

Conteúdo Programatico

Fundação de IA e ML

Esta base do módulo AI & ML foi projetada para ajudar os alunos a descriptografar a Inteligência Artificial e a Incerteza do Aprendizado de Máquina. Este módulo fornece um esboço de Inteligência Artificial, Conceitos de Machine Learning e programação R.  

• Introdução à ciência de dados, IA e ML
• R Essentials
• Análise estatística 

Resultados de Aprendizagem:  Ao final deste módulo, você obterá um conhecimento básico dos campos de Inteligência Artificial, Aprendizado de Máquina e Ciência de Dados. Junto com isso, você estará familiarizado com programação R e análise estatística.

Python para Inteligência Artificial

Neste módulo, você aprenderá os fundamentos da programação Python, como Python Environment Setup, Python Data Types, Object-Oriented Programming Concepts, Python Operators, Python Control e Looping Statements.

• Fundamentos do Python
• Configuração do Ambiente Python
• Tipos de Dados do Python
• Python Looping e instruções de controle
• Conceitos de Programação Orientada a Objetos
• Conexão de banco de dados

Resultados de Aprendizagem:  Ao final deste módulo, você será capaz de configurar o Ambiente Python e realizar diferentes cálculos lógicos e matemáticos através de Programas Python

Bibliotecas Python para Inteligência Artificial

Este módulo discute diferentes bibliotecas Python como Numpy, MatPlotlib, Pandas e Scipy.

• Numpy 
• Scipy
• pandas 
• MatPlot

Resultados de Aprendizagem:  No final deste módulo, irá adquirir experiência em tempo real de trabalho com bibliotecas Python para realizar diferentes tarefas como computação matemática, Visualização de Dados, Análise de Dados e Computação Científica

Gestão de dados

Este módulo lida com os fundamentos de probabilidade e estatística. Também abrange conceitos como aquisição de dados, qualidade de dados, transformação de dados, estruturas de big data, etc.

• Aquisição de dados
• Pré-processamento e preparação de dados
• Transformação e qualidade de dados
• Manipulando dados de texto
• Fundamentos de Big Data
• Estruturas de Big Data (Spark, Hadoop, NoSQL)

Resultados de Aprendizagem:  No final deste módulo, irá adquirir experiência em tempo real de como recolher informação de outros sistemas, como tratar os dados de texto, como fazer a Transformação de Dados e Big Data.

SAS-Data Analytics

O módulo SAS oferece uma visão detalhada da instalação SAS, funções SAS, conjuntos de dados SAS, procedimentos SAS, gráficos SAS, macros SAS, formato SAS, etc. 

• SAS Introdução
• Funções SAS
• Operadores SAS
• Procedimentos SAS
• Gráficos SAS
• Macros SAS
• Formato SAS

Resultados de Aprendizagem:  Ao final deste módulo, você adquirirá conhecimento prático de Instalação SAS, Realização de diferentes operações através de Funções SAS, Formatar uma Variável. Junto com isso, você obterá conhecimento prático sobre como criar conjuntos de dados SAS e plotar gráficos por meio do PROC GPLOT.

Tomada de decisão estatística

Este módulo trata da implementação e design de representações verbais e visuais de padrões, diferentes tipos de visualização, amostragem, teste de hipóteses, etc.

• Visualização de dados
• Amostragem e Estimativa
• Estatística inferencial

Resultados de Aprendizagem:   Ao final deste módulo, você obterá conhecimento prático de Visualização de Dados, Amostra versus População e Estatística Inferencial.

Análise preditiva

Neste módulo, você aprenderá conceitos como Noções básicas de regressão, hipótese de teste, relação entre várias variáveis, regressão polinomial, função logit e interpretação, modelos de previsão, etc.

• Regressão linear
• Regressão linear múltipla
• Regressão não linear
• Modelos de previsão

Resultados de Aprendizagem:  Ao final deste módulo, você terá uma experiência em tempo real de previsão de padrões de comportamento, tendências e resultados. Junto com isso, você obterá uma compreensão profunda da regressão não linear e linear múltipla.

Aprendizado de máquina

Este módulo discute tópicos como técnicas de aprendizado de máquina, diferentes métodos de agrupamento, estimativa de probabilidade, algoritmo K-vizinho mais próximo, máquinas de vetores de suporte, árvores de decisão, mineração de regras de associação, etc.

• Fundamentos de ML
• Agrupamento
• Classificação (Classificador Naive Bayes, K-vizinhos mais próximos)
• Mineração de regra de associação

Resultados de Aprendizagem:  Ao final deste módulo, você adquirirá conhecimento prático de Técnicas de Aprendizado de Máquina, como construir um cluster hierárquico, como lidar com valores categóricos e contínuos em K-Means, Modelo Matemático para Análise de Associação.

Inteligência artificial

Neste módulo, aprenderemos sobre arquiteturas NN famosas para obter diferentes funções cognitivas, como processamento de linguagem natural, reconhecimento de objetos. Mais tarde, você estudará e implementará diferentes aplicativos de inteligência artificial.

• Fundamentos da IA
•  Redes Neurais de Convolução
• Redes Neurais Recorrentes

Resultados de Aprendizagem:   No final deste módulo, você obterá conhecimentos práticos de Redes Neurais, Classificação de Imagens, Construção de Redes Neurais Recorrentes. 

Deep Learning com Keras e TensorFlow

Este Módulo discute tópicos como Bibliotecas de Deep Learning, Keras, Tensorflow, Algoritmos de Deep Learning, etc.

• Bibliotecas de aprendizado profundo
• Keras API
• TensorFlow
• Algoritmos de aprendizado profundo

Resultados de Aprendizagem:  Ao final deste módulo, você obterá experiência em tempo real em Modelos de Deep Learning por meio de Keras e Tensorflow Frameworks. Além disso, você poderá implementar algoritmos de aprendizado profundo.

Deep Learning Avançado e Visão Computacional

Este módulo discute conceitos avançados de aprendizado profundo, como geração de imagens, computação paralela, aprendizado por reforço, implantação de modelos de aprendizado profundo.

• Computação Distribuída e Paralela
• Implantando modelos de aprendizado profundo
• Aprendizagem por Reforço
• Gerando imagens com estilo neural
• Detecção de objetos por meio de redes neurais convolucionais

Resultados de Aprendizagem:  No final deste módulo, você obterá conhecimento prático de Computação Paralela em Tensorflow, Arquitetura de Redes Neurais Profundas, Implantação de Modelos de Aprendizagem Profunda em ambientes Serverless. Além disso, você adquirirá um conhecimento profundo do Tensorflow Serving.

Computação em Nuvem e AWS

Este módulo trata de conceitos como Cloud Computing, AWS Basics, AWS Architecture, AWS S3, EC2, ELB, EBS, AMI, VPC.

• Introdução à Computação em Nuvem e AWS
• Volumes de armazenamento e computação elástica
• Nuvem Privada Virtual
• Serviços de armazenamento simples
• AWS Lambda e Amazon Machine Learning

Resultados de aprendizado:  Ao final deste módulo, você obterá experiência em tempo real na criação de contas da AWS, lançamento de instância EC2, criação de AMI para instância iniciada, armazenamento AWS, criação de VPC. Junto com isso, você obterá amplo conhecimento de AWS Lambda e Amazon ML.

Tabela 10

Neste Módulo, você explorará os conceitos como Introdução à Visualização de Dados, Instalação do Tableau, Arquitetura do Tableau, Interface do Tableau, Criação de Conjuntos, Filtros do Tableau, etc.

• Introdução à Visualização de Dados
• Arquitetura do Tableau
• Trabalhando com combinação de dados
• Criação de Conjuntos
• Cálculos, Expressões e Parâmetros.
• Painéis, histórias e filtros
• Preparação do Tableau

Resultados de aprendizagem:  Ao final deste módulo, você terá uma experiência de instalação do Tableau em tempo real, compartilhando o trabalho existente, criando os conjuntos, trabalhando com os filtros, etc.