Guia de Estudos

Para quem está começando do zero. Esta trilha cobre os pré-requisitos matemáticos, conceitos fundamentais e o contexto histórico necessários para entender IA.

1. O que é IA?

   Comece entendendo o que significa Inteligência Artificial e seus diferentes paradigmas.

   O que é IA? Uma Breve História da IA Paradigmas de IA
2. Matemática essencial

   Álgebra linear, cálculo e probabilidade são a base de quase todos os algoritmos de IA.

   Introdução à Matemática Modelos Lineares e Geometria Teoria de Aprendizado
3. Ciência da Computação

   Algoritmos, estruturas de dados e complexidade computacional.

   Núcleo de Ciência da Computação Algoritmos e Estruturas de Dados
4. Probabilidade e modelos gráficos

   Fundamentos probabilísticos usados em aprendizado de máquina.

   Modelos Gráficos Probabilísticos Inferência Causal

Os conceitos centrais de aprendizado de máquina: tipos de problemas, modelos clássicos e como avaliar e selecionar modelos.

1. Tipos de problemas

   Supervisionado, não-supervisionado, semi-supervisionado e suas variantes.

   Tipos de Problemas Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado Semi-Supervisionado
2. Modelos clássicos

   Árvores de decisão, SVMs, k-NN, regressão logística e outros algoritmos fundamentais.

   Modelos Árvores de Decisão Florestas Aleatórias Gradient Boosting SVM
3. Engenharia de atributos

   Técnicas para criar e transformar features que melhoram o desempenho dos modelos.

   Engenharia de Atributos Seleção de Features Tratamento de Valores Ausentes
4. Seleção e avaliação de modelos

   Validação cruzada, métricas de desempenho e como evitar overfitting.

   Seleção de Modelos Avaliação Métricas Validação Cruzada
5. Tópicos especiais

   Dados desbalanceados, interpretabilidade e IA centrada em dados.

   Eventos Desbalanceados/Raros Interpretabilidade IA Centrada em Dados

Para quem já tem noções de machine learning e quer se aprofundar em redes neurais, das arquiteturas básicas às modernas.

1. Fundamentos de redes neurais

   Perceptrons, backpropagation, funções de ativação e otimizadores.

   Redes Neurais Fundamentos de Deep Learning Retropropagação Ativações e Perdas Otimizadores
2. Técnicas de treinamento

   Regularização, normalização, inicialização de pesos e schedules de learning rate.

   Regularização Inicialização e Normalização Problemas de Gradiente Agendamentos de Taxa de Aprendizado
3. Arquiteturas fundamentais

   MLPs, CNNs, RNNs/LSTMs e redes residuais.

   Arquiteturas MLPs CNNs RNNs/LSTMs Redes Residuais (ResNets)
4. Transformers e arquiteturas modernas

   A arquitetura que revolucionou NLP e visão computacional.

   Transformers Mecânicas de Attention Vision Transformers (ViT) Mixture-of-Experts (MoE) Modelos de Espaço de Estados
5. Técnicas avançadas

   Transfer learning, destilação de conhecimento e aprendizado auto-supervisionado.

   Aprendizado por Transferência Destilação de Conhecimento Aprendizado Auto-Supervisionado Aprendizado de Representações
6. Treinamento em escala

   Treinamento distribuído, precisão mista e técnicas para modelos grandes.

   Treinamento em Escala Treinamento Distribuído Precisão Mista Paralelismo de Dados/Modelo/Pipeline

Para quem quer entender os modelos de linguagem e sistemas generativos modernos, desde fundamentos de NLP até RAG e agentes.

1. Fundamentos de NLP

   Representação de texto, embeddings e tarefas clássicas de processamento de linguagem.

   PLN (NLP) Representação de Texto Modelagem de Linguagem Modelos de Embeddings Tokenização
2. Tarefas de NLP

   Classificação, NER, tradução, sumarização e outras tarefas fundamentais.

   Tarefas Principais NER Classificação de Texto Rotulagem de Sequências Perguntas e Respostas
3. Large Language Models

   Arquitetura, pré-treinamento, leis de escala e modelos de fundação.

   LLMs Modelos de Fundação Pré-treinamento e Leis de Escala Tokenização Janelas de Contexto
4. Fine-tuning e alinhamento

   Como adaptar e alinhar LLMs para tarefas específicas.

   Ajuste Fino (Fine-Tuning) Alinhamento Seguimento de Instruções Otimização de Preferências Playbook de Fine-Tuning
5. Prompting e raciocínio

   Técnicas de prompting, chain-of-thought e aprendizado em contexto.

   Prompting Padrões de Prompt Aprendizagem em Contexto Chain-of-Thought Test-Time Compute
6. RAG e recuperação

   Retrieval-Augmented Generation e sistemas baseados em busca.

   Recuperação & Ferramentas RAG Busca Vetorial e Embeddings Ingestão e Chunking Reranking
7. Uso de ferramentas e saídas estruturadas

   LLMs que usam ferramentas, function calling e geração estruturada.

   LLMs que utilizam ferramentas Chamada de Funções Saídas Estruturadas Grounding & Citações
8. Outras modalidades

   Geração de imagens, vídeo, áudio e código.

   Modalidades Geração de Imagens Geração de Vídeo Modelos de Código
9. Problemas e limitações

   Alucinações, segurança e mitigações.

   Alucinações Mitigações de Segurança Modelos Abertos vs. Fechados

Para quem quer trabalhar com imagens e vídeo: detecção de objetos, segmentação, modelos multimodais e visão 3D.

1. Fundamentos de imagens

   Como imagens são representadas e processadas por redes neurais.

   Visão Computacional Fundamentos de Imagens
2. Tarefas centrais

   Classificação, detecção de objetos e segmentação.

   Tarefas Centrais Detecção de Objetos Segmentação de Imagens Segmentação Semântica Segmentação por Instância
3. Técnicas auxiliares

   Non-maximum suppression, bounding box regression e detecção de pontos-chave.

   Non-Maximum Suppression Regressão de Bounding Box Detecção de Pontos-Chave
4. Arquiteturas para visão

   De CNNs a Vision Transformers.

   CNNs ResNets Vision Transformers (ViT) DETR
5. Compreensão de vídeo

   Rastreamento de objetos, fluxo óptico e análise temporal.

   Compreensão de Vídeo Rastreamento de Objetos Fluxo Óptico Reidentificação de Pessoas
6. Modelos multimodais (Visão-Linguagem)

   Modelos que combinam visão e linguagem.

   Modelos Multimodais Geração de Legendas Vision-Language Pretraining
7. Visão 3D

   Estimativa de pose, renderização neural e representações 3D.

   Visão 3D Estimativa de Pose Renderização Neural Campos de Radiância (NeRF) 3D Gaussian Splatting
8. Avaliação

   Métricas e benchmarks para visão computacional.

   Avaliação para Visão IoU mAP ImageNet

Aprendizado por interação: agentes que aprendem a tomar decisões através de recompensas e penalidades. Base para jogos, robótica e alinhamento de LLMs.

1. Conceitos fundamentais

   MDPs, políticas, funções de valor e o problema de exploração vs. exploração.

   Aprendizado por Reforço Conceitos MDPs POMDPs Exploração vs. Exploração
2. Métodos clássicos

   Q-learning, SARSA, policy gradients e actor-critic.

   Métodos Q-Learning Gradientes de Política Actor-Critic
3. Deep Reinforcement Learning

   DQN, PPO, SAC e outras técnicas que combinam RL com deep learning.

   Deep RL Temporal Difference PPO Iteração de Valor
4. Bandits e RL offline

   Problemas de bandits e aprendizado a partir de dados históricos.

   Bandidos RL Offline
5. RL para LLMs

   RLHF e técnicas de alinhamento baseadas em RL.

   RL para LLMs RLHF
6. Tópicos avançados

   RL baseado em modelos, RL multiagente e engenharia de recompensas.

   Model-Based RL RL Multiagente RL Hierárquico

Sistemas que planejam, usam ferramentas e executam tarefas de forma autônoma. Desde arquiteturas de agentes até sistemas multiagentes.

1. Introdução a agentes

   O que são agentes de IA e como eles diferem de LLMs simples.

   Agentes e Planejamento Agentes de LLM Arquiteturas de Agentes
2. Planejamento

   Como agentes decompõem problemas e planejam ações.

   Planejamento (Agentic) Tarefas de Longo Horizonte
3. Uso de ferramentas e orquestração

   Como agentes interagem com APIs, bancos de dados e outras ferramentas.

   Uso de Ferramentas e Orquestração Chamada de Funções RAG Agentivo
4. Memória e estado

   Como agentes mantêm contexto e memória de longo prazo.

   Memória e Estado
5. Sistemas multiagentes

   Arquiteturas com múltiplos agentes colaborando ou competindo.

   Sistemas Multiagentes RL Multiagente
6. Segurança e avaliação

   Como avaliar e garantir a segurança de sistemas agentivos.

   Avaliação de Agentes Segurança para Agentes Humano no Loop

Para quem quer colocar modelos em produção de forma confiável: versionamento, deploy, monitoramento e operações.

1. Fundamentos de MLOps

   Versionamento de dados, código e modelos.

   Engenharia de IA (MLOps) Versionamento Rastreamento de Experimentos Treinamento Reprodutível
2. Dados em produção

   Feature stores, validação de dados e pipelines.

   Feature Stores Validação de Dados Data Flywheels Pipelines de Dados
3. Deploy de modelos

   Registro, serviço e padrões de deployment.

   Registro de Modelos Serviço de Modelos Padrões de Deployment CI/CD para Modelos
4. Otimização de inferência

   Técnicas para acelerar e reduzir custos de inferência.

   Otimização de Inferência Quantização Poda Custo/Desempenho
5. Servindo LLMs

   Técnicas específicas para servir modelos de linguagem em escala.

   Servir LLMs Cache KV Batching e Agendamento Decodificação Especulativa
6. Monitoramento

   Monitoramento de modelos, detecção de drift e resposta a incidentes.

   Monitoramento Monitoramento de Modelos Rollbacks e Incidentes
7. Avaliação em produção

   Testes A/B, métricas de negócio e observabilidade.

   Avaliação em Produção Teste A/B Observabilidade para LLMs SLOs para IA
8. Infraestrutura

   Hardware, GPUs e sistemas de computação para ML.

   Computação e Sistemas Introdução ao Hardware Fundamentos de CUDA Memória e Largura de Banda

Fairness, segurança, privacidade, interpretabilidade e impactos sociais. Essencial para quem desenvolve sistemas de IA na prática.

1. Equidade e viés

   Identificando e mitigando vieses em sistemas de IA.

   IA Responsável Equidade & Viés Métricas de Equidade Viés nos Dados vs. Modelos
2. Explicabilidade e interpretabilidade

   Tornando modelos compreensíveis para humanos.

   Explicabilidade/Interpretabilidade SHAP LIME Explicações Globais vs. Locais
3. Robustez e segurança

   Ataques adversariais, robustez e segurança de modelos.

   Robustez e Segurança Exemplos Adversariais ML Adversarial Red Teaming
4. Alinhamento e segurança de IA

   Garantindo que sistemas de IA sigam intenções humanas.

   Alinhamento e Segurança Enquadramento do Problema IA Constitucional
5. Governança e conformidade

   Estruturas de governança, gestão de riscos e conformidade regulatória.

   Governança, Risco, Conformidade Governança de IA Model Cards Auditorias
6. Privacidade

   Privacidade diferencial, aprendizado federado e proteção de dados.

   Privacidade Privacidade Diferencial Aprendizado Federado ML com Preservação de Privacidade
7. Impactos sociais

   Efeitos de IA na sociedade, trabalho e economia.

   Impactos Sociais Trabalho e Economia Desinformação
8. Legislação e políticas

   Panorama legal e regulatório de IA no mundo.

   Direito e Políticas Públicas Panorama Regulatório LGPD e GDPR