Índice do artigo
Bem-vindo à GPTCLONE Academy. Este caminho de aprendizagem está estruturado para ensinar conceitos de Inteligência Artificial de forma progressiva, do nível iniciante ao avançado.
Estrutura do caminho
O caminho está dividido em quatro níveis:
| Nível | Destinatário | Duração estimada | Pré-requisitos |
|---|---|---|---|
| Iniciante | Sem experiência prévia em IA | 4-6 semanas | Matemática básica do ensino secundário |
| Intermédio | Conhece programação e matemática básica | 6-8 semanas | Python, álgebra linear básica, probabilidade |
| Avançado | Experiência com ML e redes neurais | 8-10 semanas | Machine learning, deep learning, Python avançado |
| Especialista | Prática profissional em IA | Contínuo | Publicações, projetos, experiência de produção |
Nível 1: Iniciante
Objetivos
Compreender o que é IA, machine learning e deep learning, e ser capaz de explicar os conceitos em termos simples.
Módulos
-
O que é Inteligência Artificial?
- Definição e história da IA
- IA fraca vs IA forte
- Aplicações reais da IA
-
Fundamentos de Programação para IA
- Python básico: variáveis, funções, listas, dicionários
- Introdução a bibliotecas: NumPy, Matplotlib
-
Matemática para IA
- Álgebra linear: vetores, matrizes, operações básicas
- Probabilidade e estatística: distribuições, Bayes
- Cálculo: derivadas e gradientes (conceito introdutório)
-
Machine Learning Essencial
- Aprendizagem supervisionada vs não supervisionada
- Regressão linear e logística
- Árvores de decisão
- Avaliação de modelos
Projeto prático
Construir um modelo de regressão linear para prever preços de imóveis usando um dataset público.
Nível 2: Intermédio
Objetivos
Implementar modelos de machine learning do zero, compreender redes neurais e começar a trabalhar com deep learning.
Módulos
-
Redes Neurais Artificiais
- Perceptrónio multicamada
- Funções de ativação: ReLU, Sigmoid, Tanh
- Retropropagação (backpropagation)
-
Deep Learning com Redes Neurais
- Redes neurais convolucionais (CNN) para imagem
- Redes neurais recorrentes (RNN, LSTM) para sequências
- Normalização por lote (batch normalization)
-
Machine Learning Moderno
- Vetores de suporte (SVM)
- k-means e clustering hierárquico
- Redução de dimensionalidade (PCA)
-
Introdução ao Processamento de Linguagem Natural
- Tokenização
- Bag of words e TF-IDF
- Embeddings de palavras (Word2Vec)
Projeto prático
Construir um classificador de imagens usando uma CNN treinada do zero.
Nível 3: Avançado
Objetivos
Compreender e implementar arquiteturas Transformer, LLMs e técnicas avançadas de deep learning.
Módulos
-
Atenção e Transformers
- Self-attention e multi-head attention
- Arquitetura encoder-decoder
- Decoder-only (modelos GPT)
-
Grandes Modelos de Linguagem
- Pré-treino e fine-tuning
- Aprendizagem por transferência
- Geração de texto
-
Treinamento de Modelos
- Otimizadores: Adam, AdamW, SGD
- Schedulers de taxa de aprendizagem
- Regularização: dropout, weight decay
-
Avaliação de Modelos de IA
- Métricas de classificação e regressão
- Benchmarks padrão da indústria
- Validação cruzada
Projeto prático
Fine-tuning de um pequeno modelo de linguagem em um dataset específico.
Nível 4: Especialista
Objetivos
Contribuir para pesquisa avançada, arquiteturas novas e sistemas de IA de produção.
Módulos
-
Investigação Avançada
- Ler e reproduzir artigos de pesquisa
- Experimentar novas arquiteturas
- Publicar resultados
-
Sistemas de IA de Produção
- Implantação de modelos
- Monitorização e drift
- MLOps
-
Segurança e Ética em IA
- Alinhamento de modelos
- Vieses e justiça
- Privacidade e segurança
Recursos adicionais
- Glossário de termos de IA (em breve)
- Exercícios práticos por nível (em breve)
- Projetos guiados (em breve)
- Leitura recomendada (em breve)
Como usar este caminho
Comece pelo Nível 1 e avance no seu próprio ritmo. Cada módulo inclui explicações teóricas, exemplos de código e exercícios práticos. Não há necessidade de registo para aceder ao conteúdo.
Comece com: Inteligência Artificial: Uma Introdução