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

  1. O que é Inteligência Artificial?

    • Definição e história da IA
    • IA fraca vs IA forte
    • Aplicações reais da IA
  2. Fundamentos de Programação para IA

    • Python básico: variáveis, funções, listas, dicionários
    • Introdução a bibliotecas: NumPy, Matplotlib
  3. Matemática para IA

    • Álgebra linear: vetores, matrizes, operações básicas
    • Probabilidade e estatística: distribuições, Bayes
    • Cálculo: derivadas e gradientes (conceito introdutório)
  4. 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

  1. Redes Neurais Artificiais

    • Perceptrónio multicamada
    • Funções de ativação: ReLU, Sigmoid, Tanh
    • Retropropagação (backpropagation)
  2. Deep Learning com Redes Neurais

    • Redes neurais convolucionais (CNN) para imagem
    • Redes neurais recorrentes (RNN, LSTM) para sequências
    • Normalização por lote (batch normalization)
  3. Machine Learning Moderno

    • Vetores de suporte (SVM)
    • k-means e clustering hierárquico
    • Redução de dimensionalidade (PCA)
  4. 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

  1. Atenção e Transformers

    • Self-attention e multi-head attention
    • Arquitetura encoder-decoder
    • Decoder-only (modelos GPT)
  2. Grandes Modelos de Linguagem

    • Pré-treino e fine-tuning
    • Aprendizagem por transferência
    • Geração de texto
  3. Treinamento de Modelos

    • Otimizadores: Adam, AdamW, SGD
    • Schedulers de taxa de aprendizagem
    • Regularização: dropout, weight decay
  4. 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

  1. Investigação Avançada

    • Ler e reproduzir artigos de pesquisa
    • Experimentar novas arquiteturas
    • Publicar resultados
  2. Sistemas de IA de Produção

    • Implantação de modelos
    • Monitorização e drift
    • MLOps
  3. 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