| 01 |
O que é IA? |
Conceitos, história e IA no dia a dia. |
| 02 |
Matemática para IA |
Vetores, matrizes e estatística básica. |
| 03 |
Python para IA |
Ambiente Colab, NumPy e Matplotlib. |
| 04 |
Machine Learning |
Aprendizado supervisionado vs não supervisionado. |
| 05 |
Regressão Linear |
Previsão de valores contínuos. |
| 06 |
KNN (Classificação) |
Algoritmo de k-vizinhos e distância. |
| 07 |
Generalização |
Overfitting, Underfitting e Treino/Teste. |
| 08 |
Redes Neurais |
O neurônio artificial, pesos e bias. |
| 09 |
Ativação |
Sigmoid, ReLU e não-linearidade. |
| 10 |
Treinamento |
Gradiente Descendente e Backpropagation. |
| 11 |
Deep Learning |
Redes profundas e frameworks (TensorFlow). |
| 12 |
Visão Computacional |
Pixels, matrizes e introdução às CNNs. |
| 13 |
NLP (Texto) |
Tokenização e Transformers (ChatGPT). |
| 14 |
IA Generativa |
Geração de texto/imagem e ética. |
| 15 |
Ética e Mercado |
Viés algorítmico e futuro das profissões. |
| 16 |
Projeto Final |
Desenvolvimento e apresentação do projeto. |