Portal InstitucionalUFPEL

Objetivo Geral:

Capacitar profissionais para compreender, implementar e aplicar técnicas de Inteligência Artificial em contextos práticos, desenvolvendo competências técnicas e críticas necessárias para a utilização eficaz de soluções baseadas em IA no ambiente profissional.

Específicos
• Compreender a evolução histórica da IA e seus principais marcos tecnológicos;
• Dominar os diferentes paradigmas da IA (simbólico, conexionista e híbrido) e suas aplicações;
• Implementar algoritmos clássicos de IA, incluindo busca, lógica fuzzy e redes bayesianas;
• Desenvolver competências práticas em aprendizado de máquina supervisionado, não supervisionado e por reforço;
• Construir e treinar redes neurais artificiais e modelos de deep learning;
• Aplicar técnicas de IA generativa, incluindo GANs e modelos de linguagem;
• Desenvolver projetos práticos de IA utilizando ferramentas e bibliotecas especializadas;
• Avaliar criticamente os impactos éticos e sociais da IA;
• Analisar casos reais de implementação de IA em diferentes setores.

Semanas 1 - 2
Introdução e Contextualização: História da IA. Da lógica simbólica às redes neurais profundas. Principais marcos e desafios da IA. Aplicações modernas da IA em diversas áreas. Discussão em sala sobre expectativas e aplicações práticas da IA. Discussão em sala sobre exemplos de IA no cotidiano (e.g., assistentes virtuais, recomendações de filmes, carros autônomos).

Semanas 3 - 4
Paradigmas da IA: Paradigma Simbólico. Regras, lógica, sistemas especialistas. Paradigma Conexionista. Redes neurais artificiais, aprendizado por padrões. Paradigma Híbrido. combinação de abordagens simbólicas e conexionistas. Resolução de problemas simples usando lógica simbólica. Implementação de um perceptron simples. Implementação de um sistema simples baseado em regras (e.g., diagnóstico médico básico). Discussão: Limitações do paradigma simbólico. Implementação de uma rede neural simples para classificação binária. Vantagens e desafios do paradigma conexionista. Discussão: Análise de um caso real de sistema híbrido (e.g., assistentes virtuais como Siri ou Alexa). Quando usar cada paradigma?

Semanas 5 - 6
Algoritmos Clássicos de IA: Algoritmos de busca (A*, minimax, busca heurística). Lógica fuzzy e redes bayesianas. Introdução ao aprendizado de máquina supervisionado, não supervisionado e por reforço. Implementação de um algoritmo de busca para resolver um problema simples. Implementação de um modelo de regressão linear e clusterização com k-means. Discussão: Comparação de diferentes algoritmos.

Semanas 7 – 8
Redes Neurais e Deep Learning. Estrutura das redes neurais artificiais. Algoritmos de treinamento (backpropagation, otimização). Arquiteturas avançadasCNNs, RNNs, Transformers. Implementação de uma rede neural simples para classificação. Funções de ativação modernas: ReLu, Softmax. Treinamento de uma CNN para classificação de imagens. Implementação de um modelo de RNN para previsão de séries temporais. Implementação de um modelo de classificação de texto usando RNNs. Construção de uma rede neural profunda simples usando TensorFlow ou PyTorch. Treinamento de uma CNN para classificação de imagens usando um dataset público (e.g., MNIST ou CIFAR-10). Discussão:Por que deep learning é tão poderoso? Desafios em visão computacional. Limitações dos modelos de linguagem tradicionais.

Semanas 9 – 10
IA Generativa. Introdução a GANs (Redes Adversariais Generativas). Modelos de linguagem generativa (GPT, BERT, Stable Diffusion). Aplicações práticas de IA generativa.
Implementação de um GAN simples para geração de imagens. Atividade prática: Experimentação com modelos generativos pré-treinados (e.g., Stable Diffusion ou DALL-E Mini). Discussão: Ética e impactos sociais da IA generativa.

Semanas 11 – 12
Projetos. Ferramentas e bibliotecas (TensorFlow, PyTorch, scikit-learn). Implementação de modelos simples. Planejamento e estruturação dos projetos individuais. Planejamento e desenvolvimento do projeto.

Semanas 13 – 16
Desenvolvimento e Refinamento dos Projetos. Execução dos projetos com mentoria. Avaliação de modelos e ajustes. Testes e otimizações. Planejamento e desenvolvimento do projeto.

Semanas 17 - 18
Apresentação dos projetos e reflexão. Exposição dos projetos desenvolvidos. Discussão sobre impactos éticos da IA. Perspectivas futuras da IA. Apresentação do projeto.

Bibliografia Básica:

• LIMA, Isaías; PINHEIRO, Carlos A. M; SANTOS, Flávia A. Oliveira. Inteligência artificial. Rio de Janeiro: GEN LTC, 2014
• LUGER, George F. Artificial Intelligence: Structures and Strategies for Complex Problem Sol-ving. 6. ed. Boston: Pearson, 2008
• RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 3. ed. Upper Saddle River: Prentice Hall, 2010
• RODRIGUEZ, Alejandro Martins; JULIANI, Jordan Paulesky; MODRO, Nilson Ribeiro; SCHMITZ, Tiago Luiz. Descomplicando a inteligência artificial: explorando os fundamentos da IA de for-ma acessível — para profissionais, estudantes e curiosos por tecnologia. [S.l.: s.n.], 2025.

Bibliografia Complementar:

• ALAMMAR, Jay. The illustrated transformer. 2018. Disponível em: http://jalammar.github.io/illustrated-transformer/. Acesso em: 26 abr. 2025
• CHOLLET, François. Deep Learning with Python. 2. ed. Shelter Island: Manning Publications, 2021
• DOMINGOS, Pedro. The master algorithm: how the quest for the ultimate learning machine will remake our world. New York: Basic Books, 2015.
• EBERHART, Russell C.; DOBBINS, Roy W. Redes neurais artificiais para engenharia e ciências aplicadas. Tradução: Heitor Lopes. São Paulo: Bookman, 1995.
• GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2. ed. Sebastopol: O'Reilly Media, 2019.