Inteligência Artificial Moderna
- Descrição
- Currículo
- FAQ
- Revisões
Aprenda os princípios e aplicações práticas da Inteligência Artificial Moderna, incluindo modelos de Deep Learning e Transformers (a base dos modelos “GPT“), entre outros.
Usaremos a biblioteca Keras, que simplifica a construção de modelos de Deep Learning, oferecendo recursos para utilizadores de todos os níveis, desde iniciantes até especialistas. Privilegiaremos exemplos do mundo real, explorando aplicações em Saúde, Arte, Finanças e muitas outras áreas.
Utilizaremos a plataforma Colab, da Google, que permite usar GPUs de forma gratuita, sem preocupações de configuração e sem a necessidade de introduzir informações de cartão de crédito (basta ter uma conta Google). Os exemplos iniciais, baseados em código aberto do próprio autor da Keras, François Chollet, serão complementados cada vez mais por código que tira proveito de plataformas como a HuggingFace e a versão mais recente da Keras (3.0), que permite usar diferentes frameworks de Deep Learning como base (TensorFlow, JAX, PyTorch).
Uma das grandes vantagens de aprender Keras é que ficará apto/a a trabalhar com as frameworks de Deep Learning mais populares sem ter de aprender as idiossincrasias de cada uma: basta aprender uma sintaxe (a da Keras) e terá a liberdade de trabalhar sem preocupação com a framework de base (seja TensorFlow, a mais popular até há pouco, PyTorch, que é cada vez mais usada, ou mesmo JAX, valorizada por empresas de vanguarda como a OpenAI).
Este curso está em permanente atualização, e você pode contar com a introdução de novos conteúdos ao longo do tempo, acompanhando as novidades da Indústria e da Academia, bem como os interesses dos alunos expressos no fórum público do Curso ou através de mensagens com pedidos de melhoria ou adição de conteúdos.
-
3Introdução à Parte 1A e informações sobre os recursos do CursoVídeo Aula
Apresentação dos recursos disponíveis para esta parte
-
4Localização dos recursos das liçõesQuestionário
-
5O que distingue a Inteligência Artificial ModernaVídeo Aula
Enquadramento do Deep Learning dentro da área de Inteligência Artificial.
-
6De onde vem o termo "Moderna" no tipo de Inteligência Artificial deste CursoQuestionário
Teste de compreensão sobre:
a) Relação entre Deep Learning, Inteligência Artificial e Machine Learning
b) Relação dos dados, respostas e regras em IA "Clássica" e em Machine Learning e Deep Learning
-
7Temas que serão abordados no CursoVídeo Aula
-
8Qual a ordem pela qual os temas serão abordados no Curso?Questionário
Questionário para avaliar perceção sobre organização geral do curso e temas a abordar
-
9Exemplos de pessoas importantes na IA (com algum "drama" à mistura)Vídeo Aula
-
10Quem são os três pesquisadores mencionados na lição como importantes para a IA?Questionário
Embora no vídeo tenha indicado que não haveria quiz sobre este vídeo, reparei que isso faria com que a numeração das quizzes ficasse toda alterada (cada vídeo tem uma quiz, e convém que fique com o mesmo número). Se não souber, os nomes são Hinton, Rosenblatt e Schmidhuber
-
11Inspiração da IA Moderna: o cérebro humano e os seus neurónios (células)Vídeo Aula
-
12Qual é a principal inspiração para os modelos de redes neuronais em IA?Questionário
-
13Transcrição de conceitos da biologia cerebral para os modelos de IA atuaisVídeo Aula
-
14O que é uma "sinapse" em termos de redes neurais artificiais?Questionário
-
15Noção de "função de ativação" dos neurónios artificiaisVídeo Aula
-
16Qual é o papel da função de ativação em um neurónio artificial?Questionário
-
17Inicio da explicação dos processos básicos em redes neuronais artificiaisVídeo Aula
-
18Qual é um dos processos básicos em redes neurais artificiais?Questionário
-
19Continuação da explicação dos processos básicos em redes neuronais artificiaisVídeo Aula
-
20Algoritmo fundamental nas redes neuronais contemporâneas mais popularesQuestionário
-
21O algoritmo fundamental da IA Moderna: retropropagação ("error backpropagation")Vídeo Aula
-
22Qual é a principal função da retropropagação?Questionário
-
23Noção de função de perda ("loss function")Vídeo Aula
-
24Para que serve a função de perda em redes neuronais?Questionário
-
25Explicação complementar do algoritmo da retropropagaçãoVídeo Aula
-
26Qual é um aspeto importante da retropropagação explicado nesta lição?Questionário
-
27Perspetiva mais geral, intuitiva e aplicada sobre poder de retropropagaçãoVídeo Aula
-
28Porque é que a retropropagação é crucial para o treino de redes neuronais?Questionário
-
29Aprofundamento do conceito de função de ativação e seus tiposVídeo Aula
-
30Qual das seguintes é uma função de ativação comum em redes neuronais?Questionário
-
31Recapitulação dos conceitos abordados até agoraVídeo Aula
-
32Qual conceito é fundamental para entender o treino de redes neuronais?Questionário
-
33Importância da não-linearidade em redes neuronaisVídeo Aula
-
34Importância da não-linearidade em redes neuronaisQuestionário
-
35Visão geral do processo completo de treino de redes neuronaisVídeo Aula
-
36Qual é o objetivo principal do treino de redes neuronais?Questionário
-
37Ajustamento de uma rede neuronal. Noções de "underfitting" e de "overfitting"Vídeo Aula
-
38O que é "overfitting" em redes neuronais?Questionário
-
39Complementos para entender melhor os conceito de ajustamento / "fit" da redeVídeo Aula
-
40Qual é um sinal de que uma rede neuronal está numa situação de "underfitting"?Questionário
-
41Processo de otimização e de "gradient descent" em redes neuronaisVídeo Aula
-
42O que é "gradient descent" em redes neuronais?Questionário
-
43Representações visuais e intuitivas sobre otimização e "gradient descent"Vídeo Aula
-
44Qual é o objetivo da representação visual em "gradient descent"?Questionário
-
45Integração dos conceitos abordados até agora: otimização, e retropropagaçãoVídeo Aula
-
46Como a retropropagação e a otimização estão relacionadas?Questionário
-
47Conceito de ritmo de mudança dos pesos da rede neuronal ("learning rate")Vídeo Aula
-
48O que é a taxa de aprendizagem ("learning rate") em redes neuronais?Questionário
-
49Como dividir os dados de treino, para nos adaptarmos aos recursos de hardwareVídeo Aula
-
50Porque é importante dividir os dados de treino em batchs?Questionário
-
51Técnicas de regularização (evitar o sobre-ajustamento e permitir generalização)Vídeo Aula
-
52Qual é o objetivo das técnicas de regularização em redes neuronais?Questionário
-
53Métricas de performance de uma rede neuronalVídeo Aula
-
54Qual das seguintes é uma métrica de desempenho comum para redes neuronais?Questionário
-
55Diferença entre exatidão ("accuracy") e precisão ("precision")Vídeo Aula
-
56Qual é a principal diferença entre exatidão e precisão em redes neuronais?Questionário
-
57Sensibilidade ("sensitivity" ou "recall") e especificidade ("specificity")Vídeo Aula
-
58O que mede a sensibilidade ("sensitivity" ou "recall") em redes neuronais?Questionário
-
59Medida F1 ("F1 Score")Vídeo Aula
-
60O que é a medida F1 em redes neuronais?Questionário
-
61Panorâmica final e geral da secção introdutóriaVídeo Aula
-
62Qual foi o foco principal da secção introdutória do curso?Questionário
-
63Apresentação e Recursos da Parte 1BVídeo Aula
Apresentação dos recursos disponíveis para esta parte
-
64Qual é o principal objetivo desta parte do curso?Questionário
-
65Inteligência Artificial Moderna aplicada a tarefas de visão: qual é a novidade?Vídeo Aula
-
66Qual é a principal vantagem das redes neuronais convolucionais (CNNs) ?Questionário
-
67Partes principais de uma rede neuronal convolucional (CNN)Vídeo Aula
-
68Qual é a função dos filtros em uma rede neuronal convolucional (CNN)?Questionário
-
69Imagens como matrizes de números e papel dos filtrosVídeo Aula
-
70Como uma imagem é representada numa rede neuronal convolucional?Questionário
-
71Noção de convolução e de camada convolucional de uma rede CNNVídeo Aula
-
72O que é uma convolução em uma rede neuronal convolucional?Questionário
-
73Aplicação de função de ativação "ReLU" nas redes CNNVídeo Aula
-
74Qual é o propósito da função de ativação ReLU em redes CNN?Questionário
-
75Noção de "pooling" em redes CNNVídeo Aula
-
76O que é a operação de "max pooling" em redes CNN?Questionário
-
77Revisão integrada das principais etapas de uma CNN (incluindo código de exemplo)Vídeo Aula
-
78Quais são as principais etapas de uma rede neuronal convolucional (CNN)?Questionário
-
79Panorâmica final e geral da secção sobre redes CNN aplicadas a tarefas visuaisVídeo Aula
-
80Apresentação e Recursos da Parte 2Vídeo Aula
Apresentação dos recursos disponíveis para esta parte
-
81Qual é o foco principal da Parte 2 do curso?Questionário
-
82Introdução ao conceito de rede neuronal recorrente (RNN)Vídeo Aula
-
83Características das redes neuronais recorrentes (RNNs) e aplicações associadasQuestionário
-
84Redes neuronais recorrentes melhoradas: "Long Short Term Memory" (LSTM)Vídeo Aula
-
85Qual é o papel das células de memória nas redes LSTM?Questionário
-
86Exemplo prático aprofundado: modelo financeiro de previsão de preços na BolsaVídeo Aula
-
87Indicadores utilizados no modelo financeiro de previsão de preços na Bolsa?Questionário
-
88Explicação passo-a-passo do modelo e de como são usados todos os indicadoresVídeo Aula
-
89Qual é a função da operação de escalonamento (scaling) dos dados no modelo LSTM?Questionário
-
90Experiências com o modelo, e análise dos resultados empíricosVídeo Aula
-
91Porque é importante dividir os dados em conjuntos de treino e teste?Questionário
-
92Considerações sobre o modelo e como poderia ser melhorado para fins práticosVídeo Aula
-
93Qual é uma técnica comum para melhorar o desempenho de um modelo LSTM?Questionário
-
94Visualização e análise dos resultados do modeloVídeo Aula
-
95Qual é a vantagem de visualizar as previsões do modelo junto com os dados reais?Questionário
