Aulas Teóricas
Os 4 Arcos do Conhecimento em IA
A disciplina é organizada em 4 Arcos Temáticos, cada um com um foco técnico progressivo. Juntos, eles formam a jornada completa: do neurônio matemático ao agente autônomo que gera metadados pedagógicos para o WOKDEX.
📚 Baixar o Livro Teórico Completo (PDF A5)
🧠 Arco 1: Fundamentos de Redes Neurais (Aulas 1–8)
Objetivo: Construir, do zero, uma rede neural capaz de classificar dados — partindo da matemática pura (NumPy) até o deploy de um modelo treinado como API REST em Docker.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| Perceptron, MLP, funções de ativação (ReLU, Sigmoid, Softmax) | O classificador de skills do TP1 usa essas redes |
| Descida do Gradiente, Backpropagation, Regra da Cadeia | Motor de otimização do modelo |
| Keras/TensorFlow: Sequential, Dense, compile + fit | Framework principal do TP1 |
| Overfitting, Viés-Variância, Normalização (StandardScaler) | Diagnóstico de qualidade do modelo |
| Dropout, Early Stopping, L2, Adam | Técnicas para evitar que o modelo “decore” os dados |
| CNNs, Transfer Learning (ResNet50) | Classificação de imagens e reutilização de modelos |
| MLOps: FastAPI + Docker | O deploy da API POST /predict do TP1 |
🎯 Trabalho Prático: TP1 — O Classificador de Habilidades
📖 Acessar materiais do Arco 1 →
🔤 Arco 2: NLP, Embeddings e Bancos Vetoriais (Aulas 9–14)
Objetivo: Entender como a I.A. “lê” texto — transformando palavras em vetores numéricos e armazenando-os em bancos de dados vetoriais para busca semântica.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| Word Embeddings (Word2Vec, spaCy) | Como o enunciado de um exercício vira um vetor |
| Similaridade de Cosseno | A matemática por trás da busca semântica |
| Bancos de Dados Vetoriais (ChromaDB) | O armazenamento do corpus WOKDEX no TP2 |
| Chunking e ingestão de documentos | Pipeline de ETL para o banco vetorial |
| Arquitetura Transformer e Atenção | A base teórica dos LLMs que vocês usarão no TP3 |
| Hugging Face Hub e Pipelines | Ecossistema de modelos open-source |
📖 Acessar materiais do Arco 2 →
🤖 Arco 3: IA Generativa e RAG (Aulas 15–22)
Objetivo: Consumir LLMs comerciais e open-source via API, dominar Prompt Engineering, e construir um sistema RAG corporativo em Java com Spring AI.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| APIs de LLMs (OpenAI, Gemini) | O cérebro que raciocina no TP3 |
| JSON Mode e Structured Output (Pydantic) | Como forçar o LLM a gerar YAML válido |
| RAG “feito à mão” em Python | Entender o conceito antes do framework |
| Spring AI e Vector Stores em Java | O Oráculo RAG do TP2 |
| Métricas de avaliação RAG (Ragas) | Fidelidade, relevância e alucinação no Draft 2 |
🎯 Trabalho Prático: TP2 — O Oráculo RAG
📖 Acessar materiais do Arco 3 →
🚀 Arco 4: Agentes Autônomos e Projeto Final (Aulas 23–30)
Objetivo: Construir agentes de I.A. que raciocinam, tomam decisões e chamam ferramentas externas autonomamente. Culmina no Demoday com a integração completa do pipeline WOKDEX.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| Fine-Tuning eficiente (PEFT/LoRA) | Adaptar modelos a domínios específicos |
| Agentes ReAct e Tool Calling | O agente do TP3 que chama predict_skills() e search_similar_cases() |
| Red Teaming e segurança de LLMs | Proteger o agente contra Prompt Injection |
| Hackathon em Sprints (4 dias) | Desenvolvimento ágil do projeto final |
| Demoday: Pitch de 3 min + Demo | Apresentação ao vivo para a banca |
🎯 Trabalho Prático: TP3 — Agente Autônomo e Demoday