Inteligência Artificial II
Bem-vindo à disciplina de Inteligência Artificial II (2026-2)
Esta é a página oficial da disciplina de Inteligência Artificial II do curso de Engenharia de Computação do CEFET-MG — Campus Timóteo.
🕒 Horários das Aulas
A disciplina ocorre duas vezes por semana (Segundas e Quartas-feiras) com encontros teóricos e laboratórios práticos corporativos:
🕒 Turma 1
- Segunda-feira: 14:55 às 16:35
- Quarta-feira: 13:00 às 14:40
🕒 Turma 2
- Segunda-feira: 16:35 às 18:15
- Quarta-feira: 14:55 às 16:35
💡 Metodologia & Cultura MLOps
A disciplina adota uma abordagem prática corporativa (Project-Based Learning & MLOps). Todas as atividades práticas são entregues e validadas na nossa instância GitLab Self-Hosted (git.juninho.com.br).
- Laboratórios: Iniciados presencialmente em sala com suporte do professor.
- Janela de Submissão de 24 Horas: O estudante tem até 24 horas após o término da aula para realizar o
git pushno repositório do Módulo. - Avaliação Automatizada via CI/CD: Testes unitários rodando em containers Docker auditam o código e a data e hora dos commits.
O uso de ferramentas de IA no aprendizado diário é bem-vindo para consulta e estudo. Contudo, nas avaliações teóricas escritas e auditorias presenciais, o aluno deve dominar integralmente o conhecimento de forma autônoma. É prerrogativa do professor solicitar a explicação presencial linha por linha de qualquer solução enviada ao GitLab.
🧱 Estrutura dos 4 Módulos
A disciplina é organizada em 4 Módulos Tecnológicos, acompanhando a evolução da IA no mercado moderno:
🧠 Módulo 1: Redes Neurais & MLOps
Da Matemática ao Deploy API em Docker
Fundamentos matemáticos (Perceptron em NumPy puro), Redes Profundas (MLP), Descida do Gradiente, Keras/TensorFlow, Regularização (Dropout/EarlyStopping) e deploy de modelo com FastAPI em container Docker.
🔤 Módulo 2: Vetores & Vector DBs
Espaço Latente, Embeddings e Chunking
Processamento de Linguagem Natural, representações vetoriais (Word Embeddings com spaCy), Similaridade de Cosseno, Bancos de Dados Vetoriais (ChromaDB), pipeline de ingestão e chunking de PDFs.
🤖 Módulo 3: IA Generativa & RAG
LLMs, Prompt Engineering e Spring AI
APIs de Grandes Modelos de Linguagem, JSON Mode & Schemas, desenvolvimento de motores RAG (Retrieval-Augmented Generation) em Python e frameworks corporativos com Spring AI (Java).
🚀 Tópicos Avançados e Integração
Agentes, Fine-Tuning e LLMOps como trilha optativa Agentes, Tool Calling, Fine-Tuning/LoRA, segurança e LLMOps permanecem como aprofundamento. O núcleo obrigatório encerra com integração, avaliação e apresentação de produtos fundamentados em retrieval e RAG.
📊 Avaliação e Logística 2026-2
As datas, os pesos, o escopo obrigatório e os critérios de avaliação são normativos exclusivamente no Plano de Ensino e Cronograma 2026-2. Esta página apresenta apenas a visão institucional da disciplina.
👨🏫 Professor Responsável
Prof. Aléssio Miranda Júnior
✉️
🏛️ CEFET-MG — Campus Timóteo
💻 Instância GitLab: git.juninho.com.br