Plano de Ensino — Inteligência Artificial II (2026-2)
Ministério da Educação
Centro Federal de Educação Tecnológica de Minas Gerais
Diretoria de Graduação
Departamento de Computação (DECOMTM) — Campus Timóteo
1. Identificação da Disciplina
- Campus: Timóteo
- Disciplina: Inteligência Artificial II
- Código: G07IART2.01
- Semestre Letivo: 2026-2
- Carga Horária:
- Total: 60 horas-aula
- Semanal: 4 horas-aula (Segundas e Quartas-feiras)
- Créditos: 4
- Natureza: Teórico-prática
- Área de Formação (DCN): Profissionalizante / Eixo Sistemas Inteligentes
- Competências/Habilidades: C02, C03, C06, C07, C11, C12, C13
- Departamento Responsável: DECOMTM
- Curso: Engenharia de Computação (8º Período — Obrigatória)
- Professor Responsável: Prof. Aléssio Miranda Júnior (
alessio@cefetmg.br) - Infraestrutura Prática: GitLab Self-Hosted (
https://git.juninho.com.br)
2. Ementa
Fundamentos das redes neurais artificiais: aprendizado, associação, generalização e robustez. Perceptron Simples em álgebra linear pura, Perceptron de Múltiplas Camadas (MLP), função de perda e algoritmo de retropropagação de erros (Backpropagation). Ecossistema de Aprendizado Profundo (PyTorch e Keras/TensorFlow). Diagnóstico de sobreajuste (Overfitting), regularização, Dropout e Callbacks. Associação, abstração e espaços latentes: Word Embeddings e Similaridade de Cosseno. Bancos de Dados Vetoriais (Vector DBs / ChromaDB) e estratégias de Chunking. Arquitetura Transformer e Mecanismo de Atenção. Engenharia de Prompts e consumo de APIs de LLMs (JSON Mode). Sistemas RAG (Retrieval-Augmented Generation) em Python e Spring AI. Agentes Autônomos (ReAct / Tool Calling), Fine-Tuning Eficiente (LoRA) e defesas contra Jailbreak. Cultura de MLOps com automação de testes e CI/CD via GitLab.
3. Objetivos
A disciplina possibilita ao estudante:
- Compreender os fundamentos matemáticos e algorítmicos das Redes Neurais Artificiais e do Aprendizado Profundo (Deep Learning).
- Implementar arquiteturas supervisionadas (MLP) do zero em Python/NumPy e utilizar frameworks consolidados (Keras/PyTorch).
- Manipular dados não estruturados no espaço vetorial por meio de Embeddings e Bancos de Dados Vetoriais (Vector DBs).
- Construir aplicações avançadas de IA Generativa utilizando arquiteturas Transformer, Engenharia de Prompts e RAG (Retrieval-Augmented Generation).
- Desenvolver Agentes Autônomos corporativos com capacidade de uso de ferramentas (Tool Calling) e orquestração.
- Aplicar práticas modernas de MLOps, controle de versão e integração contínua (CI/CD) via GitLab Self-Hosted (
git.juninho.com.br).
4. Metodologia de Ensino
A disciplina adota uma metodologia integrada que une fundamentação teórica rigorosa com prática de engenharia de software no mercado de IA:
- Aulas Teóricas Expositivas e Dialogadas: Apresentação dos fundamentos matemáticos, arquiteturas e algoritmos com espaço para debate técnico.
- Provas Teóricas Presenciais: Duas avaliações escritas individuais (50 pontos total) para garantir o domínio conceitual e formal dos conteúdos.
- Aprendizagem Baseada em Projetos (PBL): Desenvolvimento de projetos práticos progressivos que convergem para 2 Trabalhos Práticos (TP1 e TP2) e um Projeto Integrador Capstone (TP3) final.
- Sessões Práticas de Laboratório (40 Minutos + Janela de 24 Horas): Cada sessão presencial inclui um desafio prático de 40 minutos. O estudante conta com uma janela estrita de 24 horas após a aula para concluir o código e realizar o
git push origin main. - Cultura MLOps & GitLab CI/CD: A validação e auditoria das entregas ocorrem de forma automatizada na instância self-hosted do GitLab (
https://git.juninho.com.br), onde pipelines em containers Docker executam testes unitários (pytest/mvn test) e verificam o timestamp exato dos commits.
5. Unidades de Ensino (Cronograma Detalhado nas Segundas e Quartas)
Módulo 1: Redes Neurais & MLOps (Encontros 1 a 8)
| Encontro | Data | Título | Conteúdo Teórico | Conteúdo do Laboratório Prático |
|---|---|---|---|---|
| 1 | 05/08/2026 (Qua) | O Primeiro Neurônio | Apresentação da disciplina. Matemática do Perceptron simples e álgebra linear. | Lab 01: Implementação do Perceptron em NumPy puro + Setup do GitLab CI/CD (Starter Template). |
| 2 | 10/08/2026 (Seg) | Redes Profundas (MLP) | Redes Multicamadas, funções de ativação (Sigmoid, ReLU) e camadas densas. | Lab 02: Construção de uma MLP manual em Python + Suíte de testes unitários (pytest). |
| 3 | 12/08/2026 (Qua) | Descida do Gradiente | Superfície de erro, função de perda (MSE) e gradiente descendente. | Lab 03: Script de treinamento, plotagem de convergência e explosão proposital de gradiente. |
| 4 | 17/08/2026 (Seg) | Ecossistema Keras | Keras/TensorFlow, API Sequential e pré-processamento de dados. | Lab 04: Geração de dados sintéticos e pré-processamento obrigatório (Normalização). |
| 5 | 19/08/2026 (Qua) | Multiclasse & Overfitting | Classificação Multiclasse (Softmax, Cross-Entropy) e sobreajuste. | Lab 05: Classificação no Fashion-MNIST/CIFAR e diagnósticos de overfitting. |
| 6 | 24/08/2026 (Seg) | Regularização & Callbacks | Técnica de Dropout, L1/L2, EarlyStopping e ModelCheckpoint. | Lab 06: (Opcional) Intervenção com Dropout e parada antecipada de treinamento. |
| 7 | 26/08/2026 (Qua) | Transfer Learning | Otimizadores (Adam, RMSprop) e Transfer Learning (ResNet50). | Lab 07: Extração de características com modelos pré-treinados e congelamento de camadas. |
| 8 | 31/08/2026 (Seg) | Entrega do TP1 | MLOps: Deploy de modelos, FastAPI, Docker e CI/CD corporativo. | Lab 08 (TP1): Deploy do Classificador de IA em API REST containerizada em Docker. |
Módulo 2: Vetores, Embeddings & Vector DBs (Encontros 9 a 18)
| Encontro | Data | Título | Conteúdo Teórico | Conteúdo do Laboratório Prático |
|---|---|---|---|---|
| 9 | 02/09/2026 (Qua) | Espaço Latente | Representação vetorial de palavras, spaCy e similaridade semântica. | Lab 09: Extração de Word Embeddings em português e intuição espacial. |
| - | 07/09/2026 (Seg) | Feriado | Independência do Brasil. | - |
| 10 | 09/09/2026 (Qua) | Busca Semântica | Similaridade de Cosseno aplicada à recuperação de texto. | Lab 10: Construção de um Buscador Semântico em Python. |
| 11 | 14/09/2026 (Seg) | Vector DBs (ChromaDB) | Bancos de Dados Vetoriais, indexação HNSW e coleções. | Lab 11: Operações CRUD no ChromaDB e persistência local. |
| 12 | 16/09/2026 (Qua) | PDF Chunking & Ingestão | Leitura de documentos, estratégias de chunking e overlap. | Lab 12: Pipeline de Ingestão e Chunking de PDFs corporativos. |
| 13 | 21/09/2026 (Seg) | Arquitetura Transformer | Mecanismo de Atenção (Self-Attention) e arquiteturas Encoder/Decoder. | Lab 13: (Opcional) Inspeção de Atenção em Transformers no Google Colab. |
| 14 | 23/09/2026 (Qua) | Hugging Face Pipelines | Modelos open-source, Hugging Face Hub e pipelines de inferência. | Lab 14: Inferência local com pipelines Hugging Face. |
| 15 | 28/09/2026 (Seg) | APIs de LLMs & Prompts | Consumo de LLMs comerciais (OpenAI/Gemini) e Engenharia de Prompts. | Lab 15: APIs e Prompts Básicos na Prática. |
| 16 | 30/09/2026 (Qua) | JSON Mode & Schemas | Extração estruturada de dados com LLMs e validação Pydantic. | Lab 16: Extração Sistêmica e JSON Mode. |
| 17 | 05/10/2026 (Seg) | RAG Naive em Python | Arquitetura RAG (Retrieval-Augmented Generation) básica. | Lab 17: O RAG Feito à Mão sem frameworks de abstração. |
| 18 | 07/10/2026 (Qua) | PROVA TEÓRICA 1 | Avaliação escrita sobre o conteúdo dos Módulos 1 e 2 (25 Pontos). | Não há atividade prática nesta data. |
Módulo 3: IA Generativa & RAG Corporativo (Encontros 19 a 23)
| Encontro | Data | Título | Conteúdo Teórico | Conteúdo do Laboratório Prático |
|---|---|---|---|---|
| - | 12/10/2026 (Seg) | Feriado | Nossa Senhora Aparecida. | - |
| 19 | 14/10/2026 (Qua) | Spring AI & FastAPI | Frameworks corporativos de IA (Spring AI e FastAPI). | Lab 18: Setup do ambiente Spring AI / FastAPI. |
| 20 | 19/10/2026 (Seg) | RAG Corporativo | Ingestão avançada, leitores de documentos e Vector Stores em Spring AI. | Lab 19: Construção do RAG Corporativo. |
| 21 | 21/10/2026 (Qua) | Métricas RAG (Ragas) | Avaliação de fidelidade, relevância de contexto e alucinação. | Lab 21: Cálculo de Métricas de Avaliação RAG com a biblioteca Ragas. |
| 22 | 26/10/2026 (Seg) | Entrega do TP2 | Arquitetura de Produção RAG e validação de entregáveis. | Lab 22 (TP2): Validação e Entrega do Sistema RAG Corporativo Especialista. |
| 23 | 28/10/2026 (Qua) | Fine-Tuning (LoRA) | Ajuste fino de modelos de linguagem, PEFT e LoRA. | Lab 23: Fine-Tuning com LoRA no Google Colab. |
Módulo 4: Agentes Autônomos & Projeto Capstone (Encontros 24 a 33)
| Encontro | Data | Título | Conteúdo Teórico | Conteúdo do Laboratório Prático |
|---|---|---|---|---|
| - | 02/11/2026 (Seg) | Feriado | Finados. | - |
| 24 | 04/11/2026 (Qua) | Agentes Autônomos | Raciocínio iterativo, arquitetura ReAct e Tool Calling. | Lab 24: Construção de Agentes Autônomos com busca e ferramentas externas. |
| 25 | 09/11/2026 (Seg) | Segurança & Red Teaming | Ataques de Prompt Injection, Jailbreak e defesas de segurança. | Lab 25: (Opcional) Arena de Red Teaming e Defesa contra Jailbreak. |
| 26 | 11/11/2026 (Qua) | Capstone Sprint 1 | Kickoff do Projeto Integrador Final, escopo e requisitos. | Lab 26: Hackathon Sprint 1 — Modelagem de Arquitetura e Repositório Base. |
| 27 | 16/11/2026 (Seg) | Capstone Sprint 2 | Integração de Back-end, RAG e orquestração de Agentes. | Lab 27: Hackathon Sprint 2 — Implementação de RAG & Tools do Agente. |
| 28 | 18/11/2026 (Qua) | Capstone Sprint 3 | Interfaces de Usuário (UI) para IA, UX e defesas de segurança. | Lab 28: Hackathon Sprint 3 — Desenvolvimento da Interface Web & Defesas. |
| 29 | 23/11/2026 (Seg) | Capstone Sprint 4 | Containerização Docker, pipelines CI/CD Cloud e testes de carga. | Lab 29: (Opcional) Hackathon Sprint 4 — Deploy Cloud & CI/CD Final. |
| 30 | 25/11/2026 (Qua) | Ensaio do Demoday | Refinamento de código, homologação e ensaio de pitch. | Lab 30 (Draft): Homologação Final e Slide Deck do Pitch. |
| 31 | 30/11/2026 (Seg) | Demoday Capstone | Apresentação Final do Projeto Capstone (20 Pontos). | Lab 30: Demoday — Pitch de 3min + Demonstração ao vivo para a Banca. |
| 32 | 02/12/2026 (Qua) | PROVA TEÓRICA 2 | Avaliação escrita sobre o conteúdo dos Módulos 3 e 4 (25 Pontos). | Não há atividade prática nesta data. |
| 33 | 07/12/2026 (Seg) | Fechamento Oficial | Exame Especial e fechamento oficial do diário acadêmico. | - |
6. Critérios de Avaliação (100 Pontos Total)
A avaliação da disciplina é distribuída igualmente entre domínio teórico individual (50 pts) e capacidade prática corporativa em MLOps e IA (50 pts):
| Componente | Tipo | Descrição / Forma de Validação | Pontuação |
|---|---|---|---|
| Prova Teórica 1 | Escrita | Avaliação individual escrita sobre Módulos 1 e 2 (Data: 07/10/2026). | 25 pts |
| Prova Teórica 2 | Escrita | Avaliação individual escrita sobre Módulos 3 e 4 (Data: 02/12/2026). | 25 pts |
| Laboratórios Práticos Semanais | Individual | 24 labs essenciais (0,4 pt cada) validados no prazo de 24h via GitLab CI/CD. | 10 pts |
| Trabalho Prático 1 (TP1) | Grupos / Indiv. | Classificador em Keras + API REST FastAPI em Docker (Lab 08). | 10 pts |
| Trabalho Prático 2 (TP2) | Grupos / Indiv. | Sistema RAG Corporativo Especialista em Spring AI / FastAPI (Lab 22). | 10 pts |
| Projeto Integrador Capstone (TP3) | Grupos (3-4) | Agente IA Autônomo Corporativo + Hackathon Sprints + Demoday (Lab 30). | 20 pts |
| Total | 100 pts |
7. Bibliografia
Básica
- MIRANDA JÚNIOR, Aléssio. Inteligência Artificial II: Do Perceptron aos Agentes Autônomos e RAG Corporativo (PDF). CEFET-MG, 2026. (Livro teórico oficial da disciplina).
- MIRANDA JÚNIOR, Aléssio. Caderno de Práticas, Laboratórios e Projetos de Inteligência Artificial II (PDF). CEFET-MG, 2026. (Caderno de laboratórios oficial).
- GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3. ed. O’Reilly Media, 2022.
- HAYKIN, Simon. Redes Neurais: princípios e prática. 2. ed. Porto Alegre: Bookman, 2001.
Complementar
- TUNSTALL, Lewis; VON WERRA, Leandro; WOLF, Thomas. Natural Language Processing with Transformers: Building Language Applications with Hugging Face. O’Reilly Media, 2022.
- CHOLLET, François. Deep Learning with Python. 2. ed. Manning Publications, 2021.
- RUSSELL, Stuart; NORVIG, Peter. Inteligência Artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022.
- BRIGGS, James; INGHAM, Heiko. Vector Search for Practitioners with Qdrant and Python. O’Reilly Media, 2023.
- SHAW, Anthony. CPython Internals: Your Guide to the Python 3 Interpreter. Real Python, 2021.