# 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**

***

📄 **Documento Oficial:** [Visualizar PDF do Plano Didático](PD_P08_02_IART2_2026.pdf)

## 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)
    - 🕒 **Turma 1:** Segunda-feira (14:55 às 16:35) e Quarta-feira (13:00 às 14:40)
    - 🕒 **Turma 2:** Segunda-feira (16:35 às 18:15) e Quarta-feira (14:55 às 16:35)
  - Créditos: 4
- **Local das Aulas:** Sala 40
- **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:

1. **Compreender** os fundamentos matemáticos e algorítmicos das Redes Neurais Artificiais e do Aprendizado Profundo (*Deep Learning*).
2. **Implementar** arquiteturas supervisionadas (MLP) do zero em Python/NumPy e utilizar frameworks consolidados (Keras/PyTorch).
3. **Manipular** dados não estruturados no espaço vetorial por meio de *Embeddings* e Bancos de Dados Vetoriais (*Vector DBs*).
4. **Construir** aplicações avançadas de IA Generativa utilizando arquiteturas Transformer, Engenharia de Prompts e RAG (*Retrieval-Augmented Generation*).
5. **Desenvolver** Agentes Autônomos corporativos com capacidade de uso de ferramentas (*Tool Calling*) e orquestração.
6. **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
1. MIRANDA JÚNIOR, Aléssio. *[Inteligência Artificial II: Do Perceptron aos Agentes Autônomos e RAG Corporativo (PDF)](../../conteudo/00-Livro/livro.pdf)*. CEFET-MG, 2026. (Livro teórico oficial da disciplina).
2. MIRANDA JÚNIOR, Aléssio. *[Caderno de Práticas, Laboratórios e Projetos de Inteligência Artificial II (PDF)](../../conteudo/00-Livro/caderno-laboratorios.pdf)*. CEFET-MG, 2026. (Caderno de laboratórios oficial).
3. GÉRON, Aurélien. *Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow*. 3. ed. O'Reilly Media, 2022.
4. HAYKIN, Simon. *Redes Neurais: princípios e prática*. 2. ed. Porto Alegre: Bookman, 2001.

### Complementar
1. TUNSTALL, Lewis; VON WERRA, Leandro; WOLF, Thomas. *Natural Language Processing with Transformers: Building Language Applications with Hugging Face*. O'Reilly Media, 2022.
2. CHOLLET, François. *Deep Learning with Python*. 2. ed. Manning Publications, 2021.
3. RUSSELL, Stuart; NORVIG, Peter. *Inteligência Artificial: uma abordagem moderna*. 4. ed. Rio de Janeiro: GEN LTC, 2022.
4. BRIGGS, James; INGHAM, Heiko. *Vector Search for Practitioners with Qdrant and Python*. O'Reilly Media, 2023.
5. SHAW, Anthony. *CPython Internals: Your Guide to the Python 3 Interpreter*. Real Python, 2021.