Plano Didático - Inteligência Artificial II
Informações Gerais
Identificação
- Campus: Timóteo
- Curso: Engenharia de Computação
- Disciplina: Inteligência Artificial II
- Código: G07IART2.01
- Período Letivo: (A definir)
- Carga Horária: 60 horas-aula
- Créditos: 04
- Natureza: Teórico-prática
- Oferta: Obrigatória
Docentes
- Docente Responsável: Alessio Miranda Junior
Atendimento Extraclasse
- Local: Sala 47 do bloco B
- Horário: (A definir)
Metodologia de Ensino (Abordagem Prática / Top-Down)
A disciplina utilizará uma abordagem focada no desenvolvimento prático (Top-Down): primeiro constrói-se a intuição e aplica-se as ferramentas de software, e em seguida analisa-se os mecanismos teóricos conforme a necessidade. 1. Aulas Teóricas Conceituais: Construção de intuição usando metáforas visuais e geométricas, evitando excesso de cálculo denso, com foco na arquitetura dos sistemas de IA. 2. Aulas Práticas Constantes (Laboratório): Todo conceito teórico será seguido imediatamente de implementação em código (Python). 3. Frameworks e Ecossistema Open-Source: Uso intensivo de bibliotecas modernas como Keras/TensorFlow, Transformers (Hugging Face) e LangChain. 4. Aprendizagem Baseada em Projetos (PBL): Avaliações baseadas na criação de sistemas inteligentes funcionais. 5. Cultura de Engenharia de Software (GitLab): Todo o ciclo de vida dos projetos, cadernos e códigos ocorrerá obrigatoriamente num ambiente GitLab self-hosted gerido pelo professor, simulando práticas reais do mercado (controle de versão e repositórios). 6. Avaliação Automatizada (CI/CD como Juiz Online): Todos os laboratórios práticos contarão com Pipelines de Integração Contínua no GitLab. O código dos alunos será validado automaticamente através de testes unitários (Pytest para Python, JUnit para Java), garantindo correção matemática e arquitetural a cada push.
Avaliação
| Atividade Avaliativa | Valor |
|---|---|
| Prova 1 (Teórica) | 30 |
| Prova 2 (Teórica Avançada) | 30 |
| Trabalho Prático 1 | 10 |
| Trabalho Prático 2 | 10 |
| Avaliação do Dia a Dia (Participação e Laboratórios) | 20 |
| Total | 100 |
Recursos
- Laboratório de informática com acesso à internet.
- Servidor GitLab Institucional (Self-hosted) para hospedagem e controle de versão de todos os projetos dos alunos.
- Google Colab (fortemente recomendado para uso de GPUs gratuitas nas práticas com LLMs e Redes Neurais).
- Datashow e ambiente virtual de aprendizagem.
Cronograma Estimado (15 Semanas / 60 horas-aula)
Distribuição de 4 aulas semanais intercaladas: metade do tempo para discussão de arquitetura/teoria intuitiva, e a outra metade inteiramente hands-on* (laboratório).*
| Semana | Tópicos Teóricos e Conceituais | Tópicos Práticos (Laboratório) |
|---|---|---|
| 1 | Fundamentos de Redes Neurais, Neurônio Artificial e MLP | Ambientação com Google Colab e Numpy (Construindo o primeiro modelo simples) |
| 2 | Como a IA aprende: Intuição da Função de Perda, Gradiente e Backpropagation | Prática Keras/PyTorch: Montando a primeira arquitetura MLP para Classificação |
| 3 | Lidando com dados do mundo real e problemas de treinamento (Overfitting, Otimizadores) | Implementação de Regularização, Callbacks (Early Stopping) e avaliação de métricas |
| 4 | Visão Geral de Deep Learning: De Imagens (CNNs) para Séries Temporais | Transfer Learning prático (consumindo uma rede treinada para classificar imagens) |
| 5 | O mundo do Processamento de Linguagem Natural (NLP) e Word Embeddings | Codificando textos: Calculando similaridade de Cosseno entre documentos em Python |
| 6 | Bancos de Dados Vetoriais (Vector DBs) e a busca semântica | Prática: Armazenando e buscando embeddings com ChromaDB ou FAISS |
| 7 | A Arquitetura Transformer e a virada no mundo da IA (Mecanismos de Atenção) | Utilizando a biblioteca Transformers (Hugging Face): Pipelines de classificação e resumo |
| 8 | Os Grandes Modelos de Linguagem (LLMs): GPT, Llama, BERT | Explorando APIs abertas de LLMs e introdução técnica ao Prompt Engineering estruturado |
| 9 | Semana de Consolidação e Entregas (Trabalho Prático 1) | Suporte prático, apresentação e correção dos modelos desenvolvidos no TP1 |
| 10 | Sistemas RAG (Retrieval-Augmented Generation): Resolvendo a alucinação das IAs | Montando um pipeline RAG manual em Python para prova de conceito. |
| 11 | O “Enterprise AI”: Migrando para o ecossistema corporativo | Prática: Iniciando um servidor Java com Spring Boot e Spring AI. |
| 12 | Arquitetura RAG em Java (Endpoints REST e Vector Stores) | Executando um laboratório construindo endpoints REST enriquecidos com IA via Spring. |
| 13 | Integração em Produtos Reais e Avaliação de Sistemas de IA Generativa | Semana de Entregas (Trabalho Prático 2): Construção do bot especialista em laboratório |
| 14 | Desenvolvimento e Mentoria do Projeto Final | Oficina de Laboratório focada nos problemas técnicos do Projeto Final de cada grupo |
| 15 | Demoday: Apresentação dos Projetos Finais | Demonstração técnica das soluções criadas e análise crítica da arquitetura utilizada |