Published

17/07/2026

Modified

17/07/2026

Plano de Ensino

📄 Documento Oficial: Visualizar PDF do Plano de Ensino

Identificação

  • Campus: Timóteo
  • Disciplina: Inteligência Artificial II
  • Código: G07IART2.01
  • Carga Horária: Total: 60 horas-aula (Semanal: 04 aulas)
  • Créditos: 04
  • Natureza: Teórico-prática
  • Área de Formação - DCN: Profissionalizante
  • Competências/habilidades: C02, C03, C06, C07, C11, C12, C13
  • Departamento que oferta a disciplina: DECOMTM
  • Curso: Engenharia de Computação (8º Período - Eixo Sistemas Inteligentes - Obrigatória)

Ementa

Fundamentos das redes neurais artificiais: aprendizado, associação, generalização, abstração e robustez. Histórico das redes neurais artificiais. Estruturas de interconexão. Tipos de aprendizado: supervisionado e não-supervisionado. Perceptron simples, perceptron de múltiplas camadas, algoritmo de mínimos quadrados, algoritmo de retropropagação de erros e problemas de treinamento. Redes de aprendizado profundo (deep learning). Estudo de casos selecionados envolvendo projeto, implementação, treinamento e avaliação de redes neurais artificiais, utilizando ferramentas para simulação computacional, e.g., Python, TensorFlow, Matlab ou similares.

Objetivos

A disciplina deverá possibilitar ao estudante: 1. Compreender os fundamentos das redes neurais artificiais e aprendizado profundo (Deep Learning). 2. Entender arquiteturas como MLP e ter contato com modelos específicos (CNNs e Transformers). 3. Aplicar técnicas e frameworks modernos no treinamento e uso de redes neurais. 4. Trabalhar a associação e abstração de dados em espaços vetoriais (Embeddings). 5. Implementar soluções utilizando IA Generativa, Processamento de Linguagem Natural (NLP) e RAG (Retrieval-Augmented Generation). 6. Avaliar o desempenho, lidar com problemas de treinamento e extrair valor de modelos de linguagem usando ferramentas computacionais contemporâneas.

Unidades de Ensino

Unidade Descrição Carga Horária
1 FUNDAMENTOS DAS REDES NEURAIS – Histórico, intuição do Perceptron Simples, MLP, funções de ativação e tipos de aprendizado. 4
2 PROBLEMAS DE TREINAMENTO E RETROPROPAGAÇÃO – Como a rede aprende intuitivamente: função de erro, gradiente, e otimizadores modernos. 4
3 LABORATÓRIO 1: PRIMEIROS PASSOS EM DEEP LEARNING – Construção, treinamento e avaliação prática de um MLP usando Python (Keras/PyTorch). 6
4 REDES DE APRENDIZADO PROFUNDO (VISÃO GERAL) – A evolução para Redes Convolucionais (CNNs) e Redes Recorrentes (RNNs). Exemplos práticos em visão computacional. 4
5 ASSOCIAÇÃO, ABSTRAÇÃO E EMBEDDINGS – Fundamentos de Processamento de Linguagem Natural (NLP). Como transformar textos e conceitos em vetores (Word Embeddings e Similaridade de Cosseno). 4
6 LABORATÓRIO 2: DADOS VETORIAIS – Aplicação de embeddings com bibliotecas modernas e introdução aos Bancos de Dados Vetoriais (Vector DBs como Chroma ou FAISS). 6
7 A REVOLUÇÃO DOS TRANSFORMERS – O Mecanismo de Atenção. Transição dos modelos tradicionais para as arquiteturas que baseiam as IA Generativas atuais. 4
8 ESTUDO DE CASO: GRANDES MODELOS DE LINGUAGEM (LLMs) – Como funcionam GPT, BERT, Llama. Aplicações e a engenharia de prompts (Prompt Engineering). 4
9 LABORATÓRIO 3: HUGGING FACE E INTEGRAÇÕES – Utilização de modelos pré-treinados, consumo via API e execução de modelos open-source locais. 6
10 SISTEMAS RAG (Retrieval-Augmented Generation) – Integrando conhecimento externo às redes neurais. Chunking, Retrieval e Geração de texto embasada. 6
11 LABORATÓRIO 4: PIPELINES AVANÇADOS – Construção de um sistema RAG prático em laboratório utilizando frameworks de orquestração (ex: LangChain). 8
12 PROJETO FINAL (DEMODAY) – Desenvolvimento de um projeto aplicado englobando os conceitos de redes neurais, treinamento ou uso de LLMs em problemas reais. 4
Total 60

Bibliografia Básica

  1. HAYKIN, Simon. Redes Neurais: princípios e prática. Porto Alegre: Bookman, 2001. ISBN-10: 8573077182.
  2. GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, 3ª edição, 2022. (Recomendada para cobrir a prática de MLP, Keras e Deep Learning).
  3. LINDEN, Ricardo. Algoritmos genéticos: uma importante ferramenta da inteligência computacional. 2. ed. Rio de Janeiro: Brasport, 2008.

Bibliografia Complementar

  1. TUNSTALL, Lewis; VON WERRA, Leandro; WOLF, Thomas. Natural Language Processing with Transformers: Building Language Applications with Hugging Face. O’Reilly Media, 2022. (Essencial para as práticas de NLP, LLMs e Transformers).
  2. RUSSELL, S. J., NORVIG, P. Artificial Intelligence: a modern approach. Prentice-Hall, 1st edition, 1994.
  3. CHOLLET, François. Deep Learning with Python. Manning Publications, 2nd Edition, 2021.
  4. COPPIN, Ben. Inteligência artificial. Tradução de Jorge Duarte Pires Valério. Rio de Janeiro: LTC, 2010.
  5. FERNANDES, Anita Maria da Rocha. Inteligência artificial: noções gerais. Florianópolis: Visual Books, 2003.
Back to top