MÊS 1 E 2
Fundamentos de IA e AI Engineering
- Montagem do ambiente de desenvolvimento para IA (Python, uv, Jupyter e Git)
- Manipulação de dados e criação do primeiro modelo preditivo com scikit-learn
- Primeira integração com APIs de LLMs (OpenAI e Anthropic) via código
- Critérios de decisão entre regra, machine learning e LLM
- Desenvolvimento com agentes de código, do prompt ao pull request, e revisão do código gerado por IA
Machine Learning Moderno
- Aprendizado supervisionado e não supervisionado com scikit-learn
- Árvores, ensembles e XGBoost
- Avaliação de modelos, validação cruzada e controle de overfitting
- Redes neurais e deep learning com PyTorch
- Comparação de modelos e escolha do que vai para produção
ML Aplicado e MLOps
- Pipelines de dados e engenharia de features
- Rastreamento de experimentos e versionamento de dados e modelos (MLflow e DVC)
- Deploy de modelos via API com FastAPI e Docker
- Monitoramento de modelos e data drift com Evidently
- CI/CD para machine learning com GitHub Actions
Computer Vision
- Fundamentos de visão computacional e processamento de imagens (OpenCV)
- Construção de Redes Neurais Convolucionais (CNNs) e Transfer Learning
- Detecção de objetos e segmentação em tempo real com YOLO e Segment Anything
- Implantação de classificadores visuais como APIs de alta disponibilidade
Microcertificação
Ao final dessa fase, você
receberá o Achievement 1: Discover.
