Este curso tem como objectivo proporcionar uma visão abrangente sobre a Inteligência Artificial Generativa (AI Generativa), explorando os principais modelos e as suas aplicações práticas, permitindo aos participantes desenvolver soluções baseadas em IA e compreender as implicações tecnológicas e éticas do seu uso.

No final deste curso os participantes saberão:

·         Compreender os fundamentos da AI Generativa e as diferenças entre modelos generativos e discriminativos.

·         Explorar os principais modelos generativos, como VAEs, Transformers, GANs e LLMs, e as suas aplicações práticas.

·         Desenvolver soluções práticas com base em técnicas de AI Generativa, como chatbots e geração de conteúdo.

·         Aplicar técnicas de aprendizagem combinada, como VAE-GANs, para criar modelos inovadores.

·         Instalar e configurar grandes modelos de linguagem (LLMs) para processamento de linguagem natural (PLN).

·         Avaliar os desafios éticos e técnicos no desenvolvimento e implementação de IA Generativa.

Este curso destina-se a profissionais de tecnologia, engenheiros de machine learning, cientistas de dados, programadores e entusiastas de AI que pretendem aprofundar os seus conhecimentos sobre AI Generativa, seus modelos e aplicações.

·         Conhecimentos básicos de programação, preferencialmente em Python.

·         Noções fundamentais sobre machine learning e redes neurais.

MÓDULO I - Fundamentos da Inteligência Artificial Generativa

1 -    Introdução à Inteligência Artificial Generativa

·         Definição e contexto histórico.

·         Aplicações da IA Generativa em diferentes indústrias.

2 -    Modelos Generativos vs. Modelos Discriminativos

·         Comparação e exemplos práticos.

3 -    Aplicações Práticas de Modelos Generativos

·         Geração de imagens, música, texto e outras áreas criativas.

MÓDULO II - Variational Autoencoders (VAEs)

1 -    Autoencoders e VAEs

·         Diferença entre autoencoders simples e VAEs.

·         Estrutura e funcionamento dos VAEs.

2 -    Aprendizagem de Representações

·         Como os VAEs aprendem representações compactas dos dados.

3 -    Aplicações Práticas

·         Compressão de dados, geração de amostras sintéticas, entre outras.

MÓDULO III - Transformers e Self-Attention

1 -    Introdução aos Transformers

2 -    Arquitectura dos Transformers

·         Mecanismo de Self-Attention e como melhora o desempenho em PLN.

MÓDULO IV - Chatbots Baseados em AI Generativa

1 -    Arquitecturas Comuns de Chatbots

2 -    Transformers em Chatbots

MÓDULO IV - Redes Adversariais Generativas (GANs)

1 -    Arquitectura e Funcionamento

2 -    Variações das GANs

3 -    Aplicações Práticas

MÓDULO VI - Large Language Models (LLMs)

1 -    Introdução aos LLMs

2 -    Modelos Populares (GPT, BERT, LLaMA, PaLM2)

3 -    Instalação e Configuração de LLMs