Trailer
Sinopse
A disciplina de Inteligência Artificial Generativa explora a capacidade da IA de gerar dados novos, uma mudança de paradigma em relação aos modelos puramente discriminativos. O curso proporciona um entendimento profundo do funcionamento estatístico, probabilístico e matemático destes modelos, avançando para a implementação prática com Python e PyTorch. O currículo abrange Modelos Autoregressivos (como Transformers e LLMs) na primeira unidade, Redes Adversárias Generativas (GANs) na segunda, e conclui com o estudo de Modelos de Difusão para geração de imagens na terceira unidade.
Vídeo
Classificações
50%
50%
Clássicas
Ativas
50%
50%
Provas
Atividades
50%
50%
Teórica
Prática
20%
80%
Social
Técnica
65%
35%
Individuais
Em grupo
100%
0%
Presencial
EAD
Podcast
Velocidade 1.0x
Conhecimentos / Competências Desejados
Espera-se que o aluno inicie a disciplina com bases matemáticas sólidas e conhecimentos fundamentais de programação estruturada.
Tópicos e Nível de Domínio:
Álgebra Linear (formalismo vetorial e tensores) - Nível 8;
Cálculo Diferencial (otimização, gradientes e derivadas) - Nível 8;
Estatística e Probabilidade (distribuições, variância, médias) - Nível 8;
Programação em Python (e noções de frameworks como PyTorch) - Nível 7;
Tópicos
Sem tópicos cadastrados
Obstáculos
Os alunos costumam enfrentar desafios com a densidade matemática exigida, especialmente no entendimento profundo de Álgebra Linear e Cálculo Diferencial, que são essenciais para
compreender o funcionamento das redes neurais, otimização (gradiente descendente) e retropropagação do erro. Outro obstáculo comum é a transição da teoria matemática para a
implementação prática de código do zero (usando PyTorch), o que requer domínio em lógica de programação.
Metodologias
Não há metodologias cadastradas
Perguntas Frequentes
A disciplina possui uma divisão de praticamente 50/50. Exige uma forte base teórica para
o entendimento subjacente dos modelos, aliada a implementações práticas do zero
utilizando PyTorch e Python.
Sim, o currículo abrange conhecimentos tanto para carreiras voltadas à pesquisa
acadêmica (mestrado, doutorado) quanto para atuações diretas na indústria, onde há alta
demanda para construir, treinar ou fazer fine-tuning de modelos generativos.
Nas unidades 1 e 2, os alunos desenvolvem projetos menores, geralmente de forma
individual. Na terceira unidade, os alunos agrupam-se para desenvolver um projeto final
mais denso e livre, integrando todo o conhecimento obtido no semestre.
Não é essencial. O uso de ambientes na nuvem, como o Google Colab, é incentivado,
permitindo que as atividades práticas sejam realizadas independentemente do
processamento de hardware local dos alunos.
A disciplina foi desenhada para dar uma ideia geral mesmo a quem não possui uma base
matemática extremamente sólida, porém a falta de conhecimento prévio em cálculo e
álgebra tornará o acompanhamento muito mais desafiador.
2026
Índices de aprovação
Altere a data ou marque/desmarque a opção "Todos os
períodos" para fazer uma nova busca.
Buscando dados...
Aprovados
0%
Reprovados
0%
Nota média (todas as unidades)
0
Nota média por unidade
Unidade 1
N/A
Unidade 2
9.7
Unidade 3
4.2
Conteúdos
Conceitos
-
Modelos Autoregressivos (LLMs, GPT)
Redes Adversárias Generativas (GANs)
Modelos de Difusão
Gradiente Descendente e Otimização
Arquitetura Transformer
Fine-Tuning e RAG (Retrieval-Augmented Generation)
Referências
-
Deep Learning - Ian Goodfellow, Yoshua Bengio e Aaron Courville
Pattern Recognition and Machine Learning - Christopher Bishop
Artigos científicos (papers) recentes do estado da arte em IA Generativa
Comunidades e recursos online (Hugging Face, GitHub, subreddits de Machine Learning)