{"id":572,"date":"2023-07-24T22:32:09","date_gmt":"2023-07-25T01:32:09","guid":{"rendered":"https:\/\/utfpr.lsda.online\/mbagestaoempresaria\/?page_id=9"},"modified":"2025-10-20T12:00:03","modified_gmt":"2025-10-20T15:00:03","slug":"disciplinas","status":"publish","type":"page","link":"https:\/\/utfpr.curitiba.br\/iaaplicada\/disciplinas\/","title":{"rendered":"Disciplinas"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Fundamentos de Python<\/strong><\/h3>

Ementa: Ambientes de Desenvolvimento (VS Code, JupyterLab, Google Colab) e Controle de Vers\u00e3o (Git\/GitHub). Vari\u00e1veis, express\u00f5es l\u00f3gicas e aritm\u00e9ticas. L\u00f3gica de Programa\u00e7\u00e3o (fluxo sequencial, condicional e de repeti\u00e7\u00e3o). Estruturas de Dados Fundamentais em Python. Subprograma\u00e7\u00e3o.<\/p>

Ferramentas de Dados<\/strong><\/h3>

Ementa: Aquisi\u00e7\u00e3o e carregamento de dados (CSV, Excel, API, Bancos de Dados SQL). Fundamentos e An\u00e1lise Explorat\u00f3ria de Dados (EDA). Estat\u00edstica descritiva; An\u00e1lise univariada; An\u00e1lise bivariada. Limpeza e Tratamento de Dados (Data Cleaning). Transforma\u00e7\u00e3o e Engenharia de Atributos (Feature Engineering). Visualiza\u00e7\u00e3o de dados e uso de bibliotecas interativas.<\/p>

Introdu\u00e7\u00e3o \u00e0 Intelig\u00eancia Artificial e Aprendizado de M\u00e1quina<\/strong><\/h3>

Ementa: Hist\u00f3ria e Conceitos Fundamentais da IA. Aprendizado Supervisionado (Regress\u00e3o). Aprendizado Supervisionado (Classifica\u00e7\u00e3o). Aprendizado N\u00e3o Supervisionado (Agrupamento). Redes Neurais Artificiais: conceitos e principais fundamentos.<\/p>

Aprendizado Profundo (Deep Learning)<\/strong><\/h3>

Ementa: Do Machine Learning ao Deep Learning: a arquitetura Multi-Layer Perceptron (MLP). Mecanismos de Treinamento: Gradiente Descendente, Otimizadores (Adam, SGD), Fun\u00e7\u00f5es de Perda. Constru\u00e7\u00e3o e treinando de rede neural profunda com Keras\/TensorFlow. Redes Neurais Convolucionais (CNNs) para Vis\u00e3o Computacional. Redes Neurais Recorrentes (RNNs) para Dados Sequenciais.<\/p>

Arquitetura Transformer e os Grandes Modelos de Linguagem (LLMs)<\/strong><\/h3>

Ementa: A Revolu\u00e7\u00e3o da Aten\u00e7\u00e3o: por que as RNNs n\u00e3o eram suficientes? O problema do gargalo sequencial. A ideia central: Mecanismo de Aten\u00e7\u00e3o no contexto Seq2Seq. Desconstruindo a Aten\u00e7\u00e3o: Query (Q), Key (K) e Value (V). A Arquitetura Transformer: o Cora\u00e7\u00e3o dos LLMs. O artigo “Attention Is All You Need”: uma an\u00e1lise guiada. Arquitetura Encoder-Decoder. Modelos de Funda\u00e7\u00e3o e Aplica\u00e7\u00f5es Pr\u00e1ticas: Fam\u00edlias GPT, BERT e Llama. Fundamentos de Engenharia de Prompt: estrat\u00e9gias b\u00e1sicas e avan\u00e7adas de prompting (few-shot, chain-of-thought, reason and act); par\u00e2metros de controle (temperatura, top-k, top-p, repeti\u00e7\u00e3o, tokens).<\/p>

T\u00e9cnicas de Adapta\u00e7\u00e3o de LLMs: RAG e Fine-Tuning<\/strong><\/h3>

Ementa: O Dilema da Adapta\u00e7\u00e3o: Quando um modelo pr\u00e9-treinado n\u00e3o \u00e9 suficiente? Vis\u00e3o Geral Comparativa: Fine-Tuning vs. RAG vs. Prompt Engineering. Ecossistema de Ferramentas: Introdu\u00e7\u00e3o a Hugging Face PEFT, LangChain\/LlamaIndex e Bancos de Dados Vetoriais (ChromaDB, FAISS). Fine-Tuning de Alta Efici\u00eancia (PEFT). Low-Rank Adaptation (LoRA): Desconstruindo a t\u00e9cnica. Gera\u00e7\u00e3o Aumentada por Recupera\u00e7\u00e3o (RAG). Anatomia de um Pipeline RAG. Avalia\u00e7\u00e3o de Sistemas RAG: M\u00e9tricas de fidelidade, precis\u00e3o e recall do contexto.<\/p>

Arquitetura e Desenvolvimento de Agentes Aut\u00f4nomos<\/strong><\/h3>

Ementa: O que \u00e9 um Agente? O ciclo Observar-Pensar-Agir (Observe-Think-Act). Anatomia de um Agente: LLM como c\u00e9rebro, Ferramentas, Mem\u00f3ria e Planejador. O Padr\u00e3o ReAct (Reason + Act): A base do racioc\u00ednio passo a passo. Decomposi\u00e7\u00e3o de Tarefas: Quebrando problemas complexos em passos execut\u00e1veis. Integra\u00e7\u00e3o com APIs externas. Tipos de Mem\u00f3ria: Mem\u00f3ria de curto prazo (no prompt) e de longo prazo (em bancos de dados vetoriais). Como avaliar um agente? M\u00e9tricas de sucesso da tarefa, custo e confiabilidade.<\/p>

Agentes de Pesquisa Profunda (Deep Research) com LangGraph<\/strong><\/h3>

Ementa: O Agente de Pesquisa Aut\u00f4nomo: a arquitetura do gpt-researcher. O Fluxo de Trabalho: Gera\u00e7\u00e3o de plano, execu\u00e7\u00e3o de busca paralela, extra\u00e7\u00e3o de fontes e s\u00edntese de relat\u00f3rio. LangGraph – Conceitos Fundamentais: o Grafo de Estados, Estado, N\u00f3s e Arestas. Roteamento Condicional para tomada de decis\u00e3o. Gerenciamento do estado do grafo. T\u00f3picos Avan\u00e7ados em Agentes com LangGraph: Persist\u00eancia e Resili\u00eancia, orquestra\u00e7\u00e3o e colabora\u00e7\u00e3o entre agentes, depura\u00e7\u00e3o e visualiza\u00e7\u00e3o de grafos.<\/p>

LLMOps I – Implanta\u00e7\u00e3o e Infraestrutura de Aplica\u00e7\u00f5es com LLMs<\/strong><\/h3>

Ementa: Fundamentos de LLMOps: o abismo entre o notebook e o servi\u00e7o real. O Ciclo de Vida LLMOps: Vis\u00e3o geral das etapas. Introdu\u00e7\u00e3o \u00e0 Containeriza\u00e7\u00e3o com Docker: Conceitos e boas pr\u00e1ticas. Construindo uma API robusta para a aplica\u00e7\u00e3o LLM com FastAPI. An\u00e1lise de Estrat\u00e9gias: Serverless (AWS Lambda), Orquestradores (Kubernetes) e Endpoints Gerenciados (SageMaker, Hugging Face). Conceitos de Integra\u00e7\u00e3o Cont\u00ednua e Entrega Cont\u00ednua (CI\/CD). Introdu\u00e7\u00e3o ao GitHub Actions para automa\u00e7\u00e3o de workflows.<\/p>

LLMOps II – Monitoramento, Governan\u00e7a e Otimiza\u00e7\u00e3o<\/strong><\/h3>

Ementa: O desafio da avalia\u00e7\u00e3o de LLMs em produ\u00e7\u00e3o: M\u00e9tricas tradicionais vs. m\u00e9tricas de qualidade. Frameworks de Avalia\u00e7\u00e3o (RAGAs, TruLens): M\u00e9tricas para RAG (Faithfulness, Answer Relevancy) e para Fine-tuning (Style, Toxicity). Monitoramento, Logging e Rastreabilidade. Seguran\u00e7a e Governan\u00e7a de LLMs. Otimiza\u00e7\u00e3o de Performance e Custos. Estrat\u00e9gias de Caching e Otimiza\u00e7\u00e3o de Infer\u00eancia.<\/p>

\u00c9tica, Governan\u00e7a e IA Respons\u00e1vel<\/strong><\/h3>

Ementa: Vieses (Bias) em Dados e Modelos: Fontes, detec\u00e7\u00e3o e mitiga\u00e7\u00e3o. Desinforma\u00e7\u00e3o, Deepfakes e o uso malicioso da tecnologia. Privacidade de Dados, Direitos Autorais e a Propriedade Intelectual na IA. Frameworks de Governan\u00e7a: NIST AI Risk Management Framework e AI Act da Uni\u00e3o Europeia. Transpar\u00eancia, Explicabilidade (XAI) e o direito \u00e0 contesta\u00e7\u00e3o de decis\u00f5es algor\u00edtmicas.<\/p>

Estrat\u00e9gia de Produtos e Inova\u00e7\u00e3o com IA<\/strong><\/h3>

Ementa: An\u00e1lise de Mercado: Identificando problemas e o Product-Market Fit para solu\u00e7\u00f5es de IA. Desenvolvimento de um Business Case para projetos de IA: ROI, custos e riscos. Gest\u00e3o de Produtos de IA: Defini\u00e7\u00e3o de roadmap, m\u00e9tricas de sucesso e MVP. Construindo “Vantagens Competitivas” (Moats) em Produtos de IA (dados, comunidade, etc.). O Futuro do Trabalho e a Transforma\u00e7\u00e3o Organizacional impulsionada pela IA.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

Fundamentos de Python Ementa: Ambientes de Desenvolvimento (VS Code, JupyterLab, Google Colab) e Controle de Vers\u00e3o (Git\/GitHub). Vari\u00e1veis, express\u00f5es l\u00f3gicas e aritm\u00e9ticas. L\u00f3gica de Programa\u00e7\u00e3o (fluxo sequencial, condicional e de repeti\u00e7\u00e3o). Estruturas de Dados Fundamentais em Python. Subprograma\u00e7\u00e3o. Ferramentas de Dados Ementa: Aquisi\u00e7\u00e3o e carregamento de dados (CSV, Excel, API, Bancos de Dados SQL). Fundamentos […]<\/p>\n","protected":false},"author":24,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-572","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/pages\/572","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/users\/24"}],"replies":[{"embeddable":true,"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/comments?post=572"}],"version-history":[{"count":9,"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/pages\/572\/revisions"}],"predecessor-version":[{"id":2695,"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/pages\/572\/revisions\/2695"}],"wp:attachment":[{"href":"https:\/\/utfpr.curitiba.br\/iaaplicada\/wp-json\/wp\/v2\/media?parent=572"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}