Apresenta dados, variáveis, exemplos, rótulos, modelos, erros e previsões como peças centrais da IA. Inclui pequenas atividades de leitura de tabelas e identificação de padrões em situações reais.

Mostra como representar problemas de IA como estados, ações, objetivos, recompensas e restrições. Essa forma de pensar prepara o caminho para busca, planejamento, aprendizado de máquina e agentes modernos.

Cobre os elementos de programação mais usados em projetos de IA: Python, notebooks, bibliotecas, arquivos, funções, listas, tabelas e gráficos. O foco é conseguir executar experimentos pequenos e reproduzíveis.

Trabalha álgebra linear, funções, derivadas, probabilidade e estatística na medida em que aparecem em modelos de IA. Cada ideia matemática é ligada a uma tarefa prática, como medir erro, ajustar pesos ou comparar incertezas.

Mostra como a IA evoluiu de lógica simbólica e sistemas especialistas até aprendizado profundo, modelos fundacionais e agentes com ferramentas. A história ajuda a perceber por que certas ideias voltam, por que outras falharam e como surgiram as práticas atuais.

Cobre a arquitetura de agentes: sensores, atuadores, ambiente, estado interno, objetivos e função de desempenho. O aluno constrói agentes simples que tomam decisões em ambientes pequenos e controlados.

Ensina busca em espaço de estados, incluindo busca em largura, busca em profundidade, custo uniforme, heurísticas e A*. O aluno aplica essas técnicas a labirintos, rotas e quebra-cabeças simples.

Trata problemas em que a solução precisa obedecer a regras combinatórias, como horários, alocação de recursos e sudoku. O capítulo cobre variáveis, domínios, restrições, propagação e backtracking.

Apresenta jogos como ambientes de decisão adversarial, com minimax, poda alfa-beta, funções de avaliação e limites de tempo. O aluno cria estratégias simples para jogos de tabuleiro e mede sua força contra oponentes básicos.

Cobre lógica proposicional, lógica de predicados, inferência, regras e prova automática em nível prático. O aluno representa fatos e tira conclusões em pequenos domínios, como diagnósticos simples e regras de negócio.

Mostra como organizar conceitos, relações e regras de um domínio usando grafos de conhecimento e ontologias. O capítulo inclui modelagem de entidades, relações, consultas e validação de consistência.

Trata incerteza com probabilidade, independência, Bayes e redes bayesianas. O aluno calcula crenças atualizadas a partir de evidências e aplica isso a triagem, risco e previsão simples.

Cobre decisões sob incerteza, utilidade, custo de erro, árvores de decisão e valor esperado. O foco é escolher ações quando previsões têm risco, custo e consequências diferentes.

Ensina planejamento clássico com ações, pré-condições, efeitos, metas e sequências de passos. O aluno modela planos para logística, tarefas domésticas simuladas e fluxos operacionais simples.

Trata escalonamento, alocação de recursos e otimização com restrições de tempo, custo e capacidade. O aluno monta soluções para agendas, filas, rotas e uso de máquinas ou equipes.

Cobre o fluxo de dados antes do modelo: coleta, limpeza, tipos de variáveis, valores ausentes, codificação, normalização e divisão entre treino, validação e teste. O aluno prepara um conjunto de dados real para uso em IA.

Apresenta regressão linear, regressão logística, k-vizinhos, árvores de decisão e máquinas de vetores de suporte. O aluno treina modelos para prever valores e classes, comparando resultados com métricas adequadas.

Trata acurácia, precisão, revocação, F1, ROC-AUC, erro médio, validação cruzada, overfitting e underfitting. O capítulo forma o julgamento necessário para saber se um modelo realmente funciona fora do exemplo de treino.

Cobre criação de variáveis, seleção de atributos, vazamento de dados, balanceamento de classes e pipelines de pré-processamento. O aluno melhora modelos sem trapacear na avaliação.

Ensina clustering, redução de dimensionalidade, detecção de anomalias e visualização de padrões. O aluno aplica essas técnicas quando não há rótulos prontos e precisa descobrir estrutura nos dados.

Cobre bagging, random forests, boosting, gradient boosting e combinação de modelos. O aluno usa ensembles para ganhar desempenho e aprende a controlar complexidade, custo e interpretação.

Trata previsões com ordem temporal, sazonalidade, tendência, janelas, validação temporal e modelos clássicos como ARIMA. O aluno constrói previsões para demanda, tráfego, vendas ou sensores sem misturar passado e futuro indevidamente.

Cobre filtragem colaborativa, filtragem baseada em conteúdo, fatoração de matrizes, ranking e avaliação de recomendações. O aluno cria um recomendador simples e discute vieses, diversidade e efeito de popularidade.

Apresenta correlação, causalidade, confundimento, experimentos A/B, variáveis instrumentais e gráficos causais. O foco é responder perguntas do tipo “o que acontece se fizermos X?” em vez de apenas prever Y.

Cobre neurônios artificiais, camadas, funções de ativação, perda, backpropagation, gradiente descendente e regularização. O aluno treina redes pequenas e acompanha como os pesos mudam durante o aprendizado.

Trata tensores, paralelismo, GPUs, TPUs, memória, batches e custo computacional. O aluno aprende por que modelos grandes exigem hardware especializado e como escolher recursos de treino com responsabilidade.

Cobre convoluções, filtros, pooling, arquiteturas CNN e tarefas de classificação de imagens. O aluno treina um classificador visual e analisa erros causados por iluminação, enquadramento e dados insuficientes.

Trata detecção de objetos, segmentação semântica, segmentação de instâncias e estimativa de pose. O aluno aplica modelos visuais a imagens mais realistas, nas quais localizar é tão importante quanto classificar.

Cobre embeddings, recorrência, LSTM, GRU, atenção inicial e limites dos modelos sequenciais. O capítulo prepara o terreno para modelos de linguagem modernos sem pular a evolução das técnicas de texto.

Trata tokenização, embeddings de palavras, classificação de texto, busca semântica, extração de entidades e análise de sentimentos. O aluno constrói tarefas de NLP antes de usar modelos fundacionais prontos.

Cobre autoatenção, codificação posicional, cabeças de atenção, pré-treinamento e arquiteturas encoder, decoder e encoder-decoder. O aluno vê por que transformers substituíram muitas redes recorrentes em texto, imagem e áudio.

Trata modelos grandes pré-treinados, scaling laws, capacidades emergentes, limites, alucinações, janelas de contexto e custos de inferência. O aluno usa LLMs de forma crítica, avaliando respostas e riscos em tarefas reais.

Cobre instruções, contexto, exemplos, formatos de saída, decomposição de tarefas e avaliação de prompts. O aluno cria prompts úteis para análise, escrita, classificação e extração sem confundir prompt com garantia de qualidade.

Ensina indexação, embeddings, busca vetorial, chunking, reranking, geração com fontes e avaliação de respostas fundamentadas. O aluno monta um sistema de perguntas e respostas sobre documentos próprios com rastreabilidade.

Cobre fine-tuning supervisionado, adaptação eficiente com LoRA, conjuntos de instruções, validação e riscos de esquecimento ou sobreajuste. O aluno decide quando adaptar um modelo é melhor do que melhorar dados, prompts ou recuperação.

Trata difusão, denoising, condicionamento por texto, controle de imagem, áudio e vídeo gerativo. O aluno avalia qualidade, direitos de uso, vieses e limites técnicos de sistemas gerativos multimodais.

Cobre integração de texto, imagem, áudio e vídeo em modelos multimodais, com embeddings compartilhados e tarefas cruzadas. O aluno cria fluxos em que uma IA lê imagens, responde perguntas e gera descrições estruturadas.

Apresenta agentes que chamam APIs, usam ferramentas, consultam memória, planejam passos e executam tarefas em ambientes digitais. O aluno monta um agente simples com limites claros, registro de ações e checagens de segurança.

Cobre programação assistida por IA, geração de testes, revisão de código, refatoração, documentação e riscos de dependências incorretas. O aluno usa assistentes de código como apoio, mantendo validação humana e controle de qualidade.

Trata estados, ações, recompensas, políticas, valor, Q-learning, policy gradients e exploração. O aluno treina agentes em ambientes simulados e percebe por que recompensa mal definida gera comportamento indesejado.

Cobre percepção, localização, mapeamento, controle, planejamento de movimento e simulação em robôs. O aluno conecta IA a sensores e atuadores, mesmo que em ambientes simulados antes de hardware real.

Trata interação entre vários agentes, cooperação, competição, negociação, leilões, coordenação e comportamento emergente. O aluno modela cenários como trânsito, mercados simples e times de robôs ou bots.

Cobre ambientes simulados, geração de dados sintéticos, domain randomization e sim-to-real. O aluno usa simulação para testar agentes e modelos quando o mundo real é caro, raro ou perigoso.

Trata pipelines, versionamento de dados e modelos, rastreamento de experimentos, reprodutibilidade e automação de treino. O aluno organiza projetos para que resultados possam ser repetidos por outra pessoa ou por uma equipe futura.

Cobre APIs, batch inference, streaming, edge AI, latência, custo, escalabilidade e rollback. O aluno publica modelos de forma segura e escolhe entre rodar na nuvem, no dispositivo ou em processos internos.

Trata drift de dados, queda de desempenho, métricas de produção, logs, alertas, testes contínuos e retreinamento. O aluno aprende a manter IA funcionando depois do lançamento, quando os dados e usuários mudam.

Cobre ataques adversariais, prompt injection, vazamento de dados, roubo de modelo, envenenamento de dados e abuso de sistemas generativos. O aluno cria defesas práticas, políticas de acesso e testes de segurança específicos para IA.

Trata anonimização, minimização de dados, aprendizado federado, privacidade diferencial e riscos de reidentificação. O aluno decide como reduzir exposição de dados pessoais sem destruir a utilidade do sistema.

Cobre viés, representatividade, impacto desigual, explicabilidade, auditoria, documentação de modelos e participação de pessoas afetadas. O aluno avalia sistemas de IA não só por acerto técnico, mas também por dano, transparência e responsabilidade.

Trata LGPD, direitos autorais, uso de dados, registros de decisão, contratos, responsabilidade civil e tendências de regulação de IA no Brasil e no mundo. O foco é saber quando chamar apoio jurídico, compliance ou governança antes de colocar um sistema em uso.

Cobre entrevistas com usuários, definição de requisitos, protótipos, testes de usabilidade, supervisão humana e desenho de exceções. O aluno cria soluções em que pessoas conseguem revisar, corrigir e confiar no sistema dentro de um processo real.

Segue um projeto completo: problema, dados, métrica, modelo, avaliação, implantação, monitoramento, documentação e revisão de riscos. O aluno produz um artefato de portfólio com decisões justificadas e evidências de funcionamento.

Apresenta caminhos como cientista de dados, engenheiro de ML, pesquisador, engenheiro de dados, especialista em produto, auditor e profissional de IA responsável. O capítulo cobre portfólio, leitura de artigos, comunidades, certificações úteis e hábitos para acompanhar um campo que muda rápido.