Todas as formações

FormaçãoFOR-DEV-M7-A

Criar uma IA

Da rede neuronal ao modelo implementado: conceber, treinar e colocar em produção uma IA

  • 35 horas — 5 dias
  • 2 450 € s/ IVA
  • Escolas e centros de formação
  • Certificação Qualiopi em preparação
Esferas translúcidas ligadas por filamentos numa estrutura abstrata

Em resumo

O módulo alterna sequências teóricas e oficinas práticas ao longo de cada dia. Conduz dos fundamentos do deep learning (redes neuronais, CNN, Transformers) até aos modelos de linguagem (LLM: fine-tuning, RAG, API) e à implementação de um modelo (MLOps). As frameworks de referência são TensorFlow/Keras ou PyTorch, complementadas pelo Hugging Face.

Objetivos pedagógicos

  • Compreender os princípios do deep learning (redes neuronais, aprendizagem, retropropagação)
  • Construir e treinar uma rede neuronal com uma framework (TensorFlow/Keras ou PyTorch)
  • Tratar diferentes tipos de dados (imagens, texto) com as arquiteturas adequadas (CNN, RNN/Transformers)
  • Compreender e explorar os modelos de linguagem (LLM): fine-tuning, RAG, integração via API
  • Avaliar um modelo, gerir o sobreajuste e conhecer os desafios (enviesamentos, custos, ética, MLOps)
  • Implementar um modelo de IA e expô-lo (API, aplicação)

Público-alvo

  • Estudantes e formandos das escolas e centros de formação parceiros
  • Data scientists, programadores e perfis técnicos que queiram criar modelos de IA
  • Perfis com as bases de dados/ML (módulo Data Scientist recomendado)

Pré-requisitos

São exigidas bases sólidas de Python e de machine learning (módulo «Data Scientist» fortemente recomendado), bem como à-vontade com as noções de modelo, treino e avaliação. Noções de matemática (álgebra linear, derivadas) facilitam a compreensão. Estes elementos são validados por um formulário online e / ou por uma entrevista prévia.

  • Dominar o Python e as bases do machine learning (módulo Data Scientist aconselhado).
  • Compreender as noções de modelo, treino e avaliação.
  • Ter noções de matemática (álgebra linear, derivadas) — uma mais-valia.
  • Ter autonomia técnica e curiosidade pela IA.

Programa

Dia 1 — Dos fundamentos do ML ao deep learning
  1. Do ML à rede neuronal

    Revisão do ML e limites; neurónio, camadas, funções de ativação.

    Exposição interativa, esquemas de redes, exemplos.

    Avaliação : Perguntas orais; questionário de escolha múltipla sobre os fundamentos.

    1h15
  2. Primeira rede simples

    Implementar uma primeira rede neuronal.

    Trabalho prático guiado, ambiente preparado (Colab), acompanhamento.

    Avaliação : Rede simples funcional.

    2h15
  3. Aprendizagem e retropropagação

    Função de perda, descida do gradiente, retropropagação.

    Exposição, esquemas, intuição matemática.

    Avaliação : Questionário de escolha múltipla sobre a aprendizagem.

    1h00
  4. Treinar uma rede

    Treinar uma rede e observar a convergência.

    Trabalho prático, acompanhamento das curvas de aprendizagem, ajustes.

    Avaliação : Treino e convergência validados.

    2h30
Dia 2 — Redes profundas e visão (CNN)
  1. Redes profundas e regularização

    Profundidade, sobreajuste, regularização; frameworks TensorFlow/Keras, PyTorch.

    Exposição, comparação de frameworks, exemplos.

    Avaliação : Perguntas orais; questionário de escolha múltipla.

    1h15
  2. Rede com uma framework

    Construir uma rede com uma framework.

    Trabalho prático guiado (Keras ou PyTorch), acompanhamento.

    Avaliação : Rede com framework validada.

    2h15
  3. Redes convolucionais (CNN)

    Princípio das CNN para o tratamento de imagens.

    Exposição, esquemas de convolução, exemplos.

    Avaliação : Questionário de escolha múltipla sobre as CNN.

    1h00
  4. Classificador de imagens

    Treinar um classificador de imagens.

    Trabalho prático, conjunto de imagens, treino (GPU/cloud), avaliação.

    Avaliação : Classificador de imagens validado.

    2h30
Dia 3 — Texto, sequências e Transformers
  1. NLP, RNN e Transformers

    Processamento de linguagem, representações, RNN e depois arquitetura Transformer.

    Exposição, esquemas, intuição da atenção.

    Avaliação : Perguntas orais; questionário de escolha múltipla.

    1h15
  2. Modelo de processamento de texto

    Construir um modelo de texto (classificação ou geração simples).

    Trabalho prático guiado, conjunto de dados de texto, acompanhamento.

    Avaliação : Modelo de texto validado.

    2h15
  3. Transfer learning e modelos pré-treinados

    Transfer learning, modelos pré-treinados (Hugging Face).

    Exposição, panorama Hugging Face, exemplos.

    Avaliação : Questionário de escolha múltipla sobre o transfer learning.

    1h00
  4. Reutilizar um modelo pré-treinado

    Fine-tuning leve de um modelo pré-treinado.

    Trabalho prático, modelo pré-treinado, fine-tuning, avaliação.

    Avaliação : Fine-tuning validado.

    2h30
Dia 4 — Modelos de linguagem (LLM) na prática
  1. Funcionamento dos LLM

    Capacidades e limites, prompt, fine-tuning vs RAG.

    Exposição, esquemas, exemplos comparativos fine-tuning/RAG.

    Avaliação : Perguntas orais; questionário de escolha múltipla sobre os LLM.

    1h15
  2. LLM via API e RAG simples

    Integrar um LLM via API e construir um RAG simples.

    Trabalho prático guiado, API de LLM, base documental, acompanhamento.

    Avaliação : Integração LLM + RAG validada.

    2h15
  3. Panorama e execução

    Modelos abertos/proprietários, custos, execução local vs cloud.

    Exposição, panorama dos modelos, comparação dos custos.

    Avaliação : Questionário de escolha múltipla sobre o panorama.

    1h00
  4. Comparar e avaliar

    Comparar abordagens e avaliar os resultados.

    Trabalho prático, comparação de abordagens, grelha de avaliação.

    Avaliação : Comparação e avaliação validadas.

    2h30
Dia 5 — Avaliação, implementação (MLOps) e projeto
  1. Avaliação, enviesamentos e MLOps

    Avaliação, enviesamentos, ética, pegada/custos; introdução ao MLOps (ciclo de vida, monitorização).

    Exposição, casos de enviesamento, esquema do ciclo MLOps.

    Avaliação : Questionário de escolha múltipla sobre a avaliação e o MLOps.

    1h00
  2. Avaliar e fiabilizar

    Avaliar e fiabilizar um modelo.

    Trabalho prático, métricas, testes de robustez, análise dos enviesamentos.

    Avaliação : Avaliação do modelo validada.

    2h00
  3. Implementação de um modelo

    Expor um modelo (API, contentor, serviço).

    Exposição, esquema de implementação, boas práticas.

    Avaliação : Questionário de escolha múltipla sobre a implementação.

    1h00
  4. Implementação de ponta a ponta e apresentação de resultados

    Implementar um modelo de IA de ponta a ponta e apresentá-lo.

    Trabalho prático de projeto, implementação, apresentações, revisão coletiva, questionário final de escolha múltipla, inquérito de satisfação.

    Avaliação : Avaliação sumativa: modelo treinado e implementado + questionário final de escolha múltipla.

    2h30

Modalidades e meios pedagógicos

Formação presencial nas nossas instalações ou nas suas, em grupo reduzido. Alternância de contributos teóricos, oficinas práticas e simulações.

Material necessário :

16 GB de RAM recomendados (acesso a GPU/cloud para algumas oficinas)

  • Os formandos devem dispor de um PC com Wi-Fi e 16 GB de RAM recomendados; está previsto o acesso a recursos de GPU/cloud (ex.: Google Colab) para as oficinas de treino.
  • Efetivo adaptado ao formato escola / centro de formação.
  • Percurso dedicado a escolas e centros de formação, estabelecido por orçamento.

Modalidades de avaliação

Avaliação das aprendizagens durante e no final da formação; certificado de conclusão entregue a cada formando.

Acessibilidade para pessoas com deficiência

Formação acessível a pessoas com deficiência. Contacte-nos antes da inscrição para estudarmos as adaptações necessárias.

Financiamento

Orçamento ou convenção de formação a pedido. A certificação Qualiopi está em preparação: a elegibilidade para financiamentos OPCO será aberta após a sua obtenção.

Auditoria de certificação prevista para T1 2027. Sem elegibilidade OPCO antes da sua obtenção.

Partilhar este artigo