Nível 1 5 tutoriais 1h 2min
Fundamentos da IA e aprendizado com dados
Construa uma visão realista da IA e entenda, em linguagem simples, como modelos aprendem com dados. Este estágio estabelece os conceitos necessários para interpretar capacidades, erros e resultados, sem programação ou matemática avançada.
O que você vai aprender
- Distinguir IA, machine learning, deep learning e IA generativa, reconhecendo exemplos reais e diferenças em relação à automação por regras.
- Identificar exemplos, atributos e rótulos em tabelas pequenas e relacioná-los a tarefas de classificação, previsão e agrupamento.
- Diferenciar aprendizado supervisionado, não supervisionado e por reforço por meio de situações cotidianas.
- Explicar a diferença entre treinamento e uso de um modelo, incluindo a separação entre dados de treinamento, validação e teste.
- Reconhecer overfitting, problemas de qualidade dos dados e limites de generalização, interpretando avaliações simples sem fórmulas avançadas.
-
Tutorial 1:
IA, aprendizado de máquina e IA generativa
Reconheça diferentes usos de IA e explique como aprendizado de máquina, deep learning e IA generativa se relacionam. Compare exemplos cotidianos com automações por regras, sem presumir que todo aplicativo automatizado usa IA ou que toda IA gera conteúdo.
-
Tutorial 2:
Dados, atributos e rótulos em tarefas de IA
Leia pequenas tabelas fictícias e identifique o que cada exemplo informa a um modelo. Relacione o resultado desejado à classificação, à previsão numérica ou ao agrupamento, sem precisar programar ou criar uma planilha.
-
Tutorial 3:
Aprendizado supervisionado, não supervisionado e por reforço
Diferencie as três formas de aprendizado pelo tipo de orientação que o sistema recebe. Use situações cotidianas para reconhecer quando há respostas conhecidas, busca de padrões sem rótulos ou aprendizado por ações e recompensas.
-
Tutorial 4:
Treinamento, validação, teste e uso de modelos
Explique o percurso dos dados até o uso de um modelo e atribua funções diferentes aos conjuntos de treinamento, validação e teste. Organize esse processo em um cenário textual, sem executar treinamento nem depender de ferramentas externas.
-
Tutorial 5:
Como interpretar erros e limites de um modelo
Interprete pequenas tabelas de resultados para reconhecer sinais de sobreajuste e limites de generalização. Relacione possíveis falhas à qualidade e à representatividade dos dados, evitando concluir que um bom resultado no treino garante bom desempenho em qualquer situação.