Aulas

Descubra o que são conjuntos de dados, por que a qualidade dos dados é importante e como os dados certos ensinam a IA a ser inteligente.

Aprenda o que são algoritmos, como funcionam com exemplos do dia a dia e por que escolher o algoritmo certo é importante para a IA.

Explore como as redes neurais imitam o cérebro, processam informações através de camadas e aprendem com seus erros.

Entenda o ciclo de treinamento, funções de perda, overfitting e como saber quando seu modelo de IA está pronto.

Explore como o preconceito entra nos sistemas de IA, os desafios éticos que a IA cria e como podemos construir uma tecnologia mais justa.

Entenda como as redes neurais aprendem propagando erros para trás através das camadas, usando a regra da cadeia para atualizar cada peso.

Descubra como as funções de perda medem os erros de um modelo e como os otimizadores usam gradientes para reduzi-los sistematicamente.

Saiba como os modelos de linguagem dividem o texto em tokens usando BPE e outros algoritmos e por que a tokenização molda tudo, desde o custo até a capacidade.

Explore como a IA representa palavras e frases como vetores em um espaço de alta dimensão, permitindo pesquisas semânticas, recomendações e RAG.

Saiba por que a precisão por si só é enganosa e domine as métricas (precisão, recall, F1, ROC-AUC, BLEU e perplexidade) que realmente medem o desempenho da IA.

Como GPT, Claude e outros LLMs funcionam nos bastidores

Entenda os dois modos de falha de aprendizado de máquina mais comuns — overfitting e underfitting — com exemplos claros e como corrigi-los.

Saiba como a engenharia de recursos transforma dados brutos em entradas poderosas de aprendizado de máquina — a habilidade que separa bons modelos de excelentes.

Uma comparação clara entre aprendizado de máquina supervisionado e não supervisionado — quando usar cada abordagem, com exemplos e algoritmos do mundo real.

Aprenda como as árvores de decisão funcionam, por que são um dos algoritmos de ML mais intuitivos e quando usá-las.

Entenda o clustering — uma técnica importante de aprendizado não supervisionado — por meio de K-Means, clustering hierárquico e aplicativos do mundo real.