Repositório para o curso de Inteligência Computacional Faculdade de Engenharia da Computação e Telecomunicações (FCT) da Universidade Federal do Pará.
A agenda de aulas da turma pode ser consultada por esse link.
Pasta do GDrive com slides (peça permissão caso queira os editar): https://drive.google.com/drive/folders/19_2y793KrKSKAjsdL9cs3Ts3yELQbYdn
Videolectures: https://nextcloud.lasseufpa.org/s/ieNdZjSdaptnHKy
Videolectures de tópicos avançados: https://nextcloud.lasseufpa.org/s/c5ZJCjKe2TDqyAf
Escala de participantes das aulas invertidas no PL4/2026: https://docs.google.com/spreadsheets/d/1jdwtD9wTyjaVEJHfKDxAO-O42EC5m4kU-2d5bGU0kfo/edit
Apresentar conceitos básicos acerca de:
- Inteligência artificial (IA)
- Pré-processamento de dados, enfatizando normalização e PCA (“principal component analysis”)
- Técnicas de aprendizagem de máquina para treinamento supervisionado, treinamento não-supervisionado e aprendizagem por reforço (“reinforcement learning”)
- Uma das técnicas mais utilizadas para aprendizado não-supervisionado: agrupamento usando K-means
- Algumas das técnicas mais utilizadas para aprendizado supervisionado: árvores de decisão, boosting, redes bayesianas, SVMs (“support vector machines”)
- Redes neurais artificiais, incluindo técnicas de aprendizagem profunda (“deep learning”) e modelos com redes neurais convolucionais
- Uma das técnicas mais utilizadas para aprendizado por reforço: “Q-learning”
- Um dos modelos basilares para redes grafos neurais: "graph convolutional neural network (GCN)"
- Uma das técnicas essenciais para LLMs: mecanismos de atenção
- Identificar quais técnicas de IA devem ser aplicadas dado um problema de engenharia
- Ter conhecimento da teoria e equações matemáticas nas quais os algoritmos são baseados
- Estar apto(a) a implementar sua própria versão de algoritmos clássicos, bem como customizá-los para aplicações específicas
- Saber resolver problemas na prática usando bibliotecas “open-source” tais como as que adotam a linguagem Python.
A avaliação de cada estudante será baseado em diversas atividades, tais como provas, exercícios e trabalhos guiados. Detalhes podem ser encontrados em arquivo(s) na pasta "orientacao_regras"
- GÉRON, Aurélien: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd Edition, 2019.
mas muitos outros livros e recursos da Internet podem ser usados.
| ID | Tópico |
|---|---|
| A01 | Introdução a IA e Normalização de dados |
| A02 | Decision stump, árvores de decisão k-NN e SVM |
| A03 | Redes neurais artificiais, convolucionais e YOLO |
| ID | Tópico |
|---|---|
| T00 | Template para o entregável |
| T01 | Classificação de dígitos usando Sklearn |
| T02 | Detecção de árvores de açaí usando YOLO |
| T03 | Processamento de documentos usando LLM e RAG |
| ID | Tópico |
|---|---|
| Prova 01 | k-NN, SVM, arvóres de decisão, K-means e PCA |
| Prova 02 | Redes neurais, CNN e YOLO e mais sobre CNN |
Professor:
- Aldebaro Klautau
Colaboradores:
- Cláudio Modesto
- Frank Bruno
- Faveren Shangbum
- Pedro Caio Canavieira
- Caio Brasil