Processamento de Linguagem Natural

Módulo 1: Recursos Técnicos e Análise de Dados

Python para Ciência de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes.

• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes.

• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

Data Discovery e Analytics

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar analisar exploratória de dados

• Conhecer os diferentes tipos de dados (estruturados, semiestruturados, não estruturados)

• Identificar e coletar dados relevantes de diversas fontes.

• Aplicar técnicas de visualização de dados para comunicar insights de forma clara e concisa

• Utilizar ferramentas de Data Discovery e Self-Service Analytics para realizar análises exploratórias de dados de forma autônoma

• Usar modelos de machine learning para aplicar em análise preditiva e prescritiva.

Arquitetura de Soluções em Nuvem

Ao final da disciplina, os alunos deverão ser capazes de:

• Avaliar diferentes provedores de nuvem (IaaS, SaaS, PaaS) para escolher a melhor solução baseada em necessidades específicas de elasticidade e disponibilidade.

• Projetar arquiteturas de nuvem seguras e escaláveis que suportem DevOps, proporcionando uma integração contínua e entrega ágil.

• Implementar soluções eficientes de multi-cloud e cloud híbrida, assegurando a interoperabilidade entre nuvens públicas e privadas.

• Realizar análises de viabilidade técnica e financeira para justificar o uso de certas tecnologias e abordagens de nuvem.

Módulo 2: Processamento de Linguagem Natural e Machine Learning

Fundamentos de Processamento de Linguagem Natural

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar técnicas de processamento de textos, como: tokenização, lematização e stemming e remoção de stop words para preparar dados textuais para análise.

• Transformar texto em representações numéricas (vetores) utilizando técnicas como bag-of-words, TF-IDF e word embeddings.

• Implementar e adaptar algoritmos de  tokenização, lematização e parsing para diversas aplicações, desde a análise textual até a extração de informações.

• Criar sistemas de extração de informação e reconhecimento de entidades.

Machine Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os diferentes tipos de aprendizado de máquina (supervisionado, não supervisionado).

• Selecionar e aplicar algoritmos adequados para problemas específicos de machine learning.

• Projetar e implementar modelos de aprendizado supervisionado e não supervisionado.

• Realizar engenharia de features eficaz para otimizar a performance dos modelos.

• Avaliar a qualidade dos modelos utilizando métricas apropriadas.

• Combinar múltiplos modelos para melhorar a generalização das soluções de aprendizado de máquina.

• Interpretar os resultados de modelos de aprendizado de máquina.

Redes Neurais e Deep Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Entender os conceitos de redes neurais artificiais e suas diversas arquiteturas. 

• Desenvolver e aplicar arquiteturas de redes neurais artificiais, incluindo deep learning.

• Aplicar técnicas de regularização e otimização em redes neurais.

• Implementar redes convolucionais modernas em diferentes aplicações.

• Avaliar modelos de deep learning no contexto de cenários reais.

Módulo 3: Técnicas Avançadas de Processamento de Linguagem Natural 

Redes Neurais Recorrentes e Transformadores

Ao final da disciplina, os alunos deverão ser capazes de:

• Implementar e treinar diferentes arquiteturas de RNNs (LSTM, GRU) para processamento de sequências de imagens ou vídeos.

• Compreender e aplicar modelos baseados em transformadores para tarefas de tradução e processamento de linguagem natural.

• Desenvolver modelos baseados em transformadores para tarefas de visão computacional, como análise de cenas complexas.

• Aplicar mecanismos de atenção em modelos de visão computacional para melhorar a interpretabilidade.

• Otimizar o treinamento de RNNs e transformadores para lidar com sequências longas de dados visuais.

• Implementar modelos de linguagem visual utilizando arquiteturas como BERT ou GPT para tarefas de descrição de imagens.

Redes Neurais Generativas

Ao final da disciplina, os alunos deverão ser capazes de:

Construir e treinar Redes Neurais Generativas, incluindo GANs e VAEs, para criação de conteúdo.

Avaliar e melhorar a qualidade dos modelos generativos utilizando técnicas de regularização.

Aplicar modelos generativos para síntese de imagens e reconstrução 3D.

Avaliar a qualidade e diversidade das imagens geradas utilizando métricas apropriadas.

Aprendizado Multimodal

Ao final da disciplina, os alunos deverão ser capazes de:

• Entender os conceitos de dados multimodais.

• Projetar arquiteturas de redes neurais para fusão de dados visuais e textuais.

• Analisar dados de múltiplos tipos e fontes (texto, imagem, áudio) para obter insights mais completos.

• Implementar técnicas de alinhamento entre diferentes modalidades de dados (ex: imagem-texto, áudio-vídeo).

• Criar soluções para problemas que requerem compreensão multimodal.

• Desenvolver e avaliar modelos que combinem diferentes tipos de dados para melhorar os resultados de soluções de IA.

Geração de Linguagem Natural e Engenharia de Prompt

Ao final da disciplina, os alunos deverão ser capazes de:

• Utilizar modelos de linguagem para geração de texto para desenvolver aplicações de geração de texto.

• Implementar técnicas de engenharia de prompt para influenciar a geração de texto em modelos de linguagem;

• Criar estratégias para melhorar a coerência e relevância do texto gerado.

• Aplicar métodos de avaliação automática e humana para texto gerado.

• Desenvolver soluções para geração de texto em contextos específicos (ex: resumos, diálogos)

Módulo 4: Aplicações Práticas de Processamento de Linguagem Natural 

Chatbots e Assistentes Virtuais

Ao final da disciplina, os alunos deverão ser capazes de:

• Projetar a arquitetura de chatbots e assistentes virtuais para aplicações financeiras.

• Criar chatbots que utilizem regras, aprendizado de máquina e arquiteturas baseadas em memória.

• Integrar modelos de linguagem avançados, como GPT, para melhorar as respostas dos assistentes virtuais e executar testes rigorosos para validação e refinamento.

• Desenvolver sistemas de diálogo baseados em regras e aprendizado de máquina.

• Integrar APIs de serviços financeiros em chatbots para fornecer informações em tempo real.

Processamento de Fala e Áudio

Ao final da disciplina, os alunos deverão ser capazes de:

• Entender os fundamentos do áudio digital, incluindo a representação de sinais e o pré-processamento.

• Conhecer os conceitos e técnicas de reconhecimento automático de fala (ASR).

• Implementar sistemas de reconhecimento automático de fala (ASR) usando deep learning.

• Desenvolver aplicações práticas que utilizem processamento de fala, como assistentes de voz e sistemas de transcrição automática.

• Integrar modelos de reconhecimento de fala com outras soluções de Processamento de Linguagem  natural.

• Aplicar métricas para avaliar a eficácia dos modelos de reconhecimento de fala.
  

Análise de Sentimentos e Sistemas de Recomendação

Ao final da disciplina, os alunos deverão ser capazes de:

• Entender os conceitos fundamentais de análise de sentimentos, incluindo polaridade, intensidade, subjetividade e emoções.

• Conhecer os diferentes modelos e técnicas de classificação de sentimentos.

• Desenvolver modelos de análise de sentimentos, incluindo detecção de emoções

• Implementar técnicas de análise de sentimentos em contextos específicos (ex: redes sociais, reviews)

• Compreender os conceitos e requisitos dos sistemas de recomendação.

• Conhecer os diferentes métodos de recomendação, como filtragem colaborativa e baseada em conteúdo.

• Criar sistemas de recomendação baseados em conteúdo e filtragem colaborativa

• Implementar técnicas de explicabilidade para sistemas de recomendação.

Módulo 5: Integração, Projeto e Ética

Governança e Segurança em Processamento de Linguagem Natural

Ao final da disciplina, os alunos deverão ser capazes de:

• Conhecer os conceitos fundamentais de governança, segurança, regulamentações  e normas de compliance aplicáveis a NLP.

• Compreender os princípios de ética, privacidade e responsabilidade em NLP.

• Gerenciar Retrieval-Augmented Generation (RAG) e modelos de NLP, incluindo modelos tradicionais e Foundation Models.

• Desenvolver e implementar modelos de NLP, desde o empacotamento até o deploy contínuo utilizando Model Builder.

• Integrar conceitos de AI-as-a-Service, AI-as-a-Commodity, AI Gateways e LLMOps em aplicações de NLP.

• Gerenciar riscos associados ao uso de NLP em diferentes contextos.

• Realizar auditorias em aplicações de NLP para garantir conformidade e segurança.

• Utilizar métricas para avaliar a eficácia e a segurança dos modelos de NLP.

• Implementar práticas de governança de dados em projetos de NLP.

Cultura e Práticas DataOps e MLOps

Ao final da disciplina, os alunos deverão ser capazes de:

• Implementar estratégias de DataOps para melhorar a eficiência e qualidade dos processos de análise de dados.

• Desenhar pipelines de Machine Learning automatizadas usando MLOps, garantindo a gestão dos ciclos de vida dos modelos.

• Aplicar Infraestrutura como Código (IaC) para assegurar a consistência e escalabilidade dos ambientes de desenvolvimento.

• Gerenciar o ciclo de vida completo de modelos de machine learning.

• Monitorar a performance de modelos em produção.

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico.

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia.

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos.