Capacitacao_IA_Softex

Projeto realizando no âmbito dos Projetos de Interesse Nacional nas Áreas de TIC (PPI) do Ministério da Ciência, Tecnologia e Inovação (MCTI), com recursos da Lei nº 8.248, de 23 de outubro de 1991, publicado como Residência em TIC 09 (processo 01245.014045/2022-75) coordenado pela Associação para Promoção da Excelência do Software Brasileiro - Softex, através do laboratório Assert, credenciado ao Polo de Inovação do IFPB.

Neste repositório estão algumas atividades e aulas práticas desenvolvidas no decorrer dos três Ciclos da Capacitão em Inteligência Artificial promovida pelo Laboratório Assert IFPB em parceria com a Softex.

Descrição dos conteúdos estudados

Ao todo tivemos três ciclos com duração de pouco mais de um ano. O nível de aprendizado e das atividades foi ascendente, ademais os conteúdos eram encadeados.

Ciclo 1

Neste primeiro ciclo foram estudados os fundamentos da Inteligência Artificial, desde o que é IA, as aréas de aplicações e as tendências futuras. O foco principal foram os Algoritmos clássicos de Machine Learning. Mais especificamente foram estudados:

1. Fundamentos de IA
   • O que é inteligência artificial?
   • Áreas técnicas e aplicações de IA
   • O Futuro e as tendências em IA
2. Machine Learning
   • Aprendizado Supervisionado
   • Árvore de Decisão
   • KNN
   • Redes Neurais Artificiais - Perceptron
   • Redes Neurais Artificiais - MLP
   • Regressão Linear
   • Regressão Logística
   • Naive Bayes
   • Support Vector Machine - SVM
   • Random Forest

Ciclo 2

No segundo ciclo foram estudados alguns algoritmos de aprendizado não supervisionado, modelos de seleção de feactures, avaliação de hipóteses e o MLflow. Em mais detalhes, foram estudados:

1. Aprendizado Não Supervisionado
   • K-Means
   • K-Medoids
   • DBSCAN
2. Feature Selection
   • Seleção de Características
3. Métodos de Balanceamento de Dados
   • Oversampling
   • Undersampling
4. Avaliação de Hipóteses
   • Hold-out
   • Leave-one-out
   • Cross-validation
5. Ensemble Learning
   • Geração de Ensembles
   • Seleção Estática
   • Seleção Dinâmica
6. Tecnologias de IA
   • Arquitetura das Plataformas de IA
   • MLFlow: Gerenciamento do Ciclo de Vida de Modelos de ML
   • MLFlow: Aplicações com Exemplos de Classificação e Regressão