Aulas
Terças-feiras: 16h30–18h10
Sextas-feiras: 14h35–16h15
Locais informados na página anterior:
terça: P1-204 (sala 2); sexta: P1-103 (sala 3).
Informações gerais
Professor
Prof. Eduardo Bezerra
ebezerra@cefet-rj.br
Microsoft Teams
Canal operacional para bilhetes de entrada, enunciados, entregas, avisos, dúvidas e resultados.
Esta página e o GitHub concentram materiais e código. O Teams concentra prazos e comunicação.
Objetivos e ementa
Objetivo
Apresentar conceitos, modelos, métodos, técnicas e aplicações da Inteligência Artificial, combinando fundamentos clássicos, raciocínio sob incerteza, aprendizado e agentes baseados em IA generativa.
Ementa
Introdução à Inteligência Artificial; agentes inteligentes; estratégias de busca em espaços de estados; busca sem informação e busca heurística; busca adversarial; satisfação de restrições; agentes lógicos e representação de conhecimento; redes Bayesianas e inferência probabilística; aprendizado por reforço; fundamentos de aprendizado de máquina; modelos de linguagem e agentes baseados em IA generativa.
Conteúdo programático: aprendizado e modelos de linguagem
A sequência de aprendizado por reforço é seguida por três encontros de fundamentos de aprendizado de máquina e três encontros de Modelos de Linguagem. Esses fundamentos preparam o estudo de agentes baseados em LLMs.
- Fundamentos e generalização em AM: paradigmas supervisionado, não supervisionado, autossupervisionado e por reforço; entradas, alvos, parâmetros e funções de perda; treino, validação e teste; vazamento de dados; diagnóstico de underfitting e overfitting; intuição de viés, variância e regularização.
- Modelos lineares e aprendizado por gradiente: regressão linear e logística; gradiente descendente, SGD e mini-lotes; escala das entradas; logits, softmax e entropia cruzada.
- Redes neurais e representações aprendidas: neurônio e MLP; funções de ativação e não linearidade; retropropagação e otimização; características manuais, representações aprendidas e embeddings; generalização em redes.
- Modelagem da linguagem: tokens, embeddings e posições; distribuição do próximo token; probabilidade de sequências e entropia cruzada; treinamento e geração.
- Transformer e pré-treinamento: autoatenção, consultas, chaves e valores; máscara causal; pré-treinamento autossupervisionado.
- Pós-treinamento e alinhamento: ajuste supervisionado para seguir instruções (SFT); aprendizado a partir de preferências; visão conceitual de RLHF e DPO; limitações do alinhamento; distinção entre modelo de linguagem e agente.
Na sequência, o curso aborda arquiteturas de agentes, planejamento iterativo, uso de ferramentas, RAG, MCP, observabilidade, avaliação, segurança e guardrails.
Apêndices opcionais da nota de AM: árvores de
decisão e métodos ensemble; k-means e PCA; aprofundamentos
em modelos lineares, engenharia de características, generalização,
regularização, validação cruzada, métricas e redes neurais. Esses
tópicos e suas atividades não integram o roteiro obrigatório nem
seus objetivos de avaliação e não são pré-requisitos para Modelos
de Linguagem.
Pré-requisitos recomendados: estruturas de dados,
recursividade, probabilidade básica, relações de recorrência e
noções de complexidade de algoritmos.
Dinâmica das aulas
A disciplina adota, na maior parte do semestre, o modelo de sala de aula invertida. O primeiro contato com o conteúdo ocorre antes da aula. O encontro presencial concentra discussão, resolução de problemas, análise de erros e prática.
- Leras notas indicadas
- Respondero bilhete de entrada
- Executarnotebook, código ou prática
- Participarda aula e das atividades
- Revisardúvidas e erros
Bilhetes de entrada
Devem ser enviados pelo Teams até 12h do dia da aula. A correção é binária: realizado ou não realizado. Os quatro menores resultados do período são descartados. O bilhete só é válido quando o estudante comparece à aula correspondente.
Presença e participação
A chamada ocorre no início do encontro. As atividades presenciais podem ser feitas em duplas ou pequenos grupos e podem ser recolhidas. A participação considera a entrega válida dos bilhetes e o envolvimento efetivo nas atividades.
Materiais
Notas de aula e documento administrativo
Notebooks, códigos e dados
- Bilhetes de entrega
- Notebooks do repositório
- Demonstração de minimax
- Código de busca adversarial
- Demais códigos e conjuntos de dados no repositório
Os caminhos acima foram mantidos apenas quando já apareciam na página anterior ou foram informados explicitamente. Materiais adicionais devem ser anunciados pelo Teams.
Demonstrações interativas
Experimentos curtos para explorar visualmente conceitos da disciplina.
Mundo Grade: política e estocasticidade
Explore um ambiente de grade com transições estocásticas, recompensas e políticas. Ajuste a probabilidade de sucesso, o living reward e o fator de desconto para observar como os valores e a política ótima se alteram.
Como usar
Use as demonstrações como apoio à leitura das notas e à discussão em aula. Varie um parâmetro por vez, formule uma previsão e compare-a com o comportamento observado.
Novas demonstrações serão adicionadas ao longo do semestre.
Plano de aulas — 2026.2
Primeira aula em 04/08/2026. Encontros regulares às terças e sextas.
Aula
Prática
Data proposta de
avaliação
Calendário institucional
| Data | Atividade | Natureza |
|---|---|---|
| Apresentação da disciplina; canais, dinâmica, avaliação e uso responsável de IA | Abertura | |
| Visão geral da IA; agentes inteligentes e ambientes | Aula | |
| Formulação de problemas de busca; espaço de estados | Aula | |
| Busca sem informação: BFS, UCS e DFS | Aula | |
| Busca sem informação: análise e prática | Prática | |
| Busca heurística: heurísticas e busca gulosa | Aula | |
| Busca A*: funcionamento, completude e otimalidade | Aula | |
| Lab: Busca simples | Prática | |
| Busca adversarial: jogos, minimax e árvore de jogo | Aula | |
| Poda alfa--beta | Aula | |
| Funções de avaliação e busca com profundidade limitada | Aula | |
| Lab: Busca adversarial - minimax | Prática | |
| Exercícios de revisão | Aula | |
| Busca adversarial: MCTS - parte I | Aula | |
| Sem aula | Aula | |
| Teste 1 | Avaliação | |
| Busca adversarial: MCTS - parte II | Aula | |
| Lab: Busca adversarial - MCTS | Prática | |
| Exercícios de revisão | Aula | |
| Aprendizado por reforço: agentes, recompensas e retorno | Aula | |
| Aprendizado por reforço: Aprendizado TDL; Q-learning | Aula | |
| Aprendizado por reforço: Aproximação linear de Q-funções | Aula | |
| Lab: Aprendizado por reforço | Prática | |
| Aprendizado de máquina — fundamentos e generalização: taxonomia, dados, modelos e perda; treino, validação e teste; vazamento, overfitting e regularização Nota de AM: seções 1–3; atividades do encontro 1 na seção 7. | Aula | |
| Aprendizado de máquina — modelos lineares e aprendizado por gradiente: regressão linear e logística; SGD, logits, softmax e entropia cruzada Nota de AM: seção 4; atividades do encontro 2 na seção 7. | Aula | |
| Aprendizado de máquina — redes neurais e representações aprendidas: MLP, não linearidade, retropropagação e embeddings; generalização em redes Nota de AM: seções 5–6; atividades do encontro 3 na seção 7. | Aula | |
| Lab: Aprendizado de Máquina | Prática | |
| Modelos de Linguagem I — tokens, embeddings e posições; modelagem autoregressiva, probabilidade de sequências e perda; treinamento e geração | Aula | |
| Modelos de Linguagem II — autoatenção, arquitetura Transformer, máscara causal e pré-treinamento autossupervisionado | Aula | |
| Dia Nacional de Zumbi e da Consciência Negra — sem aula | Calendário institucional | |
| Modelos de Linguagem III — SFT, preferências e alinhamento; visão conceitual de RLHF e DPO; limitações e passagem do modelo ao agente | Aula | |
| Teste 2 | Avaliação | |
| Agentes baseados em LLM — Planejamento iterativo: ReAct, Plan-and-Act e Reflexion | Aula | |
| Agentes baseados em LLM — Uso de ferramentas e integração com bases de conhecimento (RAG) | Aula | |
| Lab: Agentes baseados em LLM | Prática | |
| Agentes baseados em LLM — MCP, observabilidade, avaliação, segurança e guardrails | Aula | |
| Exame Final | Avaliação | |
| Segunda chamada | Avaliação |
Leitura do cronograma. O início do semestre em
03/08, o encerramento das aulas em 18/12 e o período final em
dezembro derivam do calendário institucional. As datas de T1, T2,
Teste 1, Teste 2, segunda chamada e exame final são propostas e
serão confirmadas pelo professor via MS Teams.
Avaliação
Trabalhos práticos
Implementados em Python 3.11. Cada trabalho deve incluir vídeo explicativo de aproximadamente 20 a 30 minutos, com explicação do código, execução e análise dos resultados.
Atrasos sofrem desconto de 20% da nota máxima por dia corrido. Frações de dia contam como um dia. Após cinco dias, a nota é zero.
Testes e segunda chamada
Há dois testes regulares. Uma única segunda chamada, discursiva e cumulativa, pode substituir no máximo um teste. O exame final segue as normas e o calendário institucionais.
Orientações de estudo
As notas de aula são o texto central da disciplina. O estudante deve lê-las antes do encontro correspondente. A aula não repete o texto. Ela parte da leitura prévia.
Para a nota de Aprendizado de Máquina, siga o roteiro de três encontros: seções 1–3, seção 4 e seções 5–6, respectivamente, com as atividades correspondentes da seção 7. Os apêndices A–H são de consulta e aprofundamento opcionais.
Uma estratégia recomendada é a Técnica de Feynman: explicar o conceito com palavras próprias, identificar lacunas, revisar o material e reconstruir a explicação de forma mais simples e precisa.
Livro-texto
Russell & Norvig. Artificial Intelligence: A Modern Approach. 4ª edição.
Python
Os capítulos 1–11 de Learning with Python cobrem os fundamentos recomendados.
Uso responsável de IA generativa
A IA deve funcionar como tutora. Não como substituta do raciocínio.
Usos aceitáveis
- Esclarecer dúvidas conceituais.
- Revisar sintaxe Python.
- Discutir complexidade temporal e espacial.
- Explorar variações de algoritmos.
- Identificar erros em uma solução própria.
Usos inadequados
- Gerar uma solução completa e adaptá-la superficialmente.
- Redigir integralmente os bilhetes de entrada.
- Submeter código que não se consegue explicar.
- Contornar partes centrais da implementação.
Transparência. Sempre que uma ferramenta contribuir
de forma relevante para código, texto, análise ou decisão de
implementação, registre no notebook ou relatório a ferramenta, a
finalidade, as partes auxiliadas e a forma de verificação.