Este curso oferece uma introdução abrangente aos fundamentos da Inteligência Artificial, abrangendo representação do conhecimento, resolução de problemas por busca, raciocínio sob incerteza e métodos de aprendizado de máquina. Ao final do semestre, os alunos serão capazes de projetar e implementar sistemas inteligentes, compreender o papel da representação de conhecimento em agentes racionais e aplicar técnicas de busca, probabilística e aprendizado para resolver problemas reais em engenharia.
A disciplina integra aulas expositivas, projetos práticos em Python e avaliação por portfólio, fomentando uma visão crítica e unificada dos paradigmas simbólicos, conexionistas e probabilísticos, com ênfase em aplicações éticas e desafios contemporâneos da IA.
Este curso representa uma imersão avançada no estado da arte do aprendizado de máquina, aprofundando os fundamentos de IA I para explorar arquiteturas de redes neurais convolucionais (CNNs), recorrentes (RNNs/LSTMs), transformers, autoencoders, grandes modelos de linguagem (LLMs), aprendizado por reforço profundo e IA generativa. Ao longo do semestre, os estudantes desenvolvem competências práticas e analíticas para projetar, treinar, avaliar e interpretar modelos complexos, abordando processamento de dados, otimização de hiperparâmetros, transfer learning, explicabilidade (XAI), fairness, accountability e aplicações em visão computacional, processamento de linguagem natural e sistemas autônomos.
A abordagem combina aulas expositivas, experimentação intensiva com PyTorch, análise de artigos científicos e apresentações críticas, com ênfase em formulação de hipóteses, validação rigorosa de resultados e reflexão sobre os limites e impactos éticos da IA moderna. Ao final do curso, o aluno estará preparado para conduzir pesquisas aplicadas, contribuir para publicações acadêmicas, implementar soluções de IA escaláveis e avaliar criticamente os avanços e riscos tecnológicos emergentes.