FormaçãoFOR-DEV-M7-A
Criar uma IA
Da rede neuronal ao modelo implementado: conceber, treinar e colocar em produção uma IA
- 35 horas — 5 dias
- 2 450 € s/ IVA
- Escolas e centros de formação
- Certificação Qualiopi em preparação

Em resumo
O módulo alterna sequências teóricas e oficinas práticas ao longo de cada dia. Conduz dos fundamentos do deep learning (redes neuronais, CNN, Transformers) até aos modelos de linguagem (LLM: fine-tuning, RAG, API) e à implementação de um modelo (MLOps). As frameworks de referência são TensorFlow/Keras ou PyTorch, complementadas pelo Hugging Face.
Objetivos pedagógicos
- Compreender os princípios do deep learning (redes neuronais, aprendizagem, retropropagação)
- Construir e treinar uma rede neuronal com uma framework (TensorFlow/Keras ou PyTorch)
- Tratar diferentes tipos de dados (imagens, texto) com as arquiteturas adequadas (CNN, RNN/Transformers)
- Compreender e explorar os modelos de linguagem (LLM): fine-tuning, RAG, integração via API
- Avaliar um modelo, gerir o sobreajuste e conhecer os desafios (enviesamentos, custos, ética, MLOps)
- Implementar um modelo de IA e expô-lo (API, aplicação)
Público-alvo
- Estudantes e formandos das escolas e centros de formação parceiros
- Data scientists, programadores e perfis técnicos que queiram criar modelos de IA
- Perfis com as bases de dados/ML (módulo Data Scientist recomendado)
Pré-requisitos
São exigidas bases sólidas de Python e de machine learning (módulo «Data Scientist» fortemente recomendado), bem como à-vontade com as noções de modelo, treino e avaliação. Noções de matemática (álgebra linear, derivadas) facilitam a compreensão. Estes elementos são validados por um formulário online e / ou por uma entrevista prévia.
- Dominar o Python e as bases do machine learning (módulo Data Scientist aconselhado).
- Compreender as noções de modelo, treino e avaliação.
- Ter noções de matemática (álgebra linear, derivadas) — uma mais-valia.
- Ter autonomia técnica e curiosidade pela IA.
Programa
Dia 1 — Dos fundamentos do ML ao deep learning
-
1h15
Do ML à rede neuronal
Revisão do ML e limites; neurónio, camadas, funções de ativação.
Exposição interativa, esquemas de redes, exemplos.
Avaliação : Perguntas orais; questionário de escolha múltipla sobre os fundamentos.
-
2h15
Primeira rede simples
Implementar uma primeira rede neuronal.
Trabalho prático guiado, ambiente preparado (Colab), acompanhamento.
Avaliação : Rede simples funcional.
-
1h00
Aprendizagem e retropropagação
Função de perda, descida do gradiente, retropropagação.
Exposição, esquemas, intuição matemática.
Avaliação : Questionário de escolha múltipla sobre a aprendizagem.
-
2h30
Treinar uma rede
Treinar uma rede e observar a convergência.
Trabalho prático, acompanhamento das curvas de aprendizagem, ajustes.
Avaliação : Treino e convergência validados.
Dia 2 — Redes profundas e visão (CNN)
-
1h15
Redes profundas e regularização
Profundidade, sobreajuste, regularização; frameworks TensorFlow/Keras, PyTorch.
Exposição, comparação de frameworks, exemplos.
Avaliação : Perguntas orais; questionário de escolha múltipla.
-
2h15
Rede com uma framework
Construir uma rede com uma framework.
Trabalho prático guiado (Keras ou PyTorch), acompanhamento.
Avaliação : Rede com framework validada.
-
1h00
Redes convolucionais (CNN)
Princípio das CNN para o tratamento de imagens.
Exposição, esquemas de convolução, exemplos.
Avaliação : Questionário de escolha múltipla sobre as CNN.
-
2h30
Classificador de imagens
Treinar um classificador de imagens.
Trabalho prático, conjunto de imagens, treino (GPU/cloud), avaliação.
Avaliação : Classificador de imagens validado.
Dia 3 — Texto, sequências e Transformers
-
1h15
NLP, RNN e Transformers
Processamento de linguagem, representações, RNN e depois arquitetura Transformer.
Exposição, esquemas, intuição da atenção.
Avaliação : Perguntas orais; questionário de escolha múltipla.
-
2h15
Modelo de processamento de texto
Construir um modelo de texto (classificação ou geração simples).
Trabalho prático guiado, conjunto de dados de texto, acompanhamento.
Avaliação : Modelo de texto validado.
-
1h00
Transfer learning e modelos pré-treinados
Transfer learning, modelos pré-treinados (Hugging Face).
Exposição, panorama Hugging Face, exemplos.
Avaliação : Questionário de escolha múltipla sobre o transfer learning.
-
2h30
Reutilizar um modelo pré-treinado
Fine-tuning leve de um modelo pré-treinado.
Trabalho prático, modelo pré-treinado, fine-tuning, avaliação.
Avaliação : Fine-tuning validado.
Dia 4 — Modelos de linguagem (LLM) na prática
-
1h15
Funcionamento dos LLM
Capacidades e limites, prompt, fine-tuning vs RAG.
Exposição, esquemas, exemplos comparativos fine-tuning/RAG.
Avaliação : Perguntas orais; questionário de escolha múltipla sobre os LLM.
-
2h15
LLM via API e RAG simples
Integrar um LLM via API e construir um RAG simples.
Trabalho prático guiado, API de LLM, base documental, acompanhamento.
Avaliação : Integração LLM + RAG validada.
-
1h00
Panorama e execução
Modelos abertos/proprietários, custos, execução local vs cloud.
Exposição, panorama dos modelos, comparação dos custos.
Avaliação : Questionário de escolha múltipla sobre o panorama.
-
2h30
Comparar e avaliar
Comparar abordagens e avaliar os resultados.
Trabalho prático, comparação de abordagens, grelha de avaliação.
Avaliação : Comparação e avaliação validadas.
Dia 5 — Avaliação, implementação (MLOps) e projeto
-
1h00
Avaliação, enviesamentos e MLOps
Avaliação, enviesamentos, ética, pegada/custos; introdução ao MLOps (ciclo de vida, monitorização).
Exposição, casos de enviesamento, esquema do ciclo MLOps.
Avaliação : Questionário de escolha múltipla sobre a avaliação e o MLOps.
-
2h00
Avaliar e fiabilizar
Avaliar e fiabilizar um modelo.
Trabalho prático, métricas, testes de robustez, análise dos enviesamentos.
Avaliação : Avaliação do modelo validada.
-
1h00
Implementação de um modelo
Expor um modelo (API, contentor, serviço).
Exposição, esquema de implementação, boas práticas.
Avaliação : Questionário de escolha múltipla sobre a implementação.
-
2h30
Implementação de ponta a ponta e apresentação de resultados
Implementar um modelo de IA de ponta a ponta e apresentá-lo.
Trabalho prático de projeto, implementação, apresentações, revisão coletiva, questionário final de escolha múltipla, inquérito de satisfação.
Avaliação : Avaliação sumativa: modelo treinado e implementado + questionário final de escolha múltipla.
Modalidades e meios pedagógicos
Formação presencial nas nossas instalações ou nas suas, em grupo reduzido. Alternância de contributos teóricos, oficinas práticas e simulações.
16 GB de RAM recomendados (acesso a GPU/cloud para algumas oficinas)
- Os formandos devem dispor de um PC com Wi-Fi e 16 GB de RAM recomendados; está previsto o acesso a recursos de GPU/cloud (ex.: Google Colab) para as oficinas de treino.
- Efetivo adaptado ao formato escola / centro de formação.
- Percurso dedicado a escolas e centros de formação, estabelecido por orçamento.
Modalidades de avaliação
Avaliação das aprendizagens durante e no final da formação; certificado de conclusão entregue a cada formando.
Acessibilidade para pessoas com deficiência
Formação acessível a pessoas com deficiência. Contacte-nos antes da inscrição para estudarmos as adaptações necessárias.
Financiamento
Orçamento ou convenção de formação a pedido. A certificação Qualiopi está em preparação: a elegibilidade para financiamentos OPCO será aberta após a sua obtenção.
Auditoria de certificação prevista para T1 2027. Sem elegibilidade OPCO antes da sua obtenção.