O objetivo é prover uma formação fundamentalmente completa, o que inclui:

1. Um arcabouço  que permita ao estudante pensar criticamente sobre temas fundamentais de IA, como:

   • O que é "IA", e como IA se difere de "aprendizado de máquina" ou "ciência de dados";

   • O que se pretende com o desenvolvimento de IA ao longo prazo;

   • Principais questões sobre o conceito de "inteligência" ("o que é", "como medir");

   • Como o entendimento de técnicas de IA pode auxiliar ao estudante entender melhor a si mesmo e o seu processo de aprendizado;

   • Pensar criticamente sobre questões éticas envolvendo IA - que surgem quando a técnica ou os dados subjacentes introduzam ou propagam preconceitos ou viole a privacidade individual, por exemplo;

   • Questões de segurança envolvendo IA.

2. Um entendimento intuitivo e correto sobre os métodos matemáticos utilizados;

3. Como discernir oportunidades de aplicações de técnicas de IA para resolver problemas reais;

4. Metodologia de desenvolvimento de projeto de IA (baseado no CRISP-DS).

O conteúdo a ser coberto depende, é claro, do interesse da turma. Contudo,  sempre começamos pelo ponto 1 posto acima:

  O que significa "IA", e qual a sua relação com outros termos na moda, como "aprendizado de máquina" e "ciência de dados"? 

Respondendo a essa pergunta, com os termos bem definidos, vemos um pouco sobre o desenvolvimento histórico da área e quais os fatores que permitiram que esse campo crescesse tanto recentemente, seguindo uma perspectiva genealógica.

Partindo daí, vemos uma classificação dos tipos de aprendizado que existem - nomeadamente, aprendizado supervisionado, não-supervisionado, semi-supervisionado e aprendizado por reforço e alguns dos problemas comuns que cabem em cada tipo.

Com essa base bem compreendida, vamos a alguns dos principais métodos e modelos utilizados:

1. Regressão linear;

2. k-means;

3. k-NN;

4. SVM;

5. Árvores de decisão;

6. Florestas aleatórias;

7. Naïve Bayes;

8. Regressão logística;

9. Redes neurais;

   1. Redes neurais profundas;

   2. Redes convolucionais;

   3. LLMs (large language models)

Como mencionado antes, o objetivo não é que o estudante entenda os métodos em seus menores detalhes (mas, se houver interesse, ficamos muito felizes em explicar :)

O objetivo é passar um entendimento intuitivo, para que se ele quiser se aprofundar no tema, com ou sem nossa ajuda, possa fazer isso com menos dificuldade.

Os métodos e modelos citados acima serão passados juntamente com técnicas e o que chamamos de "perguntas diretoras", que nos ajudam a saber que tipo de problema pode ser mais adequado a cada método.

Em todo esse tempo, o estudante é incentivado a trazer problemas e questões identificadas no seu dia-a-dia a que técnicas de IA possam ser aplicadas. 

O objetivo é que se formem grupos de até 4, e daremos todo o suporte e mentoria para que, no final de um semestre, cada grupo possa apresentar um projeto seu.

Todo nosso trabalho pedagógico é baseado no entendimento do que há de mais atual sobre métodos de aprendizagem e ensino. Tomamos como base autores como Piaget, Seymour Papert, Vygotsky, Paulo Freire, entre outros, para poder oferecer uma experiência educacional adequada - uma que se aproxime dos estudantes, leve o conhecimento para mais perto deles, e os incentive a tomá-lo para si.