Modelos de Linguagem de Grande Porte para Todos: Dos Fundamentos ao Uso Prático (Edição 2026)
Este curso é uma introdução prática e acessível aos Modelos de Linguagem de Grande Porte (LLMs), como o ChatGPT e o Gemini. Destinado a aprendizes de qualquer background, ele explica de forma geral como os LLMs funcionam, o que eles podem e não podem fazer, e como usá-los de forma eficaz no estudo, no trabalho e no dia a dia. Através de demonstrações práticas e exercícios guiados, você aprenderá técnicas de prompt, como avaliar saídas de forma crítica, lidar com alucinações e viéses, e como usar ferramentas comuns (por exemplo, documentos, resumos, tradução, tarefas de dados) de forma segura e responsável. Ao final do curso, você será capaz de criar um fluxo pessoal de trabalho com LLMs para tarefas reais — escrita, pesquisa, planejamento e produtividade — sem precisar de habilidades avançadas em programação.
Visão Geral do Curso
Resumo do Conteúdo
Este curso é uma introdução prática e acessível aos Modelos de Linguagem de Grande Porte (LLMs), como o ChatGPT e o Gemini. Projetado para alunos de qualquer background, ele explica como os LLMs funcionam em nível alto, quais são suas capacidades e limitações, e como usá-los efetivamente no estudo, no trabalho e na vida cotidiana. Através de demonstrações práticas e exercícios guiados, você aprenderá técnicas de prompt, como avaliar saídas de forma crítica, lidar com alucinações e viéses, e usar ferramentas comuns (por exemplo, documentos, resumos, tradução, tarefas de dados) de maneira segura e responsável. Ao final do curso, você será capaz de criar um fluxo de trabalho pessoal com LLMs para tarefas reais — escrita, pesquisa, planejamento e produtividade — sem precisar de habilidades avançadas em programação.
Do raciocínio matemático fundamental à orquestração distribuída de agentes: moldando arquitetos de sistemas de elite para a era dos grandes modelos.
Objetivos de Aprendizagem
- Cognitivo: Compreender os pilares matemáticos da ML (álgebra linear, cálculo, probabilidade) e a linhagem histórica das arquiteturas neurais desde os Perceptrons até os LSTMs.
- Habilidades: Navegar servidores remotos usando comandos Unix shell e implementar gráficos computacionais básicos usando motores de diferenciação automática.
- Afectivo: Valorizar a importância do "fundamento teórico" em detrimento da "abstração prematura" ao depurar sistemas complexos como explosões de gradientes.
- Gerado
- Cognitivo: Explicar os mecanismos do pipeline pós-treinamento, incluindo a distinção entre o ajuste fino supervisionado (SFT) e frameworks de aprendizado por reforço (RL), como o GRPO.
- Habilidades: Projetar um pipeline de treinamento em múltiplas etapas — desde o início frio até a alinhamento final — utilizando técnicas de ajuste fino eficiente em parâmetros (PEFT), como LoRA.
- Afectivo: Valorizar a mudança de ver a IA como uma "caixa-preta mágica" para um sistema engenhado de camadas mecânicas e raciocínio interno deliberado.
- Cognitivo: Contrapor frameworks de integração linear com orquestração cíclica baseada em grafos e diferenciar protocolos de integração vertical (MCP) e horizontal (A2A).
- Habilidades: Definir nós especializados e arestas condicionais usando princípios da teoria dos grafos e implementar um servidor MCP usando FastMCP para conectar agentes a dados externos.
- Afectivo: Valorizar a importância da "execução cíclica" e do gerenciamento de estado na imitação de fluxos cognitivos humanos complexos.