Fundamentos de IA Generativa em Python

Um guia abrangente para compreender e implementar Inteligência Artificial Generativa e Modelos de Linguagem de Grande Porte (LLMs). Este curso aborda a transição das fundações teóricas para o desenvolvimento prático baseado em Python, incluindo GANs, modelos de difusão, transformadores, fine-tuning e implantação em produção.

Domine os princípios fundamentais e aplicações práticas dos modernos LLMs e técnicas generativas com Python.

Autor: Carlos Rodriguez

Agradecimentos: Agradecimentos especiais à esposa do autor, Jill, aos seus pais e aos revisores técnicos Morgan Boyce, Eric Rui e Samira Shaikh (autora da introdução).

1. Diferenciar entre paradigmas clássicos (discriminativos) de aprendizado de máquina e modelos de IA generativa.
2. Identificar as arquiteturas fundamentais da IA generativa, incluindo GANs, modelos de difusão e Transformers.
3. Explicar o papel e a evolução dos Grandes Modelos de Linguagem (LLMs) no panorama mais amplo da inteligência artificial.
4. Diferenciar os recursos únicos e os paradigmas arquiteturais de GANs, difusores e transformers.
5. Analisar os avanços e limitações de cada tipo de modelo, incluindo problemas específicos como colapso de modo ou velocidade de amostragem.
6. Implementar um pipeline Stable Diffusion e avaliar saídas geradas usando logit e probabilidades baseados em CLIP.
7. Traçar a evolução da NLP desde métodos iniciais baseados em contagem e RNNs até Representações Distribuídas modernas e Aprendizado por Transferência.
8. Explicar a mecânica técnica da Multi-head Attention (MHA), Auto-atenção, Mascaramento e Rede Feed-Forward (FFN).
9. Implementar uma arquitetura completa de Transformer, incluindo tokenização de dados, codificação posicional e funções de treinamento/inferência.
10. Mapear funcionalidades de prototipagem (por exemplo, Google Colab) para ambientes prontos para produção usando Docker e VS Code.