Módulo 1: Módulo 1: Fundamentos de Python e Inteligência Artificial
Nivelamento em Python e fundamentos essenciais de Machine Learning e LLMs.
Módulo 2: Módulo 2: Engenharia de Prompts e APIs de Modelos
Domine a comunicação com as principais IAs e consuma suas APIs.
Módulo 3: Módulo 3: Fundamentos de RAG (Retrieval-Augmented Generation)
Entenda como fornecer contexto externo para reduzir alucinações de LLMs.
- 1. O problema das Alucinações e a Arquitetura RAG Disponível
- 2. Embeddings: Como transformar textos em vetores Disponível
-
3. Bancos de Dados Vetoriais (ChromaDB, FAISS, Pinecone) QUEUED
-
4. Chunking strategy e ingestão de documentos (PDFs, Web) QUEUED
Módulo 4: Módulo 4: RAG Avançado e Otimização
Estratégias avançadas para melhorar o recall e precisão do seu RAG.
-
1. Busca Semântica vs. Busca Híbrida (BM25) QUEUED
-
2. Re-ranking e Cross-Encoders para melhorar a precisão QUEUED
-
3. RAG Multi-modal (Imagens e Textos) QUEUED
-
4. Métricas de Avaliação de RAG (RAGAS, TruLens) QUEUED
Módulo 5: Módulo 5: LangChain e Agentes Autônomos
Crie sistemas inteligentes que tomam decisões e utilizam ferramentas externas.
-
1. Introdução ao ecossistema LangChain e LangGraph QUEUED
-
2. Criação de cadeias de conversação com Memória QUEUED
-
3. Function Calling: Conectando LLMs a ferramentas externas QUEUED
-
4. Construção de Agentes Autônomos e Frameworks (Agno) QUEUED
Módulo 6: Módulo 6: Deploy, Monitoramento e Automação (No-Code)
Coloque suas aplicações no ar e integre com automações corporativas.
-
1. Deploy de aplicações de IA com Streamlit e FastAPI QUEUED
-
2. Integração de Agentes com n8n e Make QUEUED
-
3. Monitoramento contínuo (Observability) de LLMs QUEUED
-
4. Projeto Final: Construindo um Assistente Especialista de Ponta a Ponta QUEUED