Fundamentos da metodologia científica; conhecimento científico e métodos de pesquisa; pesquisa quantitativa, qualitativa e métodos mistos; problema e hipóteses de pesquisa; objetivos geral e específicos; revisão da literatura; pesquisa bibliográfica e documental; bases de dados científicas; estratégias de busca; leitura e análise crítica de artigos; coleta e análise de dados; estruturação de projetos científicos; artigos científicos; normalização acadêmica; citações e referências; integridade científica; ética em pesquisa; utilização responsável da Inteligência Artificial na pesquisa; ferramentas de IA aplicadas à organização, análise e produção científica.

Fundamentos da educação superior; didática e prática docente; processo de ensino e aprendizagem; educação de adultos; planejamento educacional; plano de ensino e plano de aula; objetivos de aprendizagem; organização e seleção de conteúdos; metodologias tradicionais e ativas; aprendizagem baseada em problemas e projetos; estudos de caso; aprendizagem colaborativa; sala de aula invertida; ensino híbrido; Educação a Distância; ambientes virtuais de aprendizagem; produção de materiais didáticos; videoaulas; recursos digitais; avaliação da aprendizagem; feedback; Inteligência Artificial aplicada ao ensino; IA generativa na produção de recursos educacionais; personalização da aprendizagem; ética, autoria e integridade acadêmica.

Conceitos e fundamentos da Inteligência Artificial; evolução histórica; inteligência humana e artificial; paradigmas simbólico, conexionista, probabilístico e híbrido; representação do conhecimento; busca e resolução de problemas; algoritmos heurísticos; sistemas especialistas; raciocínio lógico e probabilístico; aprendizado de máquina; redes neurais; Inteligência Artificial estreita e geral; modelos fundacionais; IA generativa; sistemas autônomos; Inteligência Artificial multimodal; aplicações contemporâneas; limitações dos sistemas inteligentes; explicabilidade, interpretabilidade, confiabilidade e impactos profissionais e sociais da IA.

Fundamentos de algoritmos e programação; Python aplicado à Inteligência Artificial; variáveis; operadores; estruturas condicionais e de repetição; funções; estruturas de dados; programação orientada a objetos; NumPy; Pandas; manipulação e transformação de dados; preparação de datasets; qualidade dos dados; tratamento de dados ausentes; integração de fontes de dados; formatos JSON e CSV; bancos de dados; APIs REST; consumo de serviços de IA; notebooks computacionais; ambientes virtuais; Git e controle de versões; pipelines de dados; fundamentos de engenharia de dados aplicada à IA; desenvolvimento de aplicações inteligentes.

Fundamentos do Machine Learning; aprendizado supervisionado, não supervisionado e por reforço; preparação de dados; engenharia de atributos; normalização e padronização; regressão linear e logística; árvores de decisão; Random Forest; métodos ensemble; Support Vector Machines; K-Nearest Neighbors; Naive Bayes; clustering; K-Means; redução de dimensionalidade; treinamento, validação e teste; métricas de desempenho; matriz de confusão; precisão, recall, F1-score e ROC-AUC; overfitting e underfitting; regularização; validação cruzada; ajuste de hiperparâmetros; pipelines; interpretabilidade e aplicações profissionais.

Fundamentos de Deep Learning; neurônio artificial; perceptron; redes multicamadas; funções de ativação; forward propagation; backpropagation; funções de perda; gradiente descendente; otimizadores; regularização; dropout; batch normalization; redes convolucionais; redes recorrentes; LSTM e GRU; mecanismos de atenção; arquitetura Transformer; embeddings; transfer learning; modelos pré-treinados; fine-tuning; processamento paralelo; GPUs; frameworks de Deep Learning; desenvolvimento, treinamento, validação e avaliação de redes neurais profundas.

Fundamentos do Processamento de Linguagem Natural – PLN; representação computacional da linguagem; tokenização; normalização textual; embeddings; classificação textual; análise de sentimentos; reconhecimento de entidades; sumarização; tradução automática; extração de informações; sistemas de perguntas e respostas; busca semântica; fundamentos da visão computacional; representação e processamento de imagens; classificação; detecção de objetos; segmentação; redes convolucionais; Vision Transformers; OCR; fundamentos de processamento de áudio; integração entre texto, imagem e áudio; modelos multimodais; aplicações profissionais de sistemas multimodais.

Fundamentos da Inteligência Artificial Generativa; modelos generativos; Transformers; mecanismos de atenção; modelos fundacionais; Grandes Modelos de Linguagem – LLMs; tokenização; embeddings; pré-treinamento; instruction tuning; fine-tuning; aprendizagem por feedback; inferência; janela de contexto; temperatura e parâmetros de geração; modelos multimodais; modelos proprietários e de pesos abertos; execução local e em nuvem; APIs de IA generativa; geração de texto, código, imagem, áudio e conteúdos multimídia; alucinações; grounding; avaliação; guardrails; custos computacionais; aplicações empresariais, científicas, educacionais e profissionais.

Fundamentos da engenharia de prompts; estruturação de instruções; contexto; exemplos e restrições; zero-shot, one-shot e few-shot prompting; prompts estruturados; saídas estruturadas; técnicas de decomposição de tarefas; engenharia de contexto; gerenciamento da janela de contexto; memória; avaliação e otimização de prompts; embeddings; similaridade semântica; bancos de dados vetoriais; recuperação de informação; Retrieval-Augmented Generation – RAG; chunking; indexação; retrieval; reranking; grounding; integração de documentos e bases privadas de conhecimento; avaliação, segurança e otimização de pipelines RAG.

Fundamentos dos agentes inteligentes; agentes baseados em LLMs; planejamento; memória; raciocínio e execução de ações; utilização de ferramentas; function calling; tool use; gerenciamento de estado; agentes especializados; workflows agentivos; sistemas multiagentes; coordenação e comunicação entre agentes; supervisão e orquestração; Model Context Protocol – MCP; princípios de arquitetura; clientes e servidores MCP; recursos; ferramentas; prompts e integrações; interoperabilidade; agentes conectados a dados e sistemas externos; segurança; permissões; limites operacionais; human-in-the-loop; avaliação e aplicações profissionais de agentes inteligentes.

Arquitetura de aplicações de Inteligência Artificial; integração entre frontend, backend, modelos e dados; APIs REST; APIs de modelos generativos; autenticação e autorização; integração com bancos de dados; webhooks; filas e processamento assíncrono; microsserviços; arquiteturas orientadas a eventos; automação de workflows; integração entre aplicações; sistemas RAG em produção; integração e orquestração de agentes; serviços de IA; escalabilidade; disponibilidade; desempenho; latência; custos; observabilidade; padrões arquiteturais para aplicações inteligentes; desenvolvimento de soluções completas de IA.

Fundamentos de MLOps; ciclo de vida de modelos; pipelines de treinamento e inferência; versionamento de código, dados e modelos; experiment tracking; model registry; CI/CD aplicado à IA; containerização; ambientes de desenvolvimento, homologação e produção; deploy; inferência em batch e tempo real; computação em nuvem; escalabilidade; monitoramento; data drift e concept drift; retreinamento; fundamentos de LLMOps; operações de aplicações baseadas em LLMs; versionamento e avaliação de prompts; gestão de embeddings e bases vetoriais; observabilidade; tracing; avaliação de respostas; alucinações; latência; consumo de tokens; gestão de custos; cache semântico; roteamento de modelos; operação de RAG e agentes; segurança operacional; guardrails; gestão de credenciais; alta disponibilidade; rollback; recuperação de falhas e FinOps aplicado à Inteligência Artificial.

Ética aplicada à Inteligência Artificial; transparência; explicabilidade; interpretabilidade; responsabilidade; justiça e vieses algorítmicos; discriminação; supervisão humana; accountability; privacidade; proteção de dados pessoais; segurança da informação aplicada à IA; prompt injection; ataques adversariais; vazamento de informações; deepfakes; desinformação; propriedade intelectual; direitos autorais; responsabilidade civil; relações de consumo; relações de trabalho; governança de dados e modelos; gestão de riscos; auditoria algorítmica; avaliação de impacto; políticas internas de IA; compliance tecnológico; regulação nacional e internacional; princípios de IA responsável.

Concepção, planejamento, desenvolvimento, implementação, avaliação e documentação de projeto aplicado de Inteligência Artificial; identificação de problema real ou simulado; levantamento de requisitos; definição de objetivos; arquitetura da solução; seleção de tecnologias; aquisição, preparação e tratamento de dados; desenvolvimento de protótipos; Machine Learning; Deep Learning; LLMs; engenharia de prompts e de contexto; embeddings; bancos vetoriais; RAG; agentes inteligentes; function calling; MCP; sistemas multiagentes; integração com APIs e sistemas externos; automação de workflows; desenvolvimento de interfaces; deploy; MLOps e LLMOps; testes; avaliação de qualidade, desempenho, latência e custos; segurança; privacidade; guardrails; governança; observabilidade; documentação técnica; apresentação e demonstração da solução; avaliação crítica dos resultados e planejamento de evolução do projeto.