Cursos de Aprendizagem Automática em Coimbra

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial), destina-se a engenheiros NLP de nível intermédio e equipas de gestão do conhecimento que desejam otimizar os pipelines RAG para melhorar o desempenho em casos de uso de resposta a perguntas, pesquisa empresarial e resumo.

No final desta formação, os participantes serão capazes de:

• Compreender a arquitetura e o fluxo de trabalho dos sistemas RAG.
• Otimizar os componentes recuperador e gerador para dados específicos de domínio.
• Avaliar o desempenho RAG e aplicar melhorias através de técnicas PEFT.
• Implantar sistemas RAG otimizados para uso interno ou em produção.

Este curso ao vivo, conduzido por formador em Coimbra (online ou presencial), destina-se a profissionais em nível inicial que desejam compreender o conceito de modelos pré-adequados e aprender a aplicá-los para resolver problemas do mundo real, sem a necessidade de construir modelos desde o zero.

Até ao final desta formação, os participantes serão capazes de:

• Compreender o conceito e os benefícios dos modelos pré-adequados.
• Explorar diversas arquiteturas de modelos pré-adequados e os respetivos casos de uso.
• Refinar (fine-tuning) um modelo pré-adequado para tarefas específicas.
• Implementar modelos pré-adequados em projetos simples de aprendizagem automática.

Esta formação ao vivo, conduzida por instrutor, em Coimbra (online ou presencial), destina-se a engenheiros de machine learning, desenvolvedores de IA e cientistas de dados de nível intermédio a avançado, que pretendem aprender a utilizar o QLoRA para ajustar eficientemente grandes modelos a tarefas específicas e personalizações.

No final desta formação, os participantes serão capazes de:

• Compreender a teoria por detrás do QLoRA e das técnicas de quantização para LLMs.
• Implementar o QLoRA no ajuste fino de grandes modelos de linguagem para aplicações específicas de domínio.
• Otimizar o desempenho do ajuste fino em recursos computacionais limitados, utilizando quantização.
• Implantar e avaliar modelos ajustados em aplicações do mundo real de forma eficiente.

Esta formação ao vivo, orientada por instrutor, em Coimbra (online ou presencial), destina-se a desenvolvedores de IA de nível intermédio, engenheiros de machine learning e arquitetos de sistemas que pretendam otimizar modelos de IA para implantação edge.

Ao final desta formação, os participantes serão capazes de:

• Compreender os desafios e requisitos da implantação de modelos de IA em dispositivos edge.
• Aplicar técnicas de compressão de modelos para reduzir o tamanho e a complexidade dos modelos de IA.
• Utilizar métodos de quantização para melhorar a eficiência dos modelos em hardware edge.
• Implementar poda e outras técnicas de otimização para melhorar o desempenho dos modelos.
• Implantar modelos de IA otimizados em vários dispositivos edge.

Esta formação ao vivo, conduzida por instrutores, em Coimbra (online ou presencial), destina-se a developers, cientistas de dados e entusiastas de tecnologia de nível intermédio que desejam adquirir competências práticas na implementação de modelos de IA em dispositivos de borda para diversas aplicações.

Ao término desta formação, os participantes serão capazes de:

• Compreender os princípios da Edge AI e os seus benefícios.
• Configurar e preparar o ambiente de computação na borda.
• Desenvolver, treinar e otimizar modelos de IA para implementação na borda.
• Implementar soluções práticas de IA em dispositivos de borda.
• Avaliar e melhorar o desempenho dos modelos implementados na borda.
• Abordar considerações éticas e de segurança nas aplicações de Edge AI.

Esta formação ao vivo, ministrada por um instrutor em Coimbra (online ou presencial), destina-se a profissionais de nível avançado que desejam dominar as técnicas para otimizar modelos de grande escala para fine-tuning custo-eficiente em cenários reais.

No final desta formação, os participantes serão capazes de:

• Compreender os desafios do fine-tuning de modelos de grande escala.
• Aplicar técnicas de treino distribuído a modelos de grande escala.
• Aproveitar a quantização e o poda de modelos para ganhar eficiência.
• Otimizar a utilização de hardware para tarefas de fine-tuning.
• Implementar modelos ajustados de forma eficaz em ambientes de produção.

Esta formação ao vivo, conduzida por um instrutor em Coimbra (online ou presencial), destina-se a profissionais de nível avançado que desejam dominar as tecnologias por trás dos sistemas autónomos.

No final desta formação, os participantes estarão capacitados para:

• Desenhar e implementar modelos de IA para tomada de decisão autónoma.
• Desenvolver algoritmos de controlo para navegação autónoma e evitamento de obstáculos.
• Garantir a segurança e fiabilidade em sistemas autónomos impulsionados por IA.
• Integrar sistemas autónomos com estruturas existentes de robótica e IA.

Esta formação ao vivo, ministrada por um instrutor, em Coimbra (online ou presencial), destina-se a profissionais de nível avançado que desejam aprimorar os seus conhecimentos em modelos de aprendizagem de máquina, melhorar as suas competências em ajuste de hiperparâmetros e aprender a implementar modelos de forma eficaz utilizando o Google Colab.

No final desta formação, os participantes serão capazes de:

• Implementar modelos avançados de aprendizagem de máquina utilizando frameworks populares como Scikit-learn e TensorFlow.
• Otimizar o desempenho dos modelos através do ajuste de hiperparâmetros.
• Implementar modelos de aprendizagem de máquina em aplicações do mundo real utilizando o Google Colab.
• Colaborar e gerir projetos de aprendizagem de máquina em larga escala no Google Colab.

Esta formação ao vivo, com instrutor em Coimbra (online ou presencial), destina-se a profissionais de nível intermédio que desejam aplicar técnicas de IA para otimizar a gestão do rendimento na fabrico de semicondutores.

No final desta formação, os participantes serão capazes de:

• Analisar dados de produção para identificar fatores que afetam as taxas de rendimento.
• Implementar algoritmos de IA para melhorar os processos de gestão do rendimento.
• Otimizar parâmetros de produção para reduzir defeitos e melhorar os rendimentos.
• Integrar a gestão do rendimento dirigida por IA nos fluxos de trabalho de produção existentes.

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial) destina-se a profissionais de negócio e de IA de nível intermédio que desejam aplicar o machine learning em negócios, previsões e sistemas impulsionados por IA, utilizando estudos de caso reais e ferramentas baseadas em Python.

Ao concluir esta formação, os participantes serão capazes de:

• Compreender como o machine learning se enquadra na estratégia de IA e de negócio.
• Aplicar técnicas de aprendizagem supervisionada e não supervisionada a problemas de negócio estruturados.
• Pré-processar e transformar dados para modelação.
• Utilizar redes neuronais para tarefas de classificação e previsão.
• Executar previsões de vendas utilizando métodos estatísticos e baseados em ML.
• Implementar clustervação e mineração de regras de associação para segmentação de clientes e descoberta de padrões.

Esta formação ao vivo, conduzida por um formador em Coimbra (online ou presencial), destina-se a profissionais de nível avançado que desejem aplicar técnicas de IA de vanguarda à automação do projeto de semicondutores, melhorando a eficiência, a precisão e a inovação no design e verificação de chips.

No final desta formação, os participantes serão capazes de:

• Aplicar técnicas avançadas de IA para otimizar os processos de projeto de semicondutores.
• Integrar modelos de machine learning em ferramentas EDA para uma verificação de projeto mais robusta.
• Desenvolver soluções impulsionadas por IA para desafios complexos de projeto na fabrico de chips.
• Aproveitar as redes neurais para melhorar a precisão e a velocidade da automação de projeto.

Esta formação ao vivo, ministrada por formadores em Coimbra (online ou presencial), destina-se a profissionais de nível intermédio que desejam compreender e aplicar técnicas de IA para otimizar os processos de fabricação de semicondutores.

No final desta formação, os participantes estarão aptos a:

• Compreender as metodologias de IA para otimização de processos na fabricação de chips.
• Implementar modelos de IA para aumentar o rendimento e reduzir defeitos.
• Analisar dados de processo para identificar os parâmetros-chave para otimização.
• Aplicar técnicas de machine learning para afinar os processos de manufatura de semicondutores.

Esta formação ao vivo, conduzida por instrutores, em Coimbra (online ou presencial), destina-se a participantes de nível intermédio que desejam automatizar e gerir fluxos de trabalho de machine learning, incluindo o treino, a validação e a implementação de modelos, utilizando o Apache Airflow.

Ao fim desta formação, os participantes serão capazes de:

• Configurar o Apache Airflow para a orquestração de fluxos de trabalho de machine learning.
• Automatizar tarefas de pré-processamento de dados, treino de modelos e validação.
• Integrar o Airflow com frameworks e ferramentas de machine learning.
• Implementar modelos de machine learning através de pipelines automatizados.
• Monitorizar e otimizar fluxos de trabalho de machine learning em ambiente de produção.

Esta formação ao vivo, ministrada por um formador, em Coimbra (online ou presencial), destina-se a profissionais intermédios que pretendam aplicar a Aprendizagem Federada a cenários de saúde, garantindo a privacidade dos dados e uma colaboração eficaz entre instituições.

Ao final desta formação, os participantes serão capazes de:

• Compreender o papel da Aprendizagem Federada na saúde.
• Implementar modelos de Aprendizagem Federada garantindo a privacidade dos dados dos pacientes.
• Colaborar no treino de modelos de IA em múltiplas instituições de saúde.
• Aplicar a Aprendizagem Federada a estudos de caso reais no setor da saúde.

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial), destina-se a cientistas de dados e desenvolvedores de nível intermédio que desejam aplicar algoritmos de aprendizado de máquina de forma eficiente, utilizando o ambiente Google Colab.

No final desta formação, os participantes serão capazes de:

• Configurar e navegar no Google Colab para projetos de aprendizado de máquina.
• Compreender e aplicar diversos algoritmos de aprendizado de máquina.
• Utilizar bibliotecas como a Scikit-learn para analisar e prever dados.
• Implementar modelos de aprendizado supervisionado e não supervisionado.
• Otimizar e avaliar modelos de aprendizado de máquina de forma eficaz.

Esta formação ao vivo, liderada por um instrutor, em Coimbra (online ou presencial), destina-se a profissionais de nível avançado que pretendem explorar técnicas de XAI de ponta para modelos de deep learning, com foco na construção de sistemas de IA interpretáveis.

No final desta formação, os participantes serão capazes de:

• Compreender os desafios da explicabilidade em deep learning.
• Implementar técnicas avançadas de XAI para redes neuronais.
• Interpretar as decisões tomadas por modelos de deep learning.
• Avaliar os compromissos entre desempenho e transparência.

Esta formação ao vivo, conduzida por instrutor, em Coimbra (online ou presencial), destina-se a profissionais de nível avançado que desejam dominar as técnicas de Aprendizado Federado mais recentes e aplicá-las a projetos de IA de grande dimensão.

Ao final desta formação, os participantes serão capazes de:

• Otimizar algoritmos de Aprendizado Federado para melhorar o desempenho.
• Lidar com distribuições de dados não-IID no Aprendizado Federado.
• Escalar sistemas de Aprendizado Federado para despliegues em larga escala.
• Abordar considerações de privacidade, segurança e ética em cenários avançados de Aprendizado Federado.

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial), destina-se a cientistas de dados e desenvolvedores que desejem utilizar modelos de machine learning do ML.NET para derivar automaticamente projeções a partir de análises de dados executadas para aplicações empresariais.

No final desta formação, os participantes serão capazes de:

• Instalar o ML.NET e integrá-lo no ambiente de desenvolvimento de aplicações.
• Compreender os princípios de machine learning por trás das ferramentas e algoritmos do ML.NET.
• Construir e treinar modelos de machine learning para realizar previsões inteligentes com os dados fornecidos.
• Avaliar o desempenho de um modelo de machine learning utilizando as métricas do ML.NET.
• Otimizar a precisão dos modelos de machine learning existentes com base no framework ML.NET.
• Aplicar os conceitos de machine learning do ML.NET a outras aplicações de ciência de dados.

Esta formação ao vivo, orientada por instrutores em Coimbra (online ou presencial), destina-se a profissionais de dados de nível intermédio que desejam aplicar técnicas de aprendizagem de máquina a problemas empresariais baseados em dados, incluindo previsão de vendas e modelação preditiva utilizando redes neurais.

Ao final desta formação, os participantes serão capazes de:

• Compreender os conceitos centrais e os tipos de aprendizagem de máquina.
• Aplicar algoritmos essenciais para classificação, regressão, agrupamento (clustering) e análise de associação.
• Realizar análises exploratórias de dados e preparação de dados utilizando Python.
• Utilizar redes neurais para tarefas de modelação não linear.
• Implementar análise preditiva para previsões empresariais, incluindo dados de vendas.
• Avaliar e otimizar o desempenho dos modelos utilizando técnicas visuais e estatísticas.

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial), destina-se a desenvolvedores IoT de nível intermédio, engenheiros de sistemas embebidos e profissionais de IA que pretendam implementar TinyML para manutenção preditiva, deteção de anomalias e aplicações de sensores inteligentes.

No final desta formação, os participantes serão capazes de:

• Compreender os fundamentos do TinyML e as suas aplicações no IoT.
• Configurar um ambiente de desenvolvimento TinyML para projetos IoT.
• Desenvolver e implementar modelos de ML em microcontroladores de baixo consumo.
• Implementar manutenção preditiva e deteção de anomalias utilizando TinyML.
• Otimizar modelos TinyML para um uso eficiente de energia e memória.

Esta formação ao vivo, dirigida por um instrutor em Coimbra (online ou presencial), destina-se a profissionais de cibersegurança com nível intermédio a avançado que desejam elevar as suas competências em deteção de ameaças impulsionada por IA e resposta a incidentes.

No final desta formação, os participantes estarão aptos a:

• Implementar algoritmos de IA avançados para a deteção de ameaças em tempo real.
• Personalizar modelos de IA para desafios específicos de cibersegurança.
• Desenvolver fluxos de trabalho de automação para a resposta a ameaças.
• Proteger ferramentas de segurança impulsionadas por IA contra ataques adversários.

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial), destina-se a profissionais intermédios que pretendam compreender e aplicar a Aprendizagem Federada para garantir a privacidade dos dados no desenvolvimento de IA.

No final desta formação, os participantes serão capazes de:

• Compreender os princípios e as vantagens da Aprendizagem Federada.
• Implementar modelos de aprendizagem automática que preservam a privacidade, utilizando técnicas de Aprendizagem Federada.
• Abordar os desafios da privacidade de dados no treino descentralizado de IA.
• Aplicar a Aprendizagem Federada em cenários do mundo real, em diversos setores.

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial), destina-se a profissionais de cibersegurança em nível inicial que pretendem aprender como aproveitar a IA para melhorar as capacidades de deteção e resposta a ameaças.

No final desta formação, os participantes serão capazes de:

• Compreender as aplicações da IA na cibersegurança.
• Implementar algoritmos de IA para a deteção de ameaças.
• Automatizar a resposta a incidentes com ferramentas de IA.
• Integrar a IA na infraestrutura de cibersegurança existente.

Esta formação ao vivo, com instrutor, em Coimbra (online ou presencial), destina-se a desenvolvedores de nível iniciante a intermédio que desejam utilizar Modelos de Linguagem de Grande Escala em diversas tarefas de linguagem natural.

No final desta formação, os participantes poderão:

• Configurar um ambiente de desenvolvimento que inclui um LLM popular.
• Criar um LLM básico e ajustá-lo (fine-tuning) num conjunto de dados personalizado.
• Utilizar LLMs para diferentes tarefas de linguagem natural, como resumo de texto, resposta a perguntas, geração de texto, entre outras.
• Corrigir erros e avaliar LLMs utilizando ferramentas como TensorBoard, PyTorch Lightning e Hugging Face Datasets.

Este programa de 8 dias oferece uma jornada completa, desde as fundações sólidas em engenharia de Python até ao design avançado de sistemas de IA. Os participantes desenvolvem práticas de codificação disciplinadas, dominam métodos estatísticos e de aprendizagem profunda e constroem sistemas de IA generativa e baseados em agentes prontos para produção. O foco incide na fiabilidade, na avaliação, na segurança e na implementação no mundo real, em vez de se limitar à experimentação.

Esta formação prática, lecionada por formadores, foi desenhada como uma continuação natural do curso Python for Data Analysis.

Apresenta aos participantes os conceitos fundamentais do Machine Learning e demonstra como estes podem ser aplicados diretamente a tarefas de análise de dados, como previsão, classificação e segmentação.

O foco está em compreender como o Machine Learning funciona na prática, utilizando ferramentas familiares como Python, Pandas e Jupyter Notebook, sem necessitar de um conhecimento avançado em matemática.

Esta formação ao vivo, com instrutor em Coimbra (online ou presencial), destina-se a analistas de dados, desenvolvedores ou futuros cientistas de dados de nível intermédio que pretendam aplicar técnicas de machine learning em Python para extrair insights, realizar previsões e automatizar decisões baseadas em dados.

No final deste curso, os participantes deverão ser capazes de:

• Compreender e distinguir os principais paradigmas de machine learning.
• Explorar técnicas de pré-processamento de dados e métricas de avaliação de modelos.
• Aplicar algoritmos de machine learning para resolver problemas de dados do mundo real.
• Utilizar bibliotecas Python e notebooks Jupyter para desenvolvimento prático.
• Construir modelos para previsão, classificação, recomendação e aglomeração (clustering).