Paulo DuarteRedator técnico · Desenvolvedor web
PT EN
Disponível só em português

🤖 LLM e IA

Roteiro estruturado para estudar Fundamentos de IA & LLMs

📚 Roteiro de Estudos

🔸 Semana 1: Fundamentos gerais de IA e Machine Learning

Objetivos:

  • Compreender conceitos básicos de inteligência artificial
  • Entender o que é aprendizado supervisionado, não supervisionado e reforço

Passos:

  1. Assista vídeos introdutórios:
  2. Leia artigos introdutórios:
  3. Faça o curso gratuito introdutório recomendado:

🔸 Semana 2: Fundamentos de Deep Learning e Redes Neurais

Objetivos:

  • Entender conceitos gerais de Redes Neurais
  • Saber o que é Deep Learning e sua importância prática

Passos:

  1. Assista vídeos introdutórios sobre Deep Learning:
  2. Leia artigos introdutórios:
  3. Realize o curso introdutório prático:

🔸 Semana 3: Introdução à NLP (Processamento de Linguagem Natural)

Objetivos:

  • Entender o que é NLP e suas aplicações no contexto de IA
  • Conhecer conceitos básicos: Tokenização, Word Embeddings, Modelagem de linguagem

Passos:

  1. Assista vídeos introdutórios:
  2. Leia artigos introdutórios sobre NLP:
  3. Faça um miniprojeto prático com NLP usando NLTK ou spaCy (Python)

🔸 Semana 4: Fundamentos de Modelos de Linguagem e LLMs

Objetivos:

  • Entender conceito básico de Language Models e o que são LLMs
  • Conhecer evolução histórica de GPT até ChatGPT, Bard e outros modelos recentes

Passos:

  1. Vídeos introdutórios sobre LLMs:
  2. Leitura:
  3. Explore na prática APIs abertas do GPT e modelos no HuggingFace:

🔸 Semana 5: Prompt Engineering e Aplicações Práticas de LLMs

Objetivos:

  • Aprender a criar bons prompts (Prompt Engineering)
  • Testar aplicações práticas usando LLMs (Chatbots, geração de texto, sumarização)

Passos:

  1. Assista vídeos sobre "Prompt Engineering":
  2. Artigos de apoio:
  3. Experimente você mesmo criar interações úteis com modelos no HuggingFace, ChatGPT ou Gemini

🎯 Bibliografia Recomendada

Livros introdutórios:

  • "AI for People and Business" - Alex Castrounis
  • "Redes Neurais e Deep Learning" - Charu C. Aggarwal
  • "Natural Language Processing with Python" – Steven Bird, Ewan Klein and Edward Loper

Livros intermediários:

  • "Deep Learning com Python" - François Chollet
  • "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" - Aurélien Géron
  • "Natural Language Processing in Action" - Hobson Lane, Cole Howard, e Hannes Hapke

Sobre LLM / GPT / Transformer Models:

  • Artigos originais do Google sobre "Attention is All You Need" e "BERT: Pre-training of Deep Bidirectional Transformers"
  • "Mastering Transformers" - Lewis Tunstall, Leandro von Werra e Thomas Wolf

🔖 Dicas Extras

  • Use o Google Colab para executar notebooks e tutoriais práticos sem configurar sua máquina
  • Utilize o HuggingFace para explorar e interagir com modelos abertos gratuitamente