AI for Educational Assistants
Aprenda, do zero ao avançado, a construir assistentes educacionais inteligentes.
De tokenização e regressão a Transformers, LLMs, RAG e sistemas multi-agentes, com cada peça implementada do zero em Python e reunida, no final, em um assistente educacional completo.
Site · Trilha · Como estudar · Instalação · Projetos · Projeto final
Material aberto e gratuito que percorre desde os fundamentos de Inteligência Artificial e Processamento de Linguagem Natural até Large Language Models, Retrieval-Augmented Generation, sistemas de agentes, Learning Analytics e modelagem de longo prazo do aluno. Ele serve ao mesmo tempo como material de estudo, apoio à graduação, à iniciação científica e ao mestrado, como portfólio profissional e como base para pesquisa em IA aplicada à educação.
O material também está disponível como site navegável, com a trilha na barra lateral e os diagramas e fórmulas renderizados, em lucasspinola.github.io/assistentes-educacionais-com-ia.
O que você vai construir
Cada módulo constrói uma peça, e todas se encontram no projeto final, o assistente educacional multi-agente. Ao terminar, você terá um assistente que conversa com o aluno, busca a explicação no material e cita a fonte com RAG, resolve contas com uma ferramenta segura, propõe e corrige exercícios, acompanha o desempenho com Learning Analytics e adapta a profundidade da explicação ao domínio de cada aluno, lembrando dele entre sessões. E você vai entender cada peça por dentro, sem caixas-pretas.
O que torna este material diferente:
- Do zero primeiro: cada algoritmo é implementado à mão, em Python puro ou numpy, antes de mostrar a biblioteca pronta. Você vê como a coisa funciona, não só como chamá-la.
- Roda sem fricção: os exemplos e os projetos centrais rodam só com a biblioteca padrão. O caminho com Ollama, embeddings densos e bancos vetoriais é opcional e degrada com elegância.
- Referências de verdade: toda referência científica é real e verificada no Google Scholar, no arXiv ou pelo DOI, nunca inventada.
- Um fio condutor: tudo aponta para o mesmo objetivo, um assistente que ensina, avalia, orienta e se adapta ao aluno.
- Pronto para usar: são 14 módulos com aulas, notebooks e seis projetos com testes, do RAG ao assistente final.
A trilha em um olhar
flowchart LR
A[Fundamentos<br/>M1 a M3] --> B[Representação e Redes<br/>M4 a M6]
B --> C[LLMs e Aplicações<br/>M7 a M11]
C --> D[Educação e Projeto<br/>M12 a M14]
Para quem é este material
- Estudantes de Engenharia de Computação, Ciência da Computação e Sistemas de Informação
- Pesquisadores em IA que querem uma base sólida e aplicada
- Professores que buscam material didático pronto para adaptar
- Desenvolvedores que querem entender e construir assistentes educacionais
Como o material está organizado
Cada aula segue um padrão fixo, pensado para unir teoria e prática:
- Objetivos
- Teoria
- Explicação Intuitiva
- Explicação Matemática, quando necessário
- Exemplo Prático
- Código Comentado
- Exercícios
- Projeto da Aula
- Leituras Recomendadas
- Referências Científicas
Toda aula traz pelo menos um diagrama em Mermaid e exemplos em Python. Os exemplos rodam por padrão com modelos locais via Ollama, e quase sempre há um caminho alternativo usando APIs comerciais para quem preferir.
Trilha de aprendizagem
A trilha completa, com pré-requisitos e dependências entre os módulos, está em roadmap.md. Em resumo, são 14 módulos:
Estrutura do repositório
assistentes-educacionais-com-ia/
├── README.md este arquivo
├── roadmap.md trilha detalhada de M1 a M14
├── docs/ setup, glossário, notação e templates
├── lessons/ aulas em Markdown, uma pasta por módulo
├── notebooks/ notebooks Jupyter por módulo
├── projects/ projetos completos (M9 a M14)
├── references/ bibliografia em BibTeX
└── papers/ anotações e resumos de papers
Começando
- Leia o guia de instalação em docs/setup.md, que cobre Python, Ollama e, quando necessário, Docker para o Qdrant.
- Crie um ambiente virtual e instale as dependências:
python -m venv .venv
# Windows (PowerShell)
.venv\Scripts\Activate.ps1
# Linux ou macOS
source .venv/bin/activate
pip install -r requirements.txt
- Se for usar APIs comerciais, copie
.env.examplepara.enve preencha as chaves. Para o caminho local com Ollama isso não é necessário. - Siga a ordem dos módulos em roadmap.md, ou pule direto para o tema que precisa estudar.
Quer ver o resultado de cara? O projeto final roda do zero, só com a biblioteca padrão:
python projects/m14-final-assistant/final_assistant.py --demo
Como estudar
Há sugestões de percurso, ritmo e pré-requisitos em docs/como-estudar.md. A notação matemática usada nas aulas está reunida em docs/notacao-matematica.md, e os termos técnicos em docs/glossario.md.
Contribuindo
Contribuições são bem-vindas. Veja CONTRIBUTING.md e o Código de Conduta. Uma regra importante do projeto é que toda referência científica precisa ser real e verificada, nunca inventada.
Licença
O código deste repositório está sob a licença MIT, descrita em LICENSE. O conteúdo didático, como textos, aulas e diagramas, está sob a licença Creative Commons Atribuição 4.0 Internacional, descrita em LICENSE-CONTENT.