Trilha de Aprendizagem

Esta é a trilha completa do repositório, organizada em 14 módulos que vão dos fundamentos de IA até a construção de um assistente educacional multi-agente. A ordem sugerida é sequencial, mas alguns módulos podem ser estudados de forma mais independente, conforme o mapa de dependências abaixo.

Mapa de dependências

flowchart TD
    M1[M1 Introdução à IA] --> M2[M2 Fundamentos de ML]
    M2 --> M3[M3 Fundamentos de NLP]
    M3 --> M4[M4 Word Embeddings]
    M4 --> M5[M5 Deep Learning para NLP]
    M5 --> M6[M6 Transformers]
    M6 --> M7[M7 LLMs]
    M7 --> M8[M8 Prompt Engineering]
    M8 --> M9[M9 RAG]
    M9 --> M10[M10 Agentes]
    M10 --> M11[M11 Multi-Agentes]
    M11 --> M12[M12 Learning Analytics]
    M12 --> M13[M13 Long-Term Student Modeling]
    M13 --> M14[M14 Projeto Final]
    M9 -.-> M14
    M11 -.-> M14
    M12 -.-> M14
    M13 -.-> M14

Níveis

Os módulos estão agrupados em quatro blocos de dificuldade crescente.

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]

Detalhamento dos módulos

Módulo 1, Introdução à IA

Conceitos do que é IA, um panorama histórico e as três grandes correntes, que são a IA simbólica, a IA estatística e a IA generativa. Serve para situar o aluno e dar vocabulário para o restante da trilha. Pré-requisitos: nenhum.

Módulo 2, Fundamentos de Machine Learning

Regressão, classificação, a diferença entre overfitting e underfitting, e estratégias de validação. É a base estatística sobre a qual o resto é construído. Pré-requisitos: M1, mais noções de álgebra e estatística básica.

Módulo 3, Fundamentos de NLP

Tokenização, stopwords, stemming, lemmatização, Bag of Words e TF-IDF. Mostra como transformar texto em algo que um modelo consegue processar. Pré-requisitos: M2.

Módulo 4, Word Embeddings

Word2Vec, FastText, GloVe e Sentence Transformers. Como representar palavras e frases em vetores densos que capturam significado. Pré-requisitos: M3.

Módulo 5, Deep Learning para NLP

Redes neurais, e as arquiteturas recorrentes RNN, LSTM e GRU. A ponte entre o NLP clássico e os modelos modernos. Pré-requisitos: M4.

Módulo 6, Transformers

Self-attention, multi-head attention, encoder, decoder, e os modelos BERT e GPT. O coração das arquiteturas atuais. Pré-requisitos: M5.

Módulo 7, Large Language Models

Como os LLMs funcionam, pré-treino, fine-tuning, ajuste por instrução e RLHF. Pré-requisitos: M6.

Módulo 8, Prompt Engineering

Zero-shot, few-shot, Chain of Thought e structured output. Como extrair o melhor de um LLM sem treiná-lo de novo. Pré-requisitos: M7.

Módulo 9, Retrieval-Augmented Generation

Embeddings, vetores, ChromaDB, Qdrant e busca semântica. Projeto: construir um assistente educacional baseado em documentos. Pré-requisitos: M4 e M8.

Módulo 10, Agentes

Tool calling, planning, memory, agent loops e LangGraph. Projeto: criar um agente tutor. Pré-requisitos: M9.

Módulo 11, Multi-Agentes

Comunicação entre agentes, coordenação e especialização. Projeto: criar um conjunto com Tutor Agent, Evaluator Agent, Mentor Agent e Analytics Agent. Pré-requisitos: M10.

Módulo 12, Learning Analytics

Coleta de dados, métricas, engajamento e predição de evasão. Projeto: um dashboard de aprendizado. Pré-requisitos: M2 e M11.

Módulo 13, Long-Term Student Modeling

Perfil do aluno, memória de longo prazo, modelagem cognitiva e personalização. Projeto: um sistema adaptativo de aprendizagem. Pré-requisitos: M12.

Módulo 14, Projeto Final

Integração de tudo em um Multi-Agent Educational Assistant with Learning Analytics and Long-Term Student Modeling. Pré-requisitos: M9, M11, M12 e M13.

Sugestão de ritmo

Para quem está começando, uma sugestão é um módulo por semana nos blocos iniciais e duas semanas nos módulos com projeto, reservando tempo extra para o projeto final. Esse ritmo é só uma referência e pode ser ajustado conforme a base prévia de cada pessoa.