Apresentação Plano de Estudos Metodologias Formador Destinatários Candidaturas
1. Python como Linguagem Fundacional da Inteligência Artificial
1.1 O papel do Python nos sistemas modernos de IA
1.2 Como funcionam aplicações de IA “por trás do palco”
1.3 Ambientes de desenvolvimento para programação em Python
1.4 Ecossistema Python para IA: visão geral de bibliotecas
2. Fundamentos da Linguagem Python
2.1 Sintaxe básica e variáveis
2.2 Tipos de dados fundamentais
2.3 Estruturas de controlo (if, for, while)
2.4 Escrita de programas Python simples orientados a problemas reais
3. Estruturas de Dados para Sistemas de IA
3.1 Listas, conjuntos e dicionários
3.2 Escolha da estrutura de dados adequada ao problema
3.3 Representação de datasets, prompts, respostas e metadados
3.4 JSON como formato estruturado para inputs de IA
4. Análise de Dados e Preparação de Features
4.1 Introdução aos DataFrames com Pandas
4.2 Importação e exportação de dados
4.3 Limpeza, filtragem e transformação de dados
4.4 Estatística básica aplicada à análise de dados
4.5 Qualidade dos dados e impacto nos sistemas de IA
5. Funções como Pipelines de IA
5.1 Definição de funções em Python
5.2 Parâmetros, valores de retorno e argumentos por defeito
5.3 Modularização de lógica de processamento
5.4 Construção de pipelines de dados e de lógica de IA
6. Pensamento Funcional e Transformação Eficiente de Dados
6.1 List, dict e set comprehensions
6.2 Funções map, filter e reduce
6.3 Geradores e processamento eficiente
6.4 Escrita de código conciso, legível e performante
7. Visualização de Dados para Análise e Interpretação de IA
7.1 Importância da visualização de dados em IA
7.2 Visualização de distribuições, padrões e anomalias
7.3 Análise de variabilidade, enviesamentos e inconsistências
7.4 Uso de gráficos para explicar comportamento de sistemas de IA
8. Bases de Dados e Pipelines de Dados em Python
8.1 Fundamentos de persistência e “memória” em sistemas de IA
8.2 Ligação a bases de dados
8.3 Fundamentos de SQL
8.4 Integração entre SQL e Pandas
8.5 Armazenamento de dados, prompts, respostas e feedback
9. Programação Orientada a Objetos para Sistemas de IA
9.1 Conceitos fundamentais de programação orientada a objetos
9.2 Classes, objetos, métodos e atributos
9.3 Encapsulamento e organização de código
9.4 Modelos de IA como componentes de software reutilizáveis
10. Bibliotecas de IA, APIs e Reprodutibilidade
11. Error Handling e Robustez em Aplicações de IA
11.1 Tipos de erros em aplicações de IA (dados, lógica, dependências externas)
11.2 Tratamento de exceções com try / except / finally
11.3 Impacto do error handling na confiabilidade de sistemas de IA
12. Organização de código com módulos e packages
12.1 Introdução a bibliotecas de IA e Machine Learning
12.2 Integração com APIs externas para consumo de dados e modelos
12.3 Fundamentos de controlo de versões com Git e GitHub
12.4 Reprodutibilidade e rastreabilidade em projetos de IA
13. Desenvolvimento de Aplicações de IA com Streamlit
13.1 Introdução ao desenvolvimento de aplicações com Streamlit
13.2 Criação de interfaces simples para aplicações de IA
13.3 Integração de dados, lógica e visualizações
13.4 Boas práticas na construção de aplicações AI-ready
14. Projeto Final: Aplicação Python para Inteligência Artificial
14.1 Desenho end-to-end de uma solução baseada em Python
14.2 Integração de pipelines de dados, lógica e visualização
14.3 Validação de resultados e interpretação
14.4 Comunicação de resultados técnicos e valor de negócio
