Repositório de Práticas em Inteligência Artificial
Este repositório contém notebooks com exemplos práticos de técnicas de Inteligência Artificial (IA), abordando desde conceitos básicos até aplicações mais avançadas. O objetivo é oferecer uma coleção de exercícios e demonstrações de algoritmos de IA, aprendizado de máquina (ML), deep learning (DL), e processamento de linguagem natural (NLP). Conteúdo
-
Fundamentos de IA
Introdução à IA: Conceitos básicos, tipos de IA, e exemplos de aplicações. Algoritmos Clássicos: Implementação de algoritmos de busca e otimização, como busca em profundidade, busca em largura e algoritmos genéticos.
-
Aprendizado de Máquina
Regressão Linear e Logística: Exemplos de modelagem preditiva com sklearn. K-Nearest Neighbors (KNN): Implementação de algoritmos de classificação e análise de desempenho. Árvores de Decisão e Random Forest: Classificação com dados estruturados.
-
Aprendizado Profundo
Redes Neurais Artificiais: Introdução a redes neurais densas utilizando TensorFlow/Keras. Redes Convolucionais (CNNs): Aplicações em reconhecimento de imagens. Redes Recorrentes (RNNs): Implementação para análise de séries temporais e processamento de sequência de dados. Autoencoders e Variational Autoencoders (VAEs): Redução de dimensionalidade e geração de novos dados a partir de representações latentes.
-
Processamento de Linguagem Natural (NLP)
Modelos de Linguagem com NLTK: Pré-processamento de texto e análise de sentimento. BERT e Modelos Transformer: Fine-tuning para classificação de texto.
-
Aprendizado por Reforço
Q-Learning: Implementação de um agente de aprendizado por reforço básico. Deep Q-Learning: Uso de redes neurais para melhorar o desempenho de agentes.
-
IA Generativa
Generative Adversarial Networks (GANs): Implementação de GANs para gerar imagens, incluindo GANs clássicos e variantes como DCGAN. Variational Autoencoders (VAEs): Aplicação para geração de dados a partir de representações latentes. GANs Condicionais: Controle do output gerado utilizando informações adicionais.
-
Utilizando Modelos Pré-treinados no Hugging Face
Stable Diffusion: Geração de imagens de alta qualidade usando o modelo Stable Diffusion. LLaMA (Large Language Model Meta AI): Demonstração e utilização para tarefas de NLP. Outros Modelos: Utilizando a API do Hugging Face para carregar e aplicar modelos de visão, texto e multimodais pré-treinados.
-
Práticas Utilizando a Plataforma da OpenAI
Básico: Introdução ao uso da API da OpenAI para processamento de linguagem natural. Fine-Tuning: Treinamento personalizado de modelos OpenAI como GPT-3 e GPT-4 para tarefas específicas. Integração com Aplicações: Utilização de modelos OpenAI em pipelines de produção e automação de tarefas.
├── notebooks/
│ ├── 01_fundamentos_ia.ipynb
│ ├── 02_regressao_logistica.ipynb
│ ├── 03_redes_neurais_artificiais.ipynb
│ ├── 06_gans.ipynb
│ ├── 07_stable_diffusion.ipynb
│ ├── 08_openai_finetuning.ipynb
│ └── ...
├── data/
│ ├── dataset1.csv
│ └── dataset2.csv
├── README.md
└── requirements.txt
Python 3.12 Bibliotecas: Pytorch, Scikit-learn, Pandas, NumPy, Matplotlib, NLTK
Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou submeter pull requests com melhorias.