Um balaio de aulas visuais e interativas pra quem tá começando em Inteligência Artificial. Tudo em HTML/CSS/JS puro, sem dependências, com gatos como fio condutor. Você arrasta sliders, clica em matrizes, vê a curva ROC se mexer ao vivo.
Cada aula é uma página interativa de tela única. Sem PDF, sem slide cansado, sem framework. Você abre no navegador e mexe. As métricas se recalculam ao vivo, os gráficos respondem ao mouse, e tudo é explicado com gato.
Sliders, matrizes clicáveis e gráficos que se mexem. Aprende mexendo.
HTML, CSS e JS puro. Abre direto no navegador, funciona offline.
Um detector de gatos é o fio condutor. Conceito abstrato vira concreto.
Aulas alinhadas com a trilha de IA Practitioner da Escola da Nuvem.
Cada card é uma aula completa, independente. Pode começar pela 1 ou pular pra aula que te interessa mais. Todas seguem o mesmo formato visual e interativo.
A bonequinha russa da IA: como IA, ML, Deep Learning e IA Generativa se encaixam um dentro do outro. Cérebro de gato de mentira (rede neural), diferença entre modelo, algoritmo, treino e inferência, e por que SLM e LLM são primos de tamanhos diferentes.
Abrir aulaO caminho do mundo real até o modelo: tokenização (quebrar texto em pedacinhos), embeddings (transformar palavras e imagens em vetores), tipos de dados estruturados vs. não estruturados, e os três grandes paradigmas de aprendizado de máquina.
Abrir aulaOs algoritmos que sustentam tudo: regressão (quanto pesa esse gato?), árvores de decisão (raça por raça), classificação binária e multiclasse, e K-NN (qual gato mais parece com esse?). Cada um com um caso prático visual.
Abrir aulaMétricas de classificação, da matriz de confusão (VP, FP, FN, VN clicáveis) até Acurácia, Precisão, Recall, F1 Score e a curva ROC com AUC. Tem grid de 100 fotos pra cada métrica, slider de threshold ao vivo e calculadora de ROI.
Abrir aulaQuando o modelo não classifica, ele estima: MSE, RMSE, R² explicados com barras comparativas, PDPs (Partial Dependence Plots) pra entender o que o modelo "acha" de cada feature, e um tour pelos serviços de ML da AWS onde tudo isso roda.
Abrir aulaA IA não é uma solução, é uma ferramenta. Aqui mora a prática com LLMs: tipos de problema, anatomia de um bom prompt, prompt chaining pra tarefas grandes, agents (quando o modelo age no mundo), alucinações, GANs, NLP e onde tudo isso aparece de verdade.
Abrir aulaO canivete suíço de ML da AWS, vector databases (o "Ctrl+F" dos seus dados), modelos de difusão (como uma imagem nasce de ruído), temperatura (obedecer vs. ousar) com exemplos visuais, RAG e por que quebrar documento em pedaços.
Abrir aulaO ciclo de vida do modelo: dar banho nos dados, escolher features, usar feature stores, data augmentation (fotografar o mesmo gato de 10 ângulos), benchmarks, fine-tuning (pegar um gato adotado e ensinar truques novos) e os "botões" do treino - hiperparâmetros e overfitting.
Abrir aulaCaracterísticas de uma IA responsável, pessoa no centro, parte jurídica, viés ("lixo entra, lixo sai"), explicabilidade ("por quê?"), o trade-off clássico de bias-variance, human-in-the-loop e como o AWS SageMaker cuida da governança.
Abrir aulaNão tem ordem certa. Cada aula é independente. Mas se for a primeira vez, começa pela Aula 1 - ela monta o vocabulário que o resto usa.
Começar pela Aula 1 🐾