Aprenda a transformar dados textuais em insights acionáveis com técnicas modernas de NLP. Desenvolva modelos prontos para produção e domine o ciclo completo de implementação.
Nível: Iniciante a Intermediário
Para quem é: Desenvolvedores, cientistas de dados e profissionais de TI interessados em aplicar NLP em projetos reais
Ao concluir, você será capaz de: Capacitar o aluno a desenvolver, treinar e implantar modelos de NLP para análise de texto em produção
8 módulos · 12h · certificado ao final
Explorar fundamentos de NLP e suas aplicações
Preparar dados textuais com técnicas de limpeza e tokenização
Implementar modelos de embeddings com Word2Vec e GloVe
Treinar modelos de classificação de texto com spaCy e Hugging Face
Avaliar métricas de desempenho para modelos de NLP
Otimizar pipelines de processamento com LLMs locais
Deployar um modelo de análise de sentimentos com FastAPI
Projeto Final: Construir e implantar um sistema de NLP completo
Projeto Final
Um sistema de análise de sentimentos em tempo real, com API documentada e deploy em nuvem
◎
NLP do Zero ao Deploy: Modelos para Análise de Texto
módulo de ~90 mincertificado
🔥 0Nv 1
Módulo 1 de 8
Aponte a câmera para abrir no celular
Tutor IA ao vivo
Bem-vindo ao curso de NLP do Zero ao Deploy: Modelos para Análise de Texto.
Vou adaptar os exemplos ao que você gosta e fazer perguntas no final de cada módulo para garantir que tudo ficou claro.
Módulo 1: Explorar fundamentos de NLP e suas aplicações
Aprenda a potencializar sistemas de busca clássica com técnicas avançadas de regex e NER, garantindo eficiência em ambientes onde LLMs não são uma opção. Ideal para quem trabalha com sistemas legados ou restrições técnicas.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados e analistas que trabalham com sistemas legados ou ambientes com restrições de uso de LLMs
Ao concluir, você será capaz de: Capacitar o aluno a implementar e otimizar sistemas de busca clássica usando regex, NER e técnicas de indexação para melhorar a performance em bases de dados legadas ou restritas
7 módulos · 10h · certificado ao final
Explorando os fundamentos da busca clássica e suas limitações
Dominando regex avançado para extração de padrões em textos
Implementando NER com spaCy para identificação de entidades em sistemas legados
Otimizando consultas com técnicas de indexação e caching
Integrando busca clássica com APIs modernas para fallback seguro
Avaliar performance e escalabilidade de sistemas de busca clássica
Projeto Final: Construir um sistema de busca híbrido para um caso real de sistema legado
Projeto Final
Um sistema de busca clássica otimizado com regex e NER, integrado a uma API para fallback em LLMs, com documentação técnica e métricas de performance
>_
Busca Clássica Turbo: Regex e NER para Sistemas Legados
módulo de ~86 mincertificado
🔥 0Nv 1
Módulo 1 de 7
Aponte a câmera para abrir no celular
Laboratório + Tutor IA
Aqui você pratica — não só lê.
Cada bloco é editável e roda no seu navegador. Aperte Executar para começar:
# Edite e aperte Executar. Ctrl+Enter também roda.
curso = "Busca Clássica Turbo: Regex e NER para Sistemas Legados"
print(f"Primeira linha rodada no curso de {curso}.")
Módulo 1: Explorando os fundamentos da busca clássica...
Aprenda a extrair informações valiosas de textos não estruturados usando técnicas de NER clássicas e modernas com LLMs. Ideal para quem precisa automatizar a análise de documentos, contratos ou dados técnicos com precisão.
Nível: Intermediário
Para quem é: Desenvolvedores, cientistas de dados, analistas de NLP e profissionais que precisam extrair dados de documentos, contratos ou textos técnicos
Ao concluir, você será capaz de: Capacitar o aluno a implementar pipelines de NER para extrair informações estruturadas de textos não estruturados, combinando abordagens clássicas e modernas com LLMs
8 módulos · 10h · certificado ao final
Explorar conceitos de NER e casos de uso em TI e negócios
Configurar ambiente com Python e bibliotecas essenciais (spaCy, NLTK)
Implementar NER com regex e regras personalizadas para padrões específicos
Treinar modelos de NER com spaCy para domínios especializados
Utilizar LLMs para NER zero-shot e few-shot com Hugging Face
Avaliar desempenho de modelos com métricas como precisão e recall
Integrar NER em pipelines de RAG para enriquecer buscas semânticas
Projeto Final: Construir um sistema de extração de entidades para contratos jurídicos ou relatórios técnicos
Projeto Final
Um pipeline completo de NER que extrai entidades (nomes, datas, valores) de um conjunto de documentos reais, com relatório de desempenho e integração opcional com um chatbot ou sistema de busca
>_
NER na Prática: Extraindo Dados com Python e LLMs
módulo de ~75 mincertificado
🔥 0Nv 1
Módulo 1 de 8
Aponte a câmera para abrir no celular
Laboratório + Tutor IA
Aqui você pratica — não só lê.
Cada bloco é editável e roda no seu navegador. Aperte Executar para começar:
# Edite e aperte Executar. Ctrl+Enter também roda.
curso = "NER na Prática: Extraindo Dados com Python e LLMs"
print(f"Primeira linha rodada no curso de {curso}.")
Módulo 1: Explorar conceitos de NER e casos de uso em...
Este curso conecta teoria e prática, ensinando como transformar diretrizes de arquitetura de IA em sistemas reais. Você aprenderá a projetar soluções escaláveis, éticas e resilientes, com foco em LLMs e RAG. Ideal para quem quer liderar projetos de IA com responsabilidade técnica.
Nível: Intermediário a Avançado
Para quem é: Arquitetos de software, engenheiros de IA, líderes técnicos e pesquisadores que desejam materializar diretrizes teóricas em soluções práticas
Ao concluir, você será capaz de: Capacitar o aluno a projetar, implementar e validar arquiteturas de IA alinhadas a manifestos éticos e técnicos, com foco em LLMs, RAG e sistemas multiagentes
8 módulos · 12h · certificado ao final
Analisar manifestos de IA: Princípios éticos e técnicos em foco
Mapear requisitos não funcionais para sistemas de IA (privacidade, latência, bias)
Projetar arquiteturas modulares com LLMs e RAG
Implementar gateways de IA para orquestração de modelos
Desenvolver pipelines de validação com LLMs como juízes
Aplicar técnicas de LLMOps para escalabilidade e governança
Integrar fallback multiprovider para resiliência
Projeto Final: Construir um sistema de IA com manifesto técnico e validação automatizada
Projeto Final
Um sistema de IA (ex: chatbot ou agente autônomo) documentado com manifesto técnico, arquitetura detalhada, pipeline de validação e deploy em ambiente controlado
◎
Arquitetura de IA: Do Manifesto à Engenharia Prática
módulo de ~90 mincertificado
🔥 0Nv 1
Módulo 1 de 8
Aponte a câmera para abrir no celular
Tutor IA ao vivo
Bem-vindo ao curso de Arquitetura de IA: Do Manifesto à Engenharia Prática.
Vou adaptar os exemplos ao que você gosta e fazer perguntas no final de cada módulo para garantir que tudo ficou claro.
Módulo 1: Analisar manifestos de IA: Princípios éticos...
Aprenda a construir um chatbot inteligente que combina busca semântica e geração de texto para respostas precisas e contextualizadas. Domine frameworks como LlamaIndex e LangChain para criar soluções escaláveis e prontas para produção.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de IA e entusiastas de NLP que desejam criar soluções conversacionais avançadas
Ao concluir, você será capaz de: Capacitar o aluno a desenvolver um chatbot pessoal com RAG, integrando bases de conhecimento personalizadas e deploy em produção
9 módulos · 12h · certificado ao final
Entendendo RAG: Da teoria à arquitetura prática
Configurando o ambiente: LlamaIndex, LangChain e dependências
Preparando dados: Limpeza, chunking e embeddings para RAG
Construindo o pipeline de busca semântica com vetores
Integrando LLMs: Prompt engineering para respostas precisas
Personalizando o chatbot: Adicionando contexto e memória
Otimizando desempenho: Latência, custo e escalabilidade
Deploy em produção: Hospedagem e monitoramento do chatbot
Projeto Final: Chatbot pessoal com RAG e base de conhecimento customizada
Projeto Final
Um chatbot pessoal funcional com RAG, integrado a uma base de conhecimento personalizada e deploy em ambiente cloud (ex: Hugging Face, AWS ou Vercel)
◎
RAG na Prática: Chatbot Pessoal com LlamaIndex e LangChain
módulo de ~80 mincertificado
🔥 0Nv 1
Módulo 1 de 9
Aponte a câmera para abrir no celular
Tutor IA ao vivo
Bem-vindo ao curso de RAG na Prática: Chatbot Pessoal com LlamaIndex e LangChain.
Vou adaptar os exemplos ao que você gosta e fazer perguntas no final de cada módulo para garantir que tudo ficou claro.
Módulo 1: Entendendo RAG: Da teoria à arquitetura prática
Aprenda a identificar os limites dos LLMs e implemente soluções otimizadas com Regex, NER e busca clássica para casos onde precisão, performance e custo são críticos. Construa pipelines reais que superam modelos de linguagem em tarefas específicas de processamento de texto
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados e cientistas de dados que trabalham com processamento de texto e sistemas de busca
Ao concluir, você será capaz de: O aluno será capaz de identificar quando usar Regex, NER ou busca clássica em vez de LLMs, implementando soluções otimizadas para extração de entidades, precisão e performance
8 módulos · 10h · certificado ao final
Analisando cenários: Quando LLMs falham em tarefas de texto
Dominando Regex: Padrões avançados para extração de dados estruturados
Implementando NER com spaCy: Precisão e customização de entidades
Construindo sistemas de busca clássica com Elasticsearch
Comparando performance: Regex vs NER vs LLMs em benchmarks reais
Integrando técnicas híbridas: Combinação de Regex, NER e LLMs
Otimizando pipelines: Redução de latência e custo em produção
Projeto Final: Construindo um sistema de extração de entidades para documentos jurídicos
Projeto Final
Um pipeline completo de extração de entidades (nomes, datas, valores) em documentos jurídicos, usando Regex para dados estruturados, NER para entidades customizadas e busca clássica para recuperação de informações, com relatório de performance comparando com LLMs
◎
Regex, NER e Busca Clássica: Quando LLMs Não Bastam
módulo de ~75 mincertificado
🔥 0Nv 1
Módulo 1 de 8
Aponte a câmera para abrir no celular
Tutor IA ao vivo
Bem-vindo ao curso de Regex, NER e Busca Clássica: Quando LLMs Não Bastam.
Vou adaptar os exemplos ao que você gosta e fazer perguntas no final de cada módulo para garantir que tudo ficou claro.
Módulo 1: Analisando cenários: Quando LLMs falham em...
Aprenda a criar e implantar embeddings poderosos para aplicações de IA, desde a teoria até o deploy em produção. Domine técnicas avançadas de busca semântica e integração com LLMs para sistemas inteligentes.
Nível: Intermediário
Para quem é: Desenvolvedores Python, cientistas de dados e engenheiros de machine learning que desejam aprofundar conhecimentos em embeddings
Ao concluir, você será capaz de: Capacitar o aluno a criar, otimizar e implantar embeddings em sistemas de busca semântica, recomendação e NLP
9 módulos · 12h · certificado ao final
Entendendo embeddings: conceitos e aplicações práticas
Configurando o ambiente Python para embeddings
Gerando embeddings com modelos pré-treinados (Sentence Transformers, Word2Vec)
Otimizando embeddings para casos de uso específicos
Implementando busca semântica com FAISS e Annoy
Integrando embeddings em pipelines de RAG e LLMs
Avaliando a qualidade de embeddings com métricas de similaridade
Deploy de embeddings em produção com FastAPI e Docker
Projeto Final: Construa um sistema de recomendação com embeddings e deploy na nuvem
Projeto Final
Um sistema de recomendação ou busca semântica funcional, implantado em um ambiente cloud (AWS/GCP) com documentação técnica
>_
Embeddings com Python: Da Teoria ao Deploy Prático
módulo de ~80 mincertificado
🔥 0Nv 1
Módulo 1 de 9
Aponte a câmera para abrir no celular
Laboratório + Tutor IA
Aqui você pratica — não só lê.
Cada bloco é editável e roda no seu navegador. Aperte Executar para começar:
# Edite e aperte Executar. Ctrl+Enter também roda.
curso = "Embeddings com Python: Da Teoria ao Deploy Prático"
print(f"Primeira linha rodada no curso de {curso}.")
Aprenda a transformar seu fluxo de trabalho no GitHub com automação e IA, reduzindo erros e acelerando entregas. Domine GitHub Actions, CI/CD e integrações inteligentes para otimizar seus projetos de desenvolvimento.
Nível: Iniciante a Intermediário
Para quem é: Desenvolvedores, DevOps, estudantes de TI e profissionais que desejam otimizar seus fluxos de trabalho com GitHub e IA
Ao concluir, você será capaz de: Capacitar o aluno a automatizar workflows, implementar CI/CD avançado e utilizar IA para otimizar repositórios e colaboração no GitHub
8 módulos · 10h · certificado ao final
Explorando o ecossistema GitHub: Repositórios, Issues e Projects
Automatizando tarefas com GitHub Actions: Do básico ao avançado
Configurando pipelines de CI/CD com IA para testes e deploy
Integrando LLMs para revisão automática de código e debugging
Otimizando repositórios com automação e boas práticas de versionamento
Usando IA para análise de pull requests e gestão de issues
Implementando segurança e compliance com automação no GitHub
Projeto Final: Construindo um pipeline de CI/CD inteligente com IA
Projeto Final
Um pipeline de CI/CD completo no GitHub, utilizando GitHub Actions e IA para automação de testes, revisão de código e deploy, documentado e pronto para uso em produção
>_
GitHub Turbo: Automação e IA no Fluxo Dev
módulo de ~75 mincertificado
🔥 0Nv 1
Módulo 1 de 8
Aponte a câmera para abrir no celular
Laboratório + Tutor IA
Aqui você pratica — não só lê.
Cada bloco é editável e roda no seu navegador. Aperte Executar para começar:
# Edite e aperte Executar. Ctrl+Enter também roda.
curso = "GitHub Turbo: Automação e IA no Fluxo Dev"
print(f"Primeira linha rodada no curso de {curso}.")
Aprenda a transformar modelos de linguagem em ferramentas poderosas para gerar código de alta qualidade. Domine técnicas de prompt engineering e automação para acelerar o desenvolvimento de software.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de software e profissionais de TI que desejam automatizar a geração de código com inteligência artificial
Ao concluir, você será capaz de: Capacitar o aluno a criar e implementar geradores de código personalizados usando LLMs, desde a engenharia de prompts até a integração em pipelines de desenvolvimento
8 módulos · 12h · certificado ao final
Explorando modelos de LLMs para geração de código
Dominando prompts para gerar código funcional e otimizado
Integrando LLMs com IDEs e ferramentas de desenvolvimento
Automatizando testes e validação de código gerado por IA
Criando pipelines de CI/CD para deploy de geradores de código
Personalizando geradores para frameworks específicos (React, Django, etc.)
Avaliando métricas de qualidade e eficiência do código gerado
Projeto Final: Construa e deploye seu próprio gerador de código com LLM
Projeto Final
Um gerador de código funcional para um framework ou linguagem específica, integrado a um pipeline de CI/CD e documentado para uso em produção
>_
Geradores de Código com LLMs: Do Prompt ao Deploy
módulo de ~90 mincertificado
🔥 0Nv 1
Módulo 1 de 8
Aponte a câmera para abrir no celular
Laboratório + Tutor IA
Aqui você pratica — não só lê.
Cada bloco é editável e roda no seu navegador. Aperte Executar para começar:
# Edite e aperte Executar. Ctrl+Enter também roda.
curso = "Geradores de Código com LLMs: Do Prompt ao Deploy"
print(f"Primeira linha rodada no curso de {curso}.")
Módulo 1: Explorando modelos de LLMs para geração de...
Transforme erros incompreensíveis em soluções rápidas utilizando o poder das IAs generativas. Aumente sua produtividade eliminando horas de busca manual em fóruns e documentações.
Nível: Iniciante a Intermediário
Para quem é: Desenvolvedores iniciantes e estudantes de TI que enfrentam dificuldades com mensagens de erro
Ao concluir, você será capaz de: Capacitar o desenvolvedor a utilizar IA para interpretar stack traces e corrigir bugs de forma acelerada
6 módulos · 10h · certificado ao final
Analisar a anatomia de logs e mensagens de erro
Estruturar prompts para tradução de stack traces
Integrar IAs ao terminal e IDEs para correção em tempo real
Validar sugestões da IA para evitar alucinações técnicas
Automatizar a documentação de erros recorrentes
Projeto Final: Sistema de Triagem de Erros com LLM
Projeto Final
Criação de um workflow (ou agente simples) que recebe um erro do sistema, traduz a causa raiz e sugere o código corrigido
◎
Debugging com IA: Tradução e Correção de Erros
módulo de ~100 mincertificado
🔥 0Nv 1
Módulo 1 de 6
Aponte a câmera para abrir no celular
Tutor IA ao vivo
Bem-vindo ao curso de Debugging com IA: Tradução e Correção de Erros.
Vou adaptar os exemplos ao que você gosta e fazer perguntas no final de cada módulo para garantir que tudo ficou claro.
Módulo 1: Analisar a anatomia de logs e mensagens de erro
