Sumários
Análise Exploratória de Dados (EDA) e Prompt Engineering com Large Language Models (LLMs)
17 Julho 2025, 18:30 • Francisco Miguel Morgado Teixeira Bandeira Pereira
Na terceira e última sessão do módulo, foram revistos e aprofundados os conceitos de Análise Exploratória de Dados (EDA), com foco em técnicas de visualização e extração de insights. Foi introduzida a biblioteca de Python, SweetViz, aplicada à análise automática de datasets reais (como o AirQualityUCI.csv), com geração de relatórios visuais comparativos entre conjuntos de treino e teste. Complementarmente, foi apresentada a biblioteca Dash (Plotly), com a criação de uma aplicação interativa em Python. Os alunos implementaram um dashboard com menus dinâmicos (dropdowns), sliders e gráficos reativos em Google Colab, explorando as potencialidades da biblioteca para a construção de interfaces visuais de apoio à decisão em contexto empresarial.
Seguiu-se uma introdução a Prompt Engineering (engenharia de prompts), apresentando boas práticas para a comunicação eficaz com Large Language Models (LLMs). Foram discutidos os tipos de prompting (zero-shot, few-shot, multimodal), a estrutura ideal de um prompt e a diferença entre Conversational Engines e Knowledge Engines.
Por fim, a sessão terminou com um conjunto de exercícios em grupo que permitiram consolidar os conhecimentos adquiridos ao longo das três aulas, através da revisão dos principais conceitos teóricos e práticos abordados no módulo.
Análise Exploratória de Dados (EDA) e Prompt Engineering com Large Language Models (LLMs)
15 Julho 2025, 18:30 • Francisco Miguel Morgado Teixeira Bandeira Pereira
Na terceira e última sessão do módulo, foram revistos e aprofundados os conceitos de Análise Exploratória de Dados (EDA), com foco em técnicas de visualização e extração de insights. Foi introduzida a biblioteca de Python, SweetViz, aplicada à análise automática de datasets reais (como o AirQualityUCI.csv), com geração de relatórios visuais comparativos entre conjuntos de treino e teste. Complementarmente, foi apresentada a biblioteca Dash (Plotly), com a criação de uma aplicação interativa em Python. Os alunos implementaram um dashboard com menus dinâmicos (dropdowns), sliders e gráficos reativos em Google Colab, explorando as potencialidades da biblioteca para a construção de interfaces visuais de apoio à decisão em contexto empresarial.
Seguiu-se uma introdução a Prompt Engineering (engenharia de prompts), apresentando boas práticas para a comunicação eficaz com Large Language Models (LLMs). Foram discutidos os tipos de prompting (zero-shot, few-shot, multimodal), a estrutura ideal de um prompt e a diferença entre Conversational Engines e Knowledge Engines.
Por fim, a sessão terminou com um conjunto de exercícios em grupo que permitiram consolidar os conhecimentos adquiridos ao longo das três aulas, através da revisão dos principais conceitos teóricos e práticos abordados no módulo.
Automated Machine Learning (AutoML) e IA Generativa (GenAI) com Aplicações Práticas em Python
10 Julho 2025, 18:30 • Francisco Miguel Morgado Teixeira Bandeira Pereira
A segunda sessão do módulo centrou-se nas temáticas de AutoML e Inteligência Artificial Generativa (GenAI), com foco no seu impacto no contexto empresarial atual.
Iniciou-se com uma exploração do conceito de AutoML como ferramenta de automação das fases críticas do ciclo de vida de modelos de Machine Learning — incluindo a seleção de algoritmos, otimização de hiperparâmetros e avaliação de desempenho.
A componente prática incluiu o desenvolvimento de um projeto preditivo sobre Customer Churn (evasão de clientes), no qual os alunos analisaram um conjunto de dados reais, realizaram preparação e exploração dos dados (EDA), construíram modelos supervisionados e avaliaram o desempenho preditivo através de métricas próprias para esse fim. O trabalho foi implementado no ambiente Google Colab com notebooks interativos, recorrendo a ferramentas de IA generativa (ChatGPT) como suporte à parte de programação da aula, pelos alunos.
Paralelamente, foi aprofundado o papel da IA generativa na criação de dados sintéticos e conteúdo automatizado, com destaque para modelos GANs, Transformers, LLMs e frameworks como Retrieval-Augmented Generation (RAG). Foram ainda discutidas as potencialidades e limitações da GenAI em contexto empresarial, com exemplos práticos de utilização e boas práticas associadas à sua aplicação ética e responsável.
Automated Machine Learning (AutoML) e IA Generativa (GenAI) com Aplicações Práticas em Python
3 Julho 2025, 18:30 • Francisco Miguel Morgado Teixeira Bandeira Pereira
A segunda sessão do módulo centrou-se nas temáticas de AutoML e Inteligência Artificial Generativa (GenAI), com foco no seu impacto no contexto empresarial atual.
Iniciou-se com uma exploração do conceito de AutoML como ferramenta de automação das fases críticas do ciclo de vida de modelos de Machine Learning — incluindo a seleção de algoritmos, otimização de hiperparâmetros e avaliação de desempenho.
A componente prática incluiu o desenvolvimento de um projeto preditivo sobre Customer Churn (evasão de clientes), no qual os alunos analisaram um conjunto de dados reais, realizaram preparação e exploração dos dados (EDA), construíram modelos supervisionados e avaliaram o desempenho preditivo através de métricas próprias para esse fim. O trabalho foi implementado no ambiente Google Colab com notebooks interativos, recorrendo a ferramentas de IA generativa (ChatGPT) como suporte à parte de programação da aula, pelos alunos.
Paralelamente, foi aprofundado o papel da IA generativa na criação de dados sintéticos e conteúdo automatizado, com destaque para modelos GANs, Transformers, LLMs e frameworks como Retrieval-Augmented Generation (RAG). Foram ainda discutidas as potencialidades e limitações da GenAI em contexto empresarial, com exemplos práticos de utilização e boas práticas associadas à sua aplicação ética e responsável.
Introdução ao Machine Learning e Análise Preditiva com Python e IA Generativa
1 Julho 2025, 18:30 • Francisco Miguel Morgado Teixeira Bandeira Pereira
Na primeira sessão do módulo foram introduzidos os principais conceitos de Machine Learning, Deep Learning e Advanced Analytics, com ênfase na sua aplicabilidade em contexto empresarial.
Na componente teórica aprofundaram-se os temas de dados estruturados e não estruturados, dados rotulados e não rotulados, os tipos de aprendizagem (supervisionada, não supervisionada, por reforço e semi-supervisionada), metodologia CRISP-DM, o ciclo de vida de um projeto de ML, redes neuronais artificiais e hiperparâmetros.
Na componente prática, foi desenvolvido um caso de estudo real de previsão de preços de habitação utilizando Python e a base de dados kc_house_price_data.csv, com recurso à utilização de IA generativa (ChatGPT) como ferramenta de apoio à análise e modelação de dados por parte dos alunos. Foram realizadas tarefas de análise exploratória de dados, tratamento e preparação dos dados (limpeza, normalização e remoção de outliers), divisão entre treino e teste, e treino de modelos de regressão (Linear Regression, Random Forest e XGBoost), com avaliação do desempenho preditivo.