Curso DeepFakes e Explainable AI: A linha Tênue entre a Realidade e a Criação Artificial

Machine Learning Clássico: Classificando Informações e Entendendo as Decisões da Máquina: Técnica LIME (xAI)

• O que é classificação em Machine Learning? Por que é útil?
• Introdução a um modelo popular de Machine Learning: Random Forest.
• Como esses modelos "aprendem" a classificar informações?
• Entendendo os desafios: Qual é o equilíbrio entre precisão e simplicidade?
• O que é LIME? Como ele nos ajuda a entender as decisões da IA?
• Aplicações práticas: Vamos explorar exemplos de como esses modelos são usados em notícias, saúde e negócios e analisar exemplos reais de decisões tomadas por modelos de Machine Learning. Discussão de cases: Como o LIME pode ajudar jornalistas a questionar decisões automáticas?

Prevendo o Futuro: Análise de Séries Temporais

• O que são séries temporais e por que são importantes?
• Aplicação de Machine Learning para prever o futuro: XGBoost.
• Usando o LIME para entender previsões em dados de séries temporais.
• Cases práticos: Prevendo tendências em economia, saúde e mídia.

O Cérebro das Máquinas: Redes Neurais Artificiais

• O que são redes neurais? Como elas imitam o cérebro humano?
• Explorando conceitos básicos como neurônios artificiais e camadas de processamento.
• Evolução das Redes Neurais.
• Aplicação prática: Como essas redes podem ser usadas para entender padrões complexos.
• Uso do LIME para explicar decisões de redes neurais.
• Projeto prático: Analisando um case real.

Deep Learning em Ação: Modelos Convolucionais

• Introdução ao aprendizado profundo para imagens.
• Conhecendo ferramentas úteis: Pillow, OpenCV e scikit-image.
• Como preparar imagens para serem entendidas por uma máquina?
• Aplicação prática: Explorando como a IA pode ser usada para entender e modificar imagens.
• O que são convoluções? Como elas ajudam a IA a entender imagens?
• Explorando redes convolucionais populares: VGG e Resnet.
• Transfer Learning.
• Aplicação prática: Trabalhando com datasets de imagens reais.
• Projeto prático: Usando um modelo convolucional para analisar imagens.

Explicando as Imagens: Técnicas de Interpretação Visual

• Introdução ao Layer-wise Relevance Propagation (LRP) e Grad-CAM.
• Como essas técnicas nos mostram o que a IA "vê" em uma imagem?
• Aplicação prática: Explorando exemplos de como essas técnicas ajudam a entender a IA.
• Projeto prático: Analisando imagens com LRP e Grad-CAM.

Entendendo DeepFake: Modelos que Criam Imagens e Vídeos

• O que são DeepFakes? Como surgiram e como evoluíram?
• Explorando a ideia por trás de modelos generativos: Como a IA cria imagens e vídeos falsos?
• Exemplo prático: Detecção de deepfakes. Como identificar padrões fakes de rostos?
• Projeto prático: Detectando deepfakes em vídeos.
• Entendendo o conceito de difusão (Stable Diffusion) e sua aplicação em DeepFakes.
• Comparação com outras técnicas: Quais são as vantagens e desvantagens?
• Projeto prático: Criando e detectando deepfakes usando stable difusion.

Combatendo DeepFake: Como Identificar Falsificações

• Explorando técnicas de Explainable AI aplicadas à detecção de DeepFake.
• Modelos treinados especificamente para identificar DeepFakes.
• Cases reais: Como essas técnicas ajudam a identificar falsificações em notícias e mídias sociais.

Detectando Fake News: Entendendo Texto com IA

• O que é Processamento de Linguagem Natural (NLP)?
• Como a IA lê e entende textos?
• Projeto prático: Detecção de Fake News em textos de forma automatizada.

A Nova Fronteira: Modelos Multimodais

• O que são modelos multimodais? Como eles combinam diferentes tipos de dados (texto, imagem, som)?
• Revisão de conceitos e exemplos práticos: Como esses modelos são usados em DeepFakes complexos?
• Projeto prático: Explorando modelos multimodais em exemplos do dia a dia. Criação de imagens a partir de textos.