Docente de Graduação - Deep Learning

Peru·Recifemid

Other

1 views0 saves0 applied

Apply Now

Quick Summary

Overview

Estamos em busca de um(a) Docente para a disciplina eletiva de Deep Learning na graduação em Sistemas de Informação.

Technical Tools

Other

Estamos em busca de um(a) Docente para a disciplina eletiva de Deep Learning na graduação em Sistemas de Informação.

Buscamos um(a) profissional com sólida base teórica e prática em Inteligência Artificial e Aprendizado Profundo, capaz de guiar os alunos desde os fundamentos de redes neurais até arquiteturas modernas de Visão Computacional, Processamento de Linguagem Natural (PLN), Transformers e Modelos de Grande Escala (LLMs / Foundation Models), com ênfase em implementação prática e resolução de problemas reais.

Ministrar a disciplina eletiva de Deep Learning, cumprindo a ementa e os objetivos pedagógicos do plano de ensino.
Conduzir aulas práticas e laboratoriais utilizando metodologias ativas, resolução de problemas e implementação de código (hands-on).
Orientar os estudantes na concepção, treinamento, ajuste fino (fine-tuning), avaliação e otimização de modelos de redes neurais profundas.
Discutir boas práticas de engenharia de IA, mitigação de overfitting, estratégias de regularização e aspectos éticos no uso de modelos de grande escala.
Acompanhar o progresso técnico dos estudantes por meio de projetos práticos e avaliações continuadas.
Participar de alinhamentos pedagógicos e eventos do corpo docente da CESAR School.

Formação Acadêmica:
- Graduação concluída em áreas técnicas correlatas: Ciência da Computação, Sistemas de Informação, Engenharia da Computação, Engenharia de Software, Ciência de Dados, Estatística, Matemática Computacional, Física ou áreas afins.
- Titulação em nível de Mestrado e/ou Doutorado concluído (ou em fase final) nas áreas acima citadas ou correlatas à Inteligência Artificial/Computação Aplicada.

Introdução à Deep Learning: Panorama, evolução e aplicações contemporâneas.
Conceitos Básicos de Redes Neurais: Perceptron, funções de ativação, algoritmos de otimização, regularização e mitigação de overfitting.
Introdução à Visão Computacional: Processamento básico de imagens e tarefas fundamentais.
Redes Neurais Convolucionais (CNNs): Arquiteturas clássicas e modernas (LeNet-5, AlexNet, VGG, ResNet).
Introdução ao Processamento de Linguagem Natural (PLN): Pré-processamento textual e representação vetorial (Word Embeddings).
Redes Neurais Recorrentes: RNNs, LSTMs e mecanismos de atenção.
Arquitetura Transformers: Mecanismo de autoatenção e encoders/decoders.
Modelos de Grande Escala: Arquiteturas generativas, foundation models e aplicações de ponta.