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.

Responsabilidades e Atribuições

- 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.

Requisitos

- 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.

Conteúdo Programático / Ementa da Disciplina

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

📌 Docente de Graduação - Deep Learning (Canada)
🏢 Cesar]
📍 Canada