IA: fundamentos de fine-tuning
O curso trata de quando vale treinar um modelo com os seus próprios exemplos e quanto isso custa. Explica como o fine-tuning muda os pesos do modelo, enquanto prompts, exemplos e recuperação mudam a entrada, e onde ele está disponível em outubro de 2026. As aulas abordam em que o fine-tuning é bom, a construção e a divisão do dataset, o treino supervisionado e os adaptadores LoRA, a avaliação honesta contra uma linha de base com prompt, os custos de serving e manutenção e um procedimento de decisão com sete perguntas.
O que você vai aprender
- ✓Como o fine-tuning difere de mudar a entrada do modelo
- ✓Em que tarefas o fine-tuning funciona, incluindo destilação, e em quais ele falha
- ✓Como construir um dataset e dividi-lo por grupo para evitar vazamento
- ✓Como ler um log de treino em busca de overfitting e esquecimento catastrófico
- ✓Como avaliar um fine-tune contra o melhor sistema com prompt
- ✓Os custos completos de treinar, servir e manter um modelo com fine-tuning
A pergunta que esta série adiou
Três cursos tocaram no assunto do fine-tuning e o deixaram de lado.
Ler a aula completa grátis →Currículo
7 aulasA pergunta que esta série adiou
Explica como o fine-tuning muda os pesos do modelo e onde ele está disponível em outubro de 2026.
Em que fine-tuning é bom
Mostra em que tarefas o fine-tuning funciona, como destilação e voz, e em quais ele falha.
O dataset é o projeto
Mostra por que o dataset decide o resultado e como obter, revisar, dividir e governar os dados.
Como o treino funciona, conceitualmente
Explica o treino supervisionado, seus três botões, adaptadores LoRA, overfitting e esquecimento catastrófico.
Avaliando um fine-tune com honestidade
Compara um fine-tune com o melhor sistema com prompt em acurácia, capacidade geral, custo e vazamento.
Os custos que ninguém cota
Lista os custos além da rodada de treino: dados, avaliação, serving, manutenção e retreino quando a base melhora.
Um procedimento de decisão
Reúne o curso em sete perguntas ordenadas, uma subida atrás de flag e hábitos que mantêm a opção aberta.