A IA na Educação fomenta uma aprendizagem adaptativa e centrada no aluno, promovendo um ambiente educativo mais eficaz e enriquecedor. Inscreva-se já!” 

A aplicação da Inteligência Artificial (IA) no campo educativo surgiu como uma ferramenta inestimável, revolucionando a forma como os alunos acedem ao conhecimento e como os educadores gerem o processo de ensino. A personalização da aprendizagem tornou-se mais acessível graças a algoritmos inteligentes, que adaptam os conteúdos educativos de acordo com as necessidades individuais. Isto não só maximiza a eficiência, mas também aborda as diferenças de ritmo e estilo de aprendizagem. 

Por esta razão, a TECHdesenvolveu este Master em Inteligência Artificial na Educação, que abordará não só os aspetos mais técnicos da IA, mas também as considerações éticas, legais e sociais associadas. Para além disso, a abordagem prática do desenvolvimento de projetos de IA na aula dotará os professores de competências tangíveis para a sua implementação eficaz em contextos educativos.  

De igual modo, o aluno explorará a prática docente com IA generativa, com especial atenção para a personalização da aprendizagem e a melhoria contínua, aspetos fundamentais para a adaptabilidade no processo educativo. Por fim, serão analisadas as tendências emergentes em IA para a Educação, garantindo que os participantes estejam cientes das últimas inovações em tecnologia educativa. 
Desta forma, o Master proporcionará uma combinação equilibrada de conhecimentos técnicos, competências práticas e uma perspetiva ética e reflexiva, posicionando-se como líder na qualificação de profissionais capazes de enfrentar os desafios e oportunidades da IA no âmbito educativo. 

Assim, a TECHconcebeu uma certificação abrangente que se baseia na metodologia Relearning. Esta modalidade educativa centra-se na repetição de conceitos essenciais para garantir uma compreensão perfeita. Da mesma forma, a acessibilidade é fundamental, uma vez que apenas é necessário um dispositivo eletrónico com ligação à Internet para aceder aos conteúdos a qualquer momento, eliminando assim a necessidade de comparecer pessoalmente ou de se adaptar a horários pré-estabelecidos.

A IA facilita o feedback imediato, permitindo aos professores identificar áreas de melhoria e prestar apoio personalizado"   

 

Este Master em Inteligência Artificial na Educação conta com o conteúdo educativo mais completo e atualizado do mercado. As suas principais caraterísticas são:

• O desenvolvimento de casos práticos apresentados por especialistas em Inteligência Artificial na Educação 
• Os conteúdos gráficos, esquemáticos e eminentemente práticos fornecem informações teóricas e práticas sobre as disciplinas que são essenciais para a prática profissional 
• Exercícios práticos onde o processo de autoavaliação pode ser levado a cabo a fim de melhorar a aprendizagem 
• A sua ênfase especial em metodologias inovadoras  
• Lições teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual 
• A disponibilidade de acesso ao conteúdo a partir de qualquer dispositivo fixo ou portátil com ligação à Internet 

Irá gerir projetos de IA nas aulas, desde a programação com aprendizagem automática até à sua utilização em videojogos e robótica"   

 

O corpo docente doMaster inclui profissionais do setor que trazem a sua experiência profissional, para além de especialistas reconhecidos de sociedades de referência e universidades de prestígio.  

O seu conteúdo multimédia, desenvolvido com a mais recente tecnologia educativa, permitirá ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma preparação imersiva programada para praticar em situações reais.  

A conceção deste Master baseia-se na Aprendizagem Baseada em Problemas, através da qual o profissional deverá tentar resolver as diferentes situações da atividade profissional que surgem ao longo do percurso académico. Para tal, contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos.  

Através deste Master 100% online, irá integrar ferramentas generativas de IA no planeamento, implementação e avaliação de atividades educativas"

Dominará as tecnologias mais avançadas de IA, como a Realidade Aumentada/Virtual, graças à vasta biblioteca de recursos multimédia"

O Mestrado Próprio inclui módulos específicos, como "Ética e legislação da IA na educação" e "Prática docente com IA generativa", demonstrando o seu compromisso com a responsabilidade e a personalização da aprendizagem. Para além disso, a exploração das tendências emergentes em IA para a Educação garantirá que os professores estejam preparados para integrar as mais recentes inovações, desde a Realidade Aumentada (RA) à análise preditiva, nas suas práticas pedagógicas. Esta combinação de fundamentos éticos, aplicação prática e incorporação de tecnologias inovadoras fomentará a aquisição, por parte dos alunos, de conhecimentos e competências específicos que lhes permitirão progredir nas suas carreiras profissionais. 

Este Mestrado Próprio combina aspetos técnicos da Inteligência Artificial com uma abordagem prática no desenvolvimento de projetos educativos"  

Módulo 1. Fundamentos da Inteligência Artificial 

1.1. História da Inteligência Artificial 

1.1.1. Quando é que começamos a falar de Inteligência Artificial?  
1.1.2. Referências no cinema 
1.1.3. Importância da inteligência artificial 
1.1.4. Tecnologias que permitem e apoiam a  Inteligência Artificial 

1.2. Inteligência Artificial em jogos 

1.2.1. Teoria dos jogos 
1.2.2. Minimax e poda Alfa-Beta 
1.2.3. Simulação: Monte Carlo 

1.3. Redes neuronais 

1.3.1. Fundamentos teológicos 
1.3.2. Modelo computacional 
1.3.3. Redes neuronais supervisionadas e não supervisionadas 
1.3.4. Perceptron simples 
1.3.5. Perceptron multicamadas 

1.4. Algoritmos genéticos 

1.4.1. História 
1.4.2. Base biológica 
1.4.3. Codificação de problemas 
1.4.4. Criação da população inicial 
1.4.5. Algoritmo principal e operadores genéticos 
1.4.6. Avaliação dos indivíduos: Fitness 

1.5. Tesauros, vocabulários, taxonomias 

1.5.1. Vocabulários 
1.5.2. Taxonomias 
1.5.3. Tesauros 
1.5.4. Ontologias 
1.5.5. Representação do conhecimento: Web semântica 

1.6. Web semântica 

1.6.1. Especificações: RDF, RDFS e OWL 
1.6.2. Inferência/razoabilidade 
1.6.3. Linked Data 
1.7. Sistemas periciais e DSS 
1.7.1. Sistemas periciais 
1.7.2. Sistema de apoio à decisão 

1.8. Chatbots e agentes virtuais  

1.8.1. Tipos de agentes: Agentes por voz e por texto  
1.8.2. Partes fundamentais para o desenvolvimento de um agente: Intenções, entidades e fluxo de diálogo 
1.8.3. Integração: Web, Slack, Whatsapp, Facebook 
1.8.4. Ferramentas para o desenvolvimento dos agentes: Dialog Flow, Watson Assistant  

1.9. Estratégia e implantação de IA 
1.10. Futuro da inteligência artificial  

1.10.1. Compreendemos como detetar as emoções através de algoritmos  
10.1.2. Criação de uma personalidade: Linguagem, expressões e conteúdo  
10.1.3. Tendências da Inteligência Artificial  
10.1.4. Reflexão 

Módulo 2. Tipos e ciclo de vida do dado 

2.1. A estatística  

2.1.1. Estatística: Estatística descritiva, inferências estatísticas  
2.1.2. População, mostra indivíduo  
2.1.3. Variáveis Definição, escalas de medida  

2.2. Tipos de dados estatísticos  

2.2.1. De acordo com o tipo  

2.2.1.1. Quantitativos: Dados contínuos e dados discretos  
2.2.1.2. Qualitativos: Dados binomiais, dados nominais, dados ordinais 

2.2.2. De acordo com a sua forma   

2.2.2.1. Numérico  
2.2.2.2. Texto   
2.2.2.3. Lógico  

2.2.3. De acordo com a sua fonte  

2.2.3.1. Primários  
2.2.3.2. Secundários  

2.3. Ciclo de vida dos dados  

2.3.1. Etapas do ciclo  
2.3.2. Marcos do ciclo  
2.3.3. Princípios FAIR  

2.4. Etapas iniciais do ciclo  

2.4.1. Definição de metas  
2.4.2. Determinação de recursos necessários  
2.4.3. Diagrama de Gantt  
2.4.4. Estrutura de dados  

2.5. Recolha de dados  

2.5.1. Metodologia de recolha  
2.5.2. Ferramentas de recolha  
2.5.3. Canais de recolha  

2.6. Limpeza de dados  

2.6.1. Fases de limpeza de dados  
2.6.2. Qualidade dos dados  
2.6.3. Manipulação de dados (com R)  

2.7. Análise de dados, interpretação e avaliação dos resultados  

2.7.1. Medidas estatísticas  
2.7.2. Indicadores de relação  
2.7.3. Mineração de dados  

2.8. Armazém de dados (Datawarehouse)  

2.8.1. Elementos incluídos  
2.8.2. Design  
2.8.3. Aspetos a considerar  

2.9. Disponibilidade dos dados  

2.9.1. Acesso  
2.9.2. Utilidade  
2.9.3. Segurança  

2.10. Aspetos regulamentares 

2.10.1. Lei da Proteção de Dados  
2.10.2. Boas práticas  
2.10.3. Outros aspetos regulamentares 

Módulo 3. O dado na Inteligência Artificial 

3.1. Ciência de dados 

3.1.1. A ciência de dados 
3.1.2. Ferramentas avançadas para o cientista de dados 

3.2. Dados, informação e conhecimento 

3.2.1. Dados, informação e conhecimento  
3.2.2. Tipos de dados 
3.2.3. Fontes de dados 

3.3. Dos dados à informação  

3.3.1. Análise de Dados 
3.3.2. Tipos de análise 
3.3.3. Extração de informação de um Dataset 

3.4. Extração de informação através da visualização 

3.4.1. A visualização como ferramenta de análise 
3.4.2. Métodos de visualização  
3.4.3. Visualização de um conjunto de dados 

3.5. Qualidade dos dados 

3.5.1. Dados de qualidade 
3.5.2. Limpeza de dados  
3.5.3. Pré-processamento básico de dados 

3.6. Dataset 

3.6.1. Enriquecimento do Dataset 
3.6.2. A maldição da dimensionalidade 
3.6.3. Modificação do nosso conjunto de dados 

3.7. Desequilíbrio  

3.7.1. Desequilíbrio de classes 
3.7.2. Técnicas de mitigação do desiquilíbrio 
3.7.3. Equilíbrio de um Dataset 

3.8. Modelos sem supervisão  

3.8.1. Modelo não supervisionado 
3.8.2. Métodos 
3.8.3. Classificação com modelos não supervisionados 

3.9. Modelos supervisionados 

3.9.1. Modelo supervisionado 
3.9.2. Métodos 
3.9.3. Classificação com modelos supervisionados 

3.10. Ferramentas e boas práticas 

3.10.1. Boas práticas para um cientista de dados 
3.10.2. O melhor modelo  
3.10.3. Ferramentas úteis 

Módulo 4. Exploração de dados. Seleção, pré-processamento e transformação 

4.1. A Inferência estatística 

4.1.1. Estatística descritiva vs. Inferência estatística 
4.1.2. Procedimentos paramétricos 
4.1.3. Procedimentos não paramétricos 

4.2. Análise exploratória 

4.2.1. Análise descritiva  
4.2.2. Visualização 
4.2.3. Preparação de dados 

4.3. Preparação de dados 

4.3.1. Integração e limpeza de dados  
4.3.2. Normalização de dados 
4.3.3. Transformando atributos  

4.4. Os valores perdidos 

4.4.1. Tratamento de valores perdidos 
4.4.2. Métodos de imputação de máxima verosimilhança 
4.4.3. Imputação de valores perdidos utilizando a aprendizagem automática 

4.5. O ruído dos dados  

4.5.1. Classes de ruído e atributos 
4.5.2. Filtragem de ruído  
4.5.3. O efeito do ruído 

4.6. A maldição da dimensionalidade 

4.6.1. Oversampling 
4.6.2. Undersampling 
4.6.3. Redução de dados multidimensionais 

4.7. De atributos contínuos a discretos 

4.7.1. Dados contínuos versus dados discretos 
4.7.2. Processo de discretização 

4.8. Os dados  

4.8.1. Seleção de dados  
4.8.2. Perspetivas e critérios de seleção 
4.8.3. Métodos de seleção  

4.9. Seleção de instâncias 

4.9.1. Métodos para a seleção de instâncias 
4.9.2. Seleção de protótipos 
4.9.3. Métodos avançados para a seleção de instâncias 

4.10. Pré-processamento de dados em ambientes Big Data 

Módulo 5. Algoritmo e complexidade na Inteligência Artificial 

5.1. Introdução às estratégias de design de algoritmos 

5.1.1. Recursividade 
5.1.2. Divide e conquista 
5.1.3. Outras estratégias 

5.2. Eficiência e análise dos algoritmos 

5.2.1. Medidas de eficiência 
5.2.2. Medir o tamanho da entrada 
5.2.3. Medir o tempo de execução 
5.2.4. Caso pior, melhor e médio 
5.2.5. Notação assintótica 
5.2.6. Critérios de análise matemática de algoritmos não recursivos 
5.2.7. Análise matemática de algoritmos recursivos 
5.2.8. Análise empírica de algoritmos 

5.3. Algoritmos de ordenação 

5.3.1. Conceito de ordenação 
5.3.2. Ordenação da bolha 
5.3.3. Ordenação por seleção 
5.3.4. Ordenação por inserção 
5.3.5. Ordenação por mistura (Merge_Sort) 
5.3.6. Ordenação rápida (Quick_sort) 

5.4. Algoritmos com árvores 

5.4.1. Conceito de árvore 
5.4.2. Árvores binárias 
5.4.3. Caminhos de árvore 
5.4.4. Representar expressões 
5.4.5. Árvores binárias ordenadas 
5.4.6. Árvores binárias equilibradas 

5.5. Algoritmos com Heaps 

5.5.1. Os Heaps 
5.5.2. O algoritmo Heapsort 
5.5.3. As filas de prioridade 

5.6. Algoritmos com grafos 

5.6.1. Representação 
5.6.2. Busca em amplitude 
5.6.3. Busca em profundidade 
5.6.4. Ordenação topológica 

5.7. Algoritmos Greedy 

5.7.1. A estratégia Greedy 
5.7.2. Elementos da estratégia Greedy 
5.7.3. Câmbio de moedas 
5.7.4. Problema do viajante 
5.7.5. Problema da mochila 

5.8. Pesquisa de caminhos mínimos 

5.8.1. O problema do caminho mínimo 
5.8.2. Arcos negativos e ciclos 
5.8.3. Algoritmo de Dijkstra 

5.9. Algoritmos Greedy sobre grafos 

5.9.1. A árvore de extensão mínima 
5.9.2. O algoritmo de Prim 
5.9.3. O algoritmo de Kruskal 
5.9.4. Análise de complexidade 

5.10. Backtracking 

5.10.1. O Backtracking 
5.10.2. Técnicas alternativas 

Módulo 6. Sistemas inteligentes 

6.1. Teoria dos agentes 

6.1.1. História do conceito 
6.1.2. Definição de agente 
6.1.3. Agentes na Inteligência Artificial 
6.1.4. Agentes em engenharia de software 

6.2. Arquiteturas de agentes 

6.2.1. O processo de argumentação de um agente 
6.2.2. Agentes reativos 
6.2.3. Agentes dedutivos 
6.2.4. Agentes híbridos 
6.2.5. Comparativa 

6.3. Informação e conhecimento 

6.3.1. Distinção entre dados, informação e conhecimento 
6.3.2. Avaliação qualidade dos dados 
6.3.3. Métodos de recolha de dados 
6.3.4. Métodos de aquisição de informação 
6.3.5. Métodos de aquisição de conhecimento 

6.4. Representação do conhecimento 

6.4.1. A importância da representação do conhecimento 
6.4.2. Definição da representação do conhecimento através das suas funções 
6.4.3. Caraterísticas de uma representação do conhecimento 

6.5. Ontologias 

6.5.1. Introdução aos metadados 
6.5.2. Conceito filosófico de ontologia 
6.5.3. Conceito informático de ontologia 
6.5.4. Ontologias de domínio e ontologias de nível superior 
6.5.5. Como construir uma ontologia? 

6.6. Linguagens para ontologias e software para a criação de ontologias 

6.6.1. Triples RDF, Turtle e N 
6.6.2. RDF Schema 
6.6.3. OWL 
6.6.4. SPARQL 
6.6.5. Introdução às diferentes ferramentas de criação de ontologias 
6.6.6. Instalação e utilização do Protégé 

6.7. A web semântica 

6.7.1. O estado atual e futuro da web semântica 
6.7.2. Aplicações da web semântica 

6.8. Outros modelos de representação do conhecimento 

6.8.1. Vocabulários 
6.8.2. Visão global 
6.8.3. Taxonomias 
6.8.4. Tesauros 
6.8.5. Folksonomias 
6.8.6. Comparativa 
6.8.7. Mapas mentais 

6.9. Avaliação e integração das representações do conhecimento 

6.9.1. Lógica de ordem zero 
6.9.2. Lógica de primeira ordem 
6.9.3. Lógica descritiva 
6.9.4. Relação entre diferentes tipos de lógica 
6.9.5. Prolog: Programação baseada na lógica de primeira ordem 

6.10. Raciocinadores semânticos, sistemas baseados no conhecimento e Sistemas Periciais 

6.10.1. Conceito de raciocinador 
6.10.2. Aplicações de um raciocinador 
6.10.3. Sistemas baseados no conhecimento 
6.10.4. MYCIN, história dos Sistemas Periciais 
6.10.5. Elementos e Arquitetura dos Sistemas Periciais 
6.10.6. Criação de Sistemas Periciais 

Módulo 7. Aprendizagem automática e mineração de dados 

7.1. Introdução aos processos de descoberta de conhecimentos e aos conceitos básicos da aprendizagem automática 

7.1.1. Conceitos-chave dos processos de descoberta do conhecimento 
7.1.2. Perspetiva histórica dos processos de descoberta do conhecimento 
7.1.3. Etapas dos processos de descoberta do conhecimento 
7.1.4. Técnicas utilizadas nos processos de descoberta do conhecimento 
7.1.5. Caraterísticas dos bons modelos de aprendizagem automática 
7.1.6. Tipos de informação de aprendizagem automática 
7.1.7. Conceitos básicos de aprendizagem 
7.1.8. Conceitos básicos de aprendizagem não supervisionado 

7.2. Exploração e pré-processamento de dados 

7.2.1. Tratamento de dados 
7.2.2. Tratamento de dados no fluxo de análise de dados 
7.2.3. Tipos de dados 
7.2.4. Transformação de dados 
7.2.5. Visualização e exploração de variáveis contínuas 
7.2.6. Visualização e exploração de variáveis categóricas 
7.2.7. Medidas de correlação 
7.2.8. Representações gráficas mais comuns 
7.2.9. Introdução à análise multivariada e à redução da dimensionalidade 

7.3. Árvore de decisão 

7.3.1. Algoritmo ID 
7.3.2. Algoritmo C 
7.3.3. Excesso de treino e poda 
7.3.4. Análise dos resultados 

7.4. Avaliação dos classificadores 

7.4.1. Matrizes de confusão 
7.4.2. Matrizes de avaliação numérica 
7.4.3. Estatística Kappa 
7.4.4. A curva ROC 

7.5. Regras de classificação 

7.5.1. Medidas de avaliação das regras 
7.5.2. Introdução à representação gráfica 
7.5.3. Algoritmo de sobreposição sequencial 

7.6. Redes neuronais 

7.6.1. Conceitos básicos 
7.6.2. Redes neuronais simples 
7.6.3. Algoritmo de Backpropagation 
7.6.4. Introdução às redes neuronais recorrentes 

7.7. Métodos bayesianos 

7.7.1. Conceitos básicos de probabilidade 
7.7.2. Teorema de Bayes 
7.7.3. Naive Bayes 
7.7.4. Introdução às redes bayesianas 

7.8. Modelos de regressão e modelos de resposta contínua 

7.8.1. Regressão linear simples 
7.8.2. Regressão linear múltipla 
7.8.3. Regressão logística 
7.8.4. Árvores de regressão 
7.8.5. Introdução às máquinas de suporte vetorial (SVM) 
7.8.6. Medidas de adequação 

7.9. Clustering 

7.9.1. Conceitos básicos 
7.9.2. Clustering hierárquico 
7.9.3. Métodos probabilísticos 
7.9.4. Algoritmo EM 
7.9.5. Método B-Cubed 
7.9.6. Métodos implícitos 

7.10 Mineração de textos e processamento linguagem natural (PLN) 

7.10.1. Conceitos básicos 
7.10.2. Criação do corpus 
7.10.3. Análise descritiva 
7.10.4. Introdução à análise de sentimentos 

Módulo 8. Redes neuronais, a base da Deep Learning 

8.1. Aprendizagem profunda 

8.1.1. Tipos de aprendizagem profunda 
8.1.2. Aplicações da aprendizagem profunda 
8.1.3. Vantagens e desvantagens da aprendizagem profunda 

8.2. Operações 

8.2.1. Adição 
8.2.2. Produto 
8.2.3. Deslocalização 

8.3. Camadas 

8.3.1. Camada de entrada 
8.3.2. Camada oculta 
8.3.3. Camada de saída 

8.4. Ligação de camadas e operações 

8.4.1. Design de arquiteturas 
8.4.2. Conexão entre camadas 
8.4.3. Propagação para a frente 

8.5. Construção da primeira rede neuronal 

8.5.1. Design da rede 
8.5.2. Estabelecer os pesos 
8.5.3. Treino da rede 

8.6. Treinador e Otimizador 

8.6.1. Seleção do otimizador 
8.6.2. Estabelecimento de uma função de perda 
8.6.3. Estabelecimento de uma métrica 

8.7. Aplicação dos Princípios das Redes Neuronais 

8.7.1. Funções de ativação 
8.7.2. Propagação para trás 
8.7.3. Ajuste dos parâmetros 

8.8. Dos neurónios biológicos aos neurónios artificiais 

8.8.1. Funcionamento de um neurónio biológico 
8.8.2. Transferência de conhecimentos para os neurónios artificiais 
8.8.3. Estabelecer de relações entre os dois 

8.9. Implementação do MLP (Perceptron Multicamadas) com o Keras 

8.9.1. Definição da estrutura da rede 
8.9.2. Compilação do modelo 
8.9.3. Treino do modelo 

8.10. Hiperparâmetros de Fine tuning de Redes Neuronais 

8.10.1. Seleção da função de ativação 
8.10.2. Estabelecer a Learning rate 
8.10.3. Ajuste dos pesos 

Módulo 9. Treino de redes neuronais profundas 

9.1. Problemas de Gradientes 

9.1.1. Técnicas de otimização de gradiente 
9.1.2. Gradientes Estocásticos 
9.1.3. Técnicas de inicialização de pesos 

9.2. Reutilização de camadas pré-treinadas 

9.2.1. Treino de transferência de aprendizagem 
9.2.2. Extração de caraterísticas 
9.2.3. Aprendizagem profunda 

9.3. Otimizadores 

9.3.1. Otimizadores estocásticos de gradiente descendente 
9.3.2. Otimizadores Adam e RMSprop 
9.3.3. Otimizadores de momento 

9.4. Programação da taxa de aprendizagem 

9.4.1. Controlo de taxa sobre aprendizagem automática 
9.4.2. Ciclos de aprendizagem 
9.4.3. Termos de suavização 

9.5. Sobreajuste 

9.5.1. Validação cruzada 
9.5.2. Regularização 
9.5.3. Métricas de avaliação 

9.6. Orientações práticas 

9.6.1. Design do modelo 
9.6.2. Seleção de métricas e parâmetros de avaliação 
9.6.3. Teste de hipóteses 

9.7. Transfer Learning 

9.7.1. Treino de transferência de aprendizagem 
9.7.2. Extração de caraterísticas 
9.7.3. Aprendizagem profunda 

9.8. Data Augmentation 

9.8.1. Transformações de imagem 
9.8.2. Criação de dados sintéticos 
9.8.3. Transformação de texto 

9.9. Aplicação Prática de Transfer Learning 

9.9.1. Treino de transferência de aprendizagem 
9.9.2. Extração de caraterísticas 
9.9.3. Aprendizagem profunda 

9.10. Regularização 

9.10.1. L e L 
9.10.2. Regularização por entropia máxima 
9.10.3. Dropout 

Módulo 10. Personalização de Modelos e treino com TensorFlow 

10.1. TensorFlow 

10.1.1. Uso da biblioteca TensorFlow 
10.1.2. Treino de modelos com o TensorFlow 
10.1.3. Operações de gráfico no TensorFlow 

10.2. TensorFlow e NumPy 

10.2.1. Ambiente computacional NumPy para TensorFlow 
10.2.2. Utilização das arrays NumPy com o TensorFlow 
10.2.3. Operações NumPy para o TensorFlow gráficos do TensorFlow 

10.3. Personalização de modelos e algoritmos de treino 

10.3.1. Construir modelos personalizados com o TensorFlow 
10.3.2. Gestão dos parâmetros de treino 
10.3.3. Utilização de técnicas de otimização para o treino 

10.4. Funções e gráficos do TensorFlow 

10.4.1. Funções com o TensorFlow 
10.4.2. Utilização de gráficos para treino de modelos 
10.4.3. Otimização de gráficos com operações do TensorFlow 

10.5. Carregamento e pré-processamento de dados com o TensorFlow 

10.5.1. Carga de conjuntos de dados com o TensorFlow 
10.5.2. Pré-processamento de dados com o TensorFlow 
10.5.3. Utilizar de ferramentas do TensorFlow para a manipulação de dados 

10.6. A API tfdata 

10.6.1. Utilização da API tfdata para o processamento de dados 
10.6.2. Construção de fluxo de dados com tfdata 
10.6.3. Utilização da API tfdata para o treino de modelos 

10.7. O formato TFRecord 

10.7.1. Utilização da API TFRecord para a serialização de dados 
10.7.2. Carregamento de arquivos TFRecord com TensorFlow 
10.7.3. Utilização de arquivos TFRecord para o treino de modelos 

10.8. Camadas de pré-processamento do Keras 

10.8.1. Utilização da API de pré-processamento do Keras 
10.8.2. Construção de pipelined de pré-processamento com o Keras 
10.8.3. Utilização da API de pré-processamento do Keras para o treino de modelos 

10.9. O projeto TensorFlow Datasets 

10.9.1. Utilização de TensorFlow Datasets para o carregamento de dados 
10.9.2. Pré-processamento de dados com o TensorFlow Datasets 
10.9.3. Utilização de TensorFlow Datasets para o treino de modelos 

10.10. Construção de uma Aplicação de Deep Learning com TensorFlow 

10.10.1. Aplicação prática 
10.10.2. Construção de uma aplicação de Deep Learning com TensorFlow 
10.10.3. Treino de um modelo com o TensorFlow 
10.10.4. Utilizar a aplicação para previsão de resultados 

Módulo 11. Deep Computer Vision com Redes Neuronais Convolucionais 

11.1. A Arquitetura Visual Cortex 

11.1.1. Funções do córtex visual 
11.1.2. Teoria da visão computacional 
11.1.3. Modelos de processamento de imagens 

11.2. Camadas convolucionais 

11.2.1. Reutilização de pesos na convolução 
11.2.2. Convolução D 
11.2.3. Funções de ativação 

11.3. Camadas de agrupamento e implantação de camadas de agrupamento com o Keras 

11.3.1. Pooling e Striding 
11.3.2. Flattening 
11.3.3. Tipos de Pooling 

11.4. Arquitetura CNN 

11.4.1. Arquitetura VGG 
11.4.2. Arquitetura AlexNet 
11.4.3. Arquitetura ResNet 

11.5. Implementação de uma CNN ResNet usando o Keras 

11.5.1. Inicialização de pesos 
11.5.2. Definição da camada de entrada 
11.5.3. Definição da saída 

11.6. Utilização de modelos pré-treinados do Keras 

11.6.1. Caraterísticas dos modelos pré-treinados 
11.6.2. Usos dos modelos pré-treinados 
11.6.3. Vantagens dos modelos pré-treinados 

11.7. Modelos pré-treinados para a aprendizagem por transferência 

11.7.1. A aprendizagem por transferência 
11.7.2. Processo de aprendizagem por transferência 
11.7.3. Vantagens do aprendizagem por transferência 

11.8. Classificação e localização em Deep Computer Vision 

11.8.1. Classificação de imagens 
11.8.2. Localização de objetos em imagens 
11.8.3. Detenção de objetos 

11.9. Deteção e seguimento de objetos 

11.9.1. Métodos de deteção de objetos 
11.9.2. Algoritmos de seguimento de objetos 
11.9.3. Técnicas de seguimento e localização 

11.10. Segmentação semântica 

11.10.1. Aprendizagem profunda para a segmentação semântica 
11.10.1. Deteção de bordas 
11.10.1. Métodos de segmentação baseado sem regras 

Módulo 12. Processamento de linguagem natural (PLN) com Redes Neurais Recorrentes (RNN) e atenção 

12.1. Criação de texto utilizando RNN 

12.1.1. Treino de uma RNN para criação de texto 
12.1.2. Criação de linguagem natural com RNN 
12.1.3. Aplicações de criação de texto com RNN 

12.2. Criação de conjuntos de dados de treino 

12.2.1. Preparação dos dados para o treino de uma RNN 
12.2.2. Armazenamento do conjunto de dados de treino 
12.2.3. Limpeza e transformação dos dados 
12.2.4. Análise de Sentimento 

12.3. Classificação da opiniões com RNN 

12.3.1. Deteção de temas nos comentários 
12.3.2. Análise de sentimento com algoritmos de aprendizagem profunda 

12.4. Rede codificadora-descodificadora para tradução automática neural 

12.4.1. Treino de uma RNN para a  tradução automática 
12.4.2. Utilização de uma rede encoder-decoder para a tradução automática 
12.4.3. Melhoria da precisão da tradução automática com RNNs 

12.5. Mecanismos de atenção 

12.5.1. Implantação de mecanismos de atenção em RNN 
12.5.2. Utilização de mecanismos de atenção para melhorar a precisão dos modelos 
12.5.3. Vantagens dos mecanismos de atenção nas redes neuronais 

12.6. Modelos Transformers 

12.6.1. Uso de modelos Transformers no processamento de linguagem natural 
12.6.2. Aplicação de modelos Transformers na visão 
12.6.3. Vantagens dos modelos Transformers 

12.7. Transformers para a visão 

12.7.1. Utilização de modelos Transformers para a visão 
12.7.2. Pré-processamento de dados de imagem 
12.7.3. Treino de modelos Transformers para visão 

12.8. Biblioteca de Transformers de Hugging Face 

12.8.1. Utilização da biblioteca Transformers de Hugging Face 
12.8.2. Aplicação da biblioteca de Transformers de Hugging Face 
12.8.3. Vantagens da biblioteca Transformers de Hugging Face 

12.9. Outras Bibliotecas de Transformers. Comparativa 

12.9.1. Comparação entre as diferentes bibliotecas de Transformers 
12.9.2. Uso das outras bibliotecas de Transformers 
12.9.3. Vantagens das outras bibliotecas de Transformers 

12.10. Desenvolvimento de uma aplicação de PNL com RNN e Atenção. Aplicação prática 

12.10.1. Desenvolvimento de uma aplicação de processamento de linguagem natural com RNN e atenção 
12.10.2. Utilização de RNN, mecanismos de atenção e modelos Transformers na aplicação 
12.10.3. Avaliação da aplicação prática 

Módulo 13. Autoencoders, GANs e modelos de difusão 

13.1. Representação de dados eficientes 

13.1.1. Redução da dimensionalidade 
13.1.2. Aprendizagem profunda 
13.1.3. Representações compactas 

13.2. Realização da PCA com um codificador automático linear incompleto 

13.2.1. Processo de treino 
13.2.2. Implantação em Python 
13.2.3. Utilização de dados de teste 

13.3. Codificadores automáticos empilhados 

13.3.1. Redes neuronais profundas 
13.3.2. Construção de arquiteturas de codificação 
13.3.3. Utilização da regularização 

13.4. Autoencodificadores convolucionais 

13.4.1. Design do modelo convolucionais 
13.4.2. Treino do modelo convolucionais 
13.4.3. Avaliação dos resultados 

13.5. Redução do ruído dos codificadores automáticos 

13.5.1. Aplicação de filtros 
13.5.2. Design de modelos de codificação 
13.5.3. Utilização de técnicas de regularização 

13.6. Codificadores automáticos dispersos 

13.6.1. Aumento da eficiência da codificação 
13.6.2. Minimizar o número de parâmetros 
13.6.3. Utilização de técnicas de regularização 

13.7. Codificadores automáticos variacionais 

13.7.1. Utilização da otimização variacional 
13.7.2. Aprendizagem profunda não supervisionada 
13.7.3. Representações latentes profundas 

13.8. Geração de imagens MNIST de moda 

13.8.1. Reconhecimento de padrões 
13.8.2. Criação de imagens 
13.8.3. Treino de redes neuronais profundas 

13.9. Redes generativas antagónicas e modelos de difusão 

13.9.1. Criação de conteúdos a partir de imagens 
13.9.2. Modelação de distribuições de dados 
13.9.3. Utilização de redes contraditórias 

13.10 Implantação dos Modelos 

13.10.1. Aplicação Prática 
13.10.2. Implantação dos modelos 
13.10.3. Utilização de dados reais 
13.10.4. Avaliação dos resultados 

Módulo 14. Computação bioinspirada  

14.1. Introdução à computação bioinspirada 

14.1.1. Introdução à computação bioinspirada 

14.2. Algoritmos de inspiração social 

14.2.1. Computação bioinspirada baseada em colónias de formigas 
14.2.2. Variantes dos algoritmos de colónias de formigas 
14.2.3. Computação baseada em nuvens de partículas 

14.3. Algoritmos genéticos 

14.3.1. Estrutura geral 
14.3.2. Implementações dos principais operadores 

14.4. Estratégias de exploração do espaço para algoritmos genéticos 

14.4.1. Algoritmo CHC 
14.4.2. Problemas multimodais 

14.5. Modelos de computação evolutiva 

14.5.1. Estratégias evolutivas 
14.5.2. Programação evolutiva 
14.5.3. Algoritmos baseados em evolução diferencial 

14.6. Modelos de computação evolutiva (II) 

14.6.1. Modelos de evolução baseados na estimativa das distribuições (EDA) 
14.6.2. Programação genética 

14.7. Programação evolutiva aplicada a problemas de aprendizagem 

14.7.1. A aprendizagem baseada em regras 
14.7.2. Métodos evolutivos em problemas de seleção de exemplos 

14.8. Problemas multiobjetivo 

14.8.1. Conceito de dominância 
14.8.2. Aplicação de algoritmos evolutivos a problemas multiobjetivos 

14.9. Redes neuronais (I) 

14.9.1. Introdução às redes neuronais 
14.9.2. Exemplo prático com redes neuronais 

14.10. Redes neuronais (II) 

14.10.1. Casos de utilização de redes neuronais na investigação médica 
14.10.2. Casos de utilização de redes neuronais na economia 
14.10.3. Casos de utilização de redes neuronais na visão artificial 

Módulo 15. Inteligência Artificial: Estratégias e aplicações  

15.1. Serviços financeiros 

15.1.1. As implicações da Inteligência Artificial (IA) nos serviços financeiros  Oportunidades e desafios  
15.1.2. Casos de utilização  
15.1.3. Potenciais riscos relacionados com a utilização de IA 
15.1.4. Potenciais desenvolvimentos/utilizações futuras da IA 

15.2. Implicações da inteligência artificial no serviço de saúde  

15.2.1. Implicações da IA no setor da saúde Oportunidades e desafios  
15.2.2. Casos de utilização 

15.3. Riscos relacionados com a utilização de IA no serviço de saúde 

15.3.1. Potenciais riscos relacionados com a utilização de IA 
15.3.2. Potenciais desenvolvimentos/utilizações futuras da IA  

15.4. Retail  

15.4.1. Implicações da IA no Retail Oportunidades e desafios  
15.4.2. Casos de utilização  
15.4.3. Potenciais riscos relacionados com a utilização de IA  
15.4.4. Potenciais desenvolvimentos/utilizações futuras da IA 

15.5. Indústria   

15.5.1. Implicações da IA na Indústria. Oportunidades e desafios 
15.5.2. Casos de utilização 

15.6. Potenciais riscos relacionados com a utilização de IA na Indústria   

15.6.1. Casos de utilização 
15.6.2. Potenciais riscos relacionados com a utilização de IA 
15.6.3. Potenciais desenvolvimentos/utilizações futuras da IA  

15.7. Administração pública  

15.7.1. Implicações da IA na Administração pública. Oportunidades e desafios 
15.7.2. Casos de utilização  
15.7.3. Potenciais riscos relacionados com a utilização de IA  
15.7.4. Potenciais desenvolvimentos/utilizações futuras da IA  

15.8. Educação  

15.8.1. Implicações da IA na educação. Oportunidades e desafios 
15.8.2. Casos de utilização  
15.8.3. Potenciais riscos relacionados com a utilização de IA  
15.8.4. Potenciais desenvolvimentos/utilizações futuras da IA 

15.9. Silvicultura e agricultura  

15.9.1. Implicações da IA na silvicultura e na agricultura. Oportunidades e desafios  
15.9.2. Casos de utilização 
15.9.3. Potenciais riscos relacionados com a utilização de IA 
15.9.4. Potenciais desenvolvimentos/utilizações futuras da IA  

15.10 Recursos Humanos  

15.10.1. Implicações da IA nos Recursos Humanos. Oportunidades e desafios 
15.10.2. Casos de utilização  
15.10.3. Potenciais riscos relacionados com a utilização de IA  
15.10.4. Potenciais desenvolvimentos/utilizações futuras da IA 

Módulo 16. Análise de dados e aplicação de técnicas de IA para a personalização educativa 

16.1. Identificação, extração e preparação de dados educativos 

16.1.1. Métodos de recolha e seleção de dados relevantes em contextos educativos 
16.1.2. Técnicas de limpeza e normalização de dados para a análise educativa 
16.1.3. Importância da qualidade e da integridade dos dados em investigações educativas 

16.2. Análise e avaliação de dados educativos com IA para a melhoria contínua na aula 

16.2.1. Utilização de técnicas de Machine Learning para interpretar tendências e padrões educativos 
16.2.2. Avaliação do impacto das estratégias pedagógicas através da análise de dados 
16.2.3. Integração de feedback baseado em IA para otimização do processo de ensino 

16.3. Definição de indicadores de rendimento académico a partir de dados educativos 

16.3.1. Estabelecimento de indicadores-chave para avaliar o desempenho dos alunos 
16.3.2. Avaliação comparativa de indicadores para identificar áreas de melhoria 
16.3.3. Correlação entre indicadores académicos e fatores externos utilizando a IA 

16.4. Ferramentas de IA para o controlo e a tomada de decisões educativas 

16.4.1. Sistemas de apoio à decisão baseados em IA para administradores educativos 
16.4.2. Papel da IA no planeamento e na atribuição de recursos educativos 
16.4.3. Otimização dos processos educativos através da análise preditiva 

16.5. Tecnologias e algoritmos de IA para análises preditivas dos dados de rendimento académico 

16.5.1. Fundamentos da modelação preditiva na educação 
16.5.2. Utilização de algoritmos de classificação e regressão para a previsão de tendências educativas 
16.5.3. Estudos de casos de previsões de sucesso em contextos educativos 

16.6. Aplicação da análise de dados com IA para a prevenção e solução de problemas educativos 

16.6.1. Identificação precoce dos riscos académicos através da análise preditiva 
16.6.2. Estratégias de intervenção baseadas em dados para enfrentar os desafios educativos 
16.6.3. Avaliação do impacto das soluções baseadas em IA na educação 

16.7. Diagnóstico personalizado das dificuldades de aprendizagem a partir da análise de dados com IA 

16.7.1. Técnicas de IA para a identificação de estilos e dificuldades de aprendizagem 
16.7.2. Integração da análise de dados em planos de apoio educativo individualizados 
16.7.3. Estudos de casos de diagnósticos melhorados pela utilização de IA 

16.8. Análise de dados e aplicação da IA para a identificação de necessidades educativas específicas 

16.8.1. Abordagens da IA para a deteção de necessidades educativas especiais 
16.8.2. Personalização das estratégias de ensino com base na análise de dados 
16.8.3. Avaliação do Impacto da IA na Inclusão educativa 

16.9. Personalização da aprendizagem com IA baseada na análise de dados de rendimento académico 

16.9.1. Criação de percursos de aprendizagem adaptativos utilizando a IA 
16.9.2. Implementação de sistemas de recomendação para recursos educativos 
16.9.3. Medição dos progressos e ajustes individuais em tempo real através da IA 

16.10. Segurança e privacidade no tratamento de dados educativos 

16.10.1. Princípios éticos e jurídicos na gestão dos dados educativos 
16.10.2. Técnicas de proteção de dados e privacidade em sistemas educativos baseados em IA 
16.10.3. Estudos de casos sobre violações de segurança e seu impacto na educação 

Módulo 17. Desenvolvimento de projetos de Inteligência Artificial na Aula    

17.1. Planeamento e Design de Projetos de IA na Educação  

17.1.1. Primeiros passos para planear o projeto  
17.1.2. Bases do conhecimento  
17.1.3. Design de projetos de IA na Educação   

17.2. Ferramentas para o desenvolvimento de projetos educativos com IA  

17.2.1. Ferramentas para o desenvolvimento de projetos educativos   
17.2.2. Ferramentas para projetos educativos em História  
17.2.3. Ferramentas para projetos educativos em Matemática  
17.2.4. Ferramentas para projetos educativos em Inglês  

17.3. Estratégias para a implementação de projetos de IA na aula  

17.3.1. Quando implementar um projeto de IA  
17.3.2. Porquê implementar um projeto de IA  
17.3.3. Estratégias a aplicar   

17.4. Integração de projetos de IA em disciplinas específicas  

17.4.1. Matemática e IA  
17.4.2. História e IA  
17.4.3. Línguas e IA  
17.4.4. Outras disciplinas   

17.5. Projeto 1: Desenvolvimento de projetos educativos com recurso à aprendizagem automática   

17.5.1. Primeiros passos  
17.5.2. Recolha de requisitos  
17.5.3. Ferramentas a utilizar  
17.5.4. Definição do projeto    

17.6. Projeto 2: Integração da IA no desenvolvimento de jogos educativos   

17.6.1. Primeiros passos  
17.6.2. Recolha de requisitos  
17.6.3. Ferramentas a utilizar  
17.6.4. Definição do projeto    

17.7. Projeto 3: Desenvolvimento de chatbots educativos para assistência estudantil 

17.7.1. Primeiros passos  
17.7.2. Recolha de requisitos  
17.7.3. Ferramentas a utilizar  
17.7.4. Definição do projeto   

17.8. Projeto 4: Integração de agentes inteligentes em plataformas educativas  

17.8.1. Primeiros passos  
17.8.2. Recolha de requisitos  
17.8.3. Ferramentas a utilizar  
17.8.4. Definição do projeto   

17.9. Avaliação e medição do impacto dos projetos de IA na Educação  

17.9.1. Benefícios de trabalhar com IA na aula  
17.9.2. Dados reais  
17.9.3. IA na aula   
17.9.4. Estatísticas da IA na educação   

17.10. Análise e melhoria contínua de projetos de IA na Educação  

17.10.1. Projetos atuais   
17.10.2. Posta em marcha  
17.10.3. O que o futuro nos reserva  
17.10.4. Transformar as Aulas 360  

Módulo 18. Prática docente com Inteligência Artificial generativa    

18.1. Tecnologias de IA generativa para utilização na Educação  

18.1.1. Mercado atual  
18.1.2. Tecnologias utilizadas  
18.1.3. O que está para vir  
18.1.4. O futuro da aula  

18.2. Aplicação de ferramentas de IA generativa no planeamento educativo  

18.2.1. Ferramentas de planeamento  
18.2.2. Ferramentas e a sua aplicação  
18.2.3. Educação e IA  
18.2.4. Evolução   

18.3. Criação de materiais didáticos com IA generativa  

18.3.1. IA e as suas utilizações na aula  
18.3.2. Ferramentas para a criação de material didático  
18.3.3. Como trabalhar com as ferramentas  
18.3.4. Comandos  

18.4. Desenvolvimento de testes de avaliação com IA generativa  

18.4.1. IA e suas utilizações no desenvolvimento de testes de avaliação   
18.4.2. Ferramentas para o desenvolvimento de testes de avaliação   
18.4.3. Como trabalhar com as ferramentas  
18.4.4. Comandos   

18.5. Melhoria do feedback e da comunicação com IA generativa  

18.5.1. A IA na comunicação  
18.5.2. Aplicação de ferramentas no desenvolvimento da comunicação na aula  
18.5.3. Vantagens e desvantagens   

18.6. Correção de atividades e testes de avaliação com IA generativa  

18.6.1. IA e suas utilizações na correção de atividades e testes de avaliação  
18.6.2. Ferramentas para a correção de atividades e testes de avaliação   
18.6.3. Como trabalhar com as ferramentas  
18.6.4. Comandos  

18.7. Geração de inquéritos de avaliação da qualidade do ensino com IA generativa  

18.7.1. IA e as suas utilizações na geração de inquéritos de avaliação da qualidade do ensino com IA   
18.7.2. Ferramentas para a geração de inquéritos de avaliação da qualidade do ensino com IA  
18.7.3. Como trabalhar com as ferramentas  
18.7.4. Comandos  

18.8. Integração de ferramentas de IA generativa em estratégias pedagógicas  

18.8.1. Aplicações de IA em estratégias pedagógicas  
18.8.2. Utilizações corretas   
18.8.3. Vantagens e desvantagens  
18.8.4. ferramentas de IA generativa nas estratégias pedagógicas  

18.9. Utilização da IA generativa para o design universal da aprendizagem  

18.9.1. IA generativa, porquê agora?  
18.9.2. IA na aprendizagem  
18.9.3. Vantagens e desvantagens  
18.9.4. Aplicações da IA na aprendizagem  

18.10. Avaliação da eficácia da IA generativa na Educação  

18.10.1. Dados sobre a eficácia  
18.10.2. Projetos  
18.10.3. Finalidades do design  
18.10.4. Avaliação da eficácia da IA na Educação   

Módulo 19. Inovações e tendências emergentes em IA para a Educação 

19.1. Ferramentas e tecnologias de IA emergentes no âmbito educativo  

19.1.1. Ferramentas de IA obsoletas  
19.1.2. Ferramentas atuais  
19.1.3. Ferramentas futuras   

19.2. Realidade Aumentada e Virtual na Educação  

19.2.1. Ferramentas de realidade aumentada  
19.2.2. Ferramentas de realidade virtual  
19.2.3. Aplicação de ferramentas e respetivas utilizações  
19.2.4. Vantagens e desvantagens  

19.3. IA conversacional para apoio educativo e aprendizagem interativa   

19.3.1. IA conversacional, porquê agora?  
19.3.2. IA na aprendizagem  
19.3.3. Vantagens e desvantagens  
19.3.4. Aplicações da IA na aprendizagem  

19.4. Aplicação da IA para melhorar a retenção de conhecimentos  

19.4.1. IA como ferramenta de apoio  
19.4.2. Orientações a seguir   
19.4.3. Desempenho da IA na retenção de conhecimentos  
19.4.4. IA e ferramentas de apoio  

19.5. Tecnologias de reconhecimento facial e emocional para monitorizar a participação e o bem-estar dos estudantes   

19.5.1. Tecnologias de reconhecimento facial e emocional no mercado atual  
19.5.2. Usos  
19.5.3. Aplicações  
19.5.4. Margem de erro  
19.5.5. Vantagens e desvantagens  

19.6. Blockchain e IA na Educação para transformar a administração educativa e a certificação   

19.6.1. O que é o Blockchain  
19.6.2. Blockchain e as suas aplicações  
19.6.3. Blockchain como elemento transformador  
19.6.4. Administração educativa e Blockchain  

19.7. Ferramentas emergentes de IA para melhorar a experiência de aprendizagem  

19.7.1. Projetos atuais   
19.7.2. Posta em marcha  
19.7.3. O que o futuro nos reserva  
19.7.4. Transformar as Aulas 360  

19.8. Estratégias para o desenvolvimento de projetos-piloto com IA emergente  

19.8.1. Vantagens e desvantagens  
19.8.2. Estratégias a desenvolver  
19.8.3. Pontos-chave  
19.8.4. Projetos-piloto  

19.9. Análise de casos de sucesso em Inovações de IA  

19.9.1. Projetos inovadores  
19.9.2. Aplicação de IA e os seus benefícios  
19.9.3. IA na aula, casos de sucesso  

19.10. Futuro da IA na Educação  

19.10.1. História da IA na educação  
19.10.2. Para onde vai a IA na Aula  
19.10.3. Projetos futuros  

Módulo 20. Ética e legislação da Inteligência Artificial na Educação 

20.1. Identificação e tratamento ético de dados sensíveis no contexto educativo 

20.1.1. Princípios e práticas para o tratamento ético de dados sensíveis na educação 
20.1.2. Desafios na proteção da privacidade e confidencialidade dos dados dos estudantes 
20.1.3. Estratégias para garantir a transparência e o consentimento informado na recolha de dados 

20.2. Impacto social e cultural da IA na Educação 

20.2.1. Análise do efeito da IA na dinâmica social e cultural em contextos educativos 
20.2.2. Exploração do modo como a IA pode perpetuar ou atenuar os preconceitos e as desigualdades sociais 
20.2.3. Avaliação da responsabilidade social dos criadores e educadores na implementação da IA 

20.3. Legislação e política de dados sobre IA em ambientes educativos 

20.3.1. Revisão das leis e regulamentos vigentes sobre dados e privacidade aplicáveis à IA na educação 
20.3.2. Impacto das políticas de dados na prática educativa e na inovação tecnológica 
20.3.3. Desenvolvimento de políticas institucionais para a utilização ética da IA na educação 

20.4. Avaliação do impacto ético da IA 

20.4.1. Métodos para avaliar as implicações éticas das aplicações de IA na educação 
20.4.2. Desafios na medição do impacto social e ético da IA 
20.4.3. Criação de quadros éticos para orientar o desenvolvimento e a utilização da IA na educação 

20.5. Desafios e oportunidades da IA na Educação 

20.5.1. Identificação dos principais desafios éticos e jurídicos na utilização da IA na educação 
20.5.2. Exploração de oportunidades para melhorar o ensino e a aprendizagem através da IA 
20.5.3. Equilíbrio entre inovação tecnológica e considerações éticas na educação 

20.6. Aplicação ética de soluções de IA no ambiente educativo 

20.6.1. Princípios para o design ético e a implementação ética de soluções de IA na educação 
20.6.2. Estudos de casos sobre aplicações éticas da IA em diferentes contextos educativos 
20.6.3. Estratégias para envolver todas as partes interessadas na tomada de decisões éticas sobre IA 

20.7. IA, diversidade cultural e equidade de género 

20.7.1. Análise do impacto da IA na promoção da diversidade cultural e da equidade de género na educação 
20.7.2. Estratégias para desenvolver sistemas de IA inclusivos e sensíveis à diversidade 
20.7.3. Avaliação da forma como a IA pode influenciar a representação e o tratamento de diferentes grupos culturais e de género 

20.8. Considerações éticas sobre a utilização de ferramentas de IA na Educação 

20.8.1. Diretrizes éticas para o desenvolvimento e utilização de ferramentas de IA na sala de aula 
20.8.2. Debate sobre o equilíbrio entre a automatização e a intervenção humana na educação 
20.8.3. Análise de casos em que a utilização da IA na educação levantou questões éticas significativas 

20.9. Impacto da IA na acessibilidade educativa 

20.9.1. Exploração do modo como a IA pode melhorar ou limitar a acessibilidade na educação 
20.9.2. Análise de soluções de IA concebidas para aumentar a inclusão e o acesso à educação para todos 
20.9.3. Desafios éticos na implementação de tecnologias de IA para melhorar a acessibilidade 

20.10. Estudo de casos globais no domínio da IA e da Educação 

20.10.1. Análise de estudos de casos internacionais sobre a utilização da IA na educação 
20.10.2. Comparação de abordagens éticas e jurídicas em diferentes contextos culturais educativos 
20.10.3. Lições aprendidas e melhores práticas de casos globais na IA e na educação   

abrangente e avançado, único na criação de profissionais altamente qualificados para enfrentar os desafios do panorama educativo impulsionado pela IA"