A IA na educação estimula o aprendizado adaptativo e centrado no aluno, promovendo um ambiente de aprendizado mais eficaz e enriquecedor. Matricule-se já!"

A aplicação da Inteligência Artificial (IA) na educação surgiu como uma ferramenta inestimável, revolucionando a maneira como os alunos acessam o conhecimento e como os educadores gerenciam o processo de ensino. A personalização do aprendizado tornou-se mais acessível graças aos algoritmos inteligentes, que adaptam o conteúdo educacional de acordo com as necessidades individuais. Isso não apenas maximiza a eficácia, mas também aborda as diferenças de ritmo e estilo de aprendizado. 

Por esse motivo, a TECH desenvolveu este Mestrado em Inteligência Artificial na Educação, que abordará não apenas os aspectos mais técnicos da IA, mas também as considerações éticas, legais e sociais associadas. Além disso, o foco prático no desenvolvimento de projetos de IA em sala de aula equipará os professores com habilidades tangíveis para uma implementação eficaz em ambientes educacionais.  

Os alunos também estudarão a prática de ensino com IA generativa, enfatizando a atenção à personalização do aprendizado e ao aprimoramento contínuo, aspectos fundamentais para a adaptabilidade no processo educacional. Por fim, serão discutidas as tendências emergentes em IA para educação, garantindo que os participantes estejam cientes das últimas inovações em tecnologia educacional. 

Dessa forma, o programa oferecerá uma combinação equilibrada de conhecimento técnico, habilidades práticas e uma perspectiva ética e reflexiva, posicionando-se como líder na formação de profissionais capazes de enfrentar os desafios e as oportunidades da IA na educação. 

Assim, a TECH elaborou uma qualificação abrangente que se baseia na metodologia Relearning. Essa modalidade educacional se concentra na repetição de conceitos essenciais para garantir a compreensão ideal. A acessibilidade também é fundamental, já que apenas um dispositivo eletrônico com conexão à Internet será necessário para acessar o conteúdo a qualquer momento, eliminando assim a necessidade de comparecer pessoalmente ou de aderir a horários pré-estabelecidos.

A IA facilita o feedback instantâneo, permitindo que os professores identifiquem áreas de melhoria e ofereçam suporte personalizado"   

Este Mestrado em Inteligência Artificial na Educação conta com o conteúdo mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de estudos de caso apresentados por especialistas em Inteligência Artificial em Educação. 
• Seu conteúdo gráfico, esquemático e eminentemente prático, fornece informações teórica e práticas sobre as disciplinas fundamentais para a prática profissional 
• Exercícios práticos onde o processo de autoavaliação é realizado para melhorar a aprendizagem 
• Destaque especial para as metodologias inovadoras  
• Lições teóricas, perguntas a especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual 
• Disponibilidade de acesso a todo o conteúdo a partir de qualquer dispositivo, fixo ou portátil, com conexão à Internet 

Você gerenciará projetos de IA em sala de aula, desde a programação com aprendizado de máquina até seu uso em videogames e robótica"   

O corpo docente do programa conta com profissionais do setor, que transferem toda a experiência adquirida ao longo de suas carreiras para esta capacitação, além de especialistas reconhecidos de sociedades de referência e universidades de prestígio.  
O conteúdo multimídia, desenvolvido com a mais recente tecnologia educacional, permitirá ao profissional uma aprendizagem contextualizada, ou seja, realizada através de um ambiente simulado, proporcionando uma capacitação imersiva e programada para praticar diante de situações reais.  

A estrutura deste programa se concentra na Aprendizagem Baseada em Problemas, através da qual o profissional deverá resolver as diferentes situações de prática profissional que surgirem ao longo do curso acadêmico. Para isso, contará com a ajuda de um inovador sistema de vídeo interativo realizado por especialistas reconhecidos.  

Por meio deste programa 100% online, você integrará ferramentas de IA generativas ao planejamento, à implementação e à avaliação de atividades educacionais"

Você dominará tecnologias de IA de última geração, como a Realidade Aumentada/Virtual, graças à ampla biblioteca de recursos multimídia"

   O programa inclui módulos específicos, como "Ética e Legislação de IA na Educação" e "Prática de Ensino com IA Generativa", demonstrando seu compromisso com a responsabilidade e a personalização do aprendizado. Além disso, a exploração das tendências emergentes em IA para educação garantirá que os professores estejam preparados para integrar as inovações mais recentes, desde a Realidade Aumentada (RA) até a análise preditiva, em suas práticas pedagógicas. Essa combinação de fundamentos éticos, aplicação prática e incorporação de tecnologias de última geração promoverá a aquisição de conhecimentos e habilidades específicos pelos alunos para avançar em suas carreiras. 

Este Mestrado combina aspectos técnicos de Inteligência Artificial com um foco prático no desenvolvimento de projetos educacionais"  

Módulo 1. Fundamentos da Inteligência Artificial 

1.1. História da inteligência artificial 

1.1.1. Quando começamos a falar de inteligência artificial?  
1.1.2. Referências no cinema 
1.1.3. Importância da inteligência artificial 
1.1.4. Tecnologias que habilitam e dão suporte à 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 de neurônios 

1.3.1. Fundamentos biológicos 
1.3.2. Modelo computacional 
1.3.3. Redes de neurônios supervisionadas e não supervisionadas 
1.3.4. Perceptron simples 
1.3.5. Percetrão multicamadas 

1.4. Algoritmos genéticos 

1.4.1. História 
1.4.2. Base biológica 
1.4.3. Codificação de problemas 
1.4.4. Geração da população inicial 
1.4.5. Algoritmo principal e operadores genéticos 
1.4.6. Avaliação de 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/raciocínio 
1.6.3. Linked Data 

1.7. Sistemas especializados e DSS 

1.7.1. Sistemas especializados 
1.7.2. Sistemas de suporte à decisão 

1.8. Chatbots e assistentes virtuais  

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

1.9. Estratégia de implementação da IA 

1.10. O futuro da inteligência artificial  
1.10.1. Entendemos como detectar emoções através de algoritmos  
1.10.2. Criação de uma personalidade: Linguagem, expressões e conteúdo  
1.10.3. Tendências da inteligência artificial  
1.10.4. Reflexões 

Módulo 2. Tipos e ciclo de vida dos dados 

2.1. Estatísticas  

2.1.1. Estatísticas: Estatísticas descritivas, inferências estatísticas  
2.1.2. População, amostra, individual  
2.1.3. Variáveis definição, escalas de medição  

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 sua forma   

2.2.2.1. Numérico  
2.2.2.2. Texto   
2.2.2.3. Lógico  

2.2.3. De acordo com a 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 objetivos  
2.4.2. Determinação de recursos necessários  
2.4.3. Diagrama de Gantt  
2.4.4. Estruturas dos dados  

2.5. Coleta de dados  

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

2.6. Limpeza de dados  

2.6.1. Fases da 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. Índices de relação  
2.7.3. Mineração de dados  

2.8. Armazém de dados (datawarehouse)  

2.8.1. Elementos que o compõem  
2.8.2. Desenho  
2.8.3. Aspectos a considerar  

2.9. Disponibilidade de dados  

2.9.1. Acesso  
2.9.2. Utilidade  
2.9.3. Segurança  

2.10. Aspectos regulamentares 

2.10.1. Lei Geral de Proteção de Dados  
2.10.2. Boas práticas  
2.10.3. Outros aspectos regulamentares 

Módulo 3. Os dados na Inteligência Artificial 

3.1. Ciência de dados 

3.1.1. Ciência de dados 
3.1.2. Ferramentas avançadas para o cientista de dados 

3.2. Dados, informações e conhecimentos 

3.2.1. Dados, informações e conhecimentos  
3.2.2. Tipos de dados 
3.2.3. Fontes de dados 

3.3. De dados a informações  

3.3.1. Análise de dados 
3.3.2. Tipos de análise 
3.3.3. Extração de informações de um Dataset 

3.4. Extração de informações 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 de nosso conjunto de dados 

3.7. Desequilíbrio  

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

3.8. Modelos não supervisionados  

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 práticas recomendadas 

3.10.1. Práticas recomendadas para um cientista de dados 
3.10.2. O melhor modelo  
3.10.3. Ferramentas úteis 

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

4.1. Inferência estatística 

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

4.2. Análise exploratória 

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

4.3. Preparação dos 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 aprendizado de máquinas 

4.5. O ruído nos dados  

4.5.1. Classes de ruído e seus atributos 
4.5.2. Filtragem de ruídos  
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 discretos 
4.7.2. Processo de discretização 

4.8. Os dados  

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

4.9. Seleção de Instâncias 

4.9.1. Métodos para seleção de instâncias 
4.9.2. Seleção de protótipos 
4.9.3. Métodos avançados para seleção de instâncias 
4.10. Pré-processamento de dados em ambientes Big Data 

Módulo 5. Algoritmia e Complexidade em Inteligência Artificial 

5.1. Introdução às Estratégias de design de algoritmos 

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

5.2. Eficiência e análise de algoritmos 

5.2.1. Medidas de eficiência 
5.2.2. Como medir o tamanho da entrada 
5.2.3. Como medir o tempo de execução 
5.2.4. Melhor, pior e médio caso 
5.2.5. Notação assintótica 
5.2.6. Critérios de análise matemática para 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 bolha (Bubble sort) 
5.3.3. Ordenação por seleção (Selection sort) 
5.3.4. Ordenação por inserção (Insertion Sort) 
5.3.5. Ordenação por mistura (merge_sort) 
5.3.6. Classificação rápida (quick_sort) 

5.4. Algoritmos com árvores 

5.3.1. Conceito de árvore 
5.4.2. Árvores binárias 
5.4.3. Caminhos de árvores 
5.4.4. Representar expressões 
5.4.5. Árvores binárias ordenadas 
5.4.6. Árvores binárias balanceadas 

5.5. Algoritmos com Heaps 

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

5.6. Algoritmos com grafos 

5.5.1. Representação 
5.6.2. Caminho em largura 
5.6.3. Caminho 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. Conversor de moedas 
5.7.4. Problema do Caixeiro Viajante 
5.7.5. Problema da mochila 

5.8. Busca do caminho mínimo 

5.8.1. O problema do caminho mínimo 
5.8.2. Arco e ciclos negativos 
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 (algoritmo guloso) 
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 de Agentes 

6.1.1. História do conceito 
6.1.2. Definição de agente 
6.1.3. Agentes em Inteligência Artificial 
6.1.4. Agentes em Engenharia de Software 

6.2. Arquiteturas de agentes 

6.2.1. O processo de raciocínio 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, informações e conhecimentos 
6.3.2. Avaliação da qualidade dos dados 
6.3.3. Métodos de captura de dados 
6.3.4. Métodos de aquisição de informações 
6.3.5. Métodos de aquisição de conhecimentos 

6.4. Representação do conhecimento 

6.4.1. A importância da representação do conhecimento 
6.4.2. Definição da representação do conhecimento através de suas funções 
6.4.3. Características 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 criação de ontologias 

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

6.7. Web Semântica 

6.7.1. O estado atual e futuro da segurança ad 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 em lógica de alto nível 

6.10. Raciocinadores Semânticos, Sistemas Baseados no Conhecimento e Sistemas Especialistas 

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 Especialistas 
6.10.5. Elementos e Arquitetura de Sistemas Especialistas 
6.10.6. Criação de Sistemas Especialistas 

Módulo 7. Machine learning e mineração de dados 

7.1. Introdução aos processos de descoberta de conhecimento e conceitos básicos de machine learning 

7.1.1. Conceitos-chave dos processos de descoberta do conhecimento 
7.1.2. Perspectiva histórica dos processos de descoberta do conhecimento 
7.1.3. Fases dos processos de descoberta do conhecimento 
7.1.4. Técnicas utilizadas nos processos de descoberta do conhecimento 
7.1.5. Características dos bons modelos de machine learning 
7.1.6. Tipos de informações de machine learning 
7.1.7. Noções básicas de aprendizagem 
7.1.8. Noções básicas de aprendizagem não supervisionada 

7.2. Exploração e pré-processamento de dados 

7.2.1. Processamento de dados 
7.2.2. Tratamento de dados no fluxo de análise de dados 
7.2.3. Tipos de dados 
7.2.4. Transformações 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 redução da dimensionalidade 

7.3. Árvore de decisão 

7.3.1. Algoritmo ID 
7.3.2. Algoritmo 
7.3.3. Overtraining e poda 
7.3.4. Análise de resultados 

7.4. Avaliação de classificadores 

7.4.1. Matrizes de confusão 
7.4.2. Matrizes de avaliação numérica 
7.4.3. Estatístico de Kappa 
7.4.4. Curvas Roc 

7.5. Regras de classificação 

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

7.6. Redes Neurais 

7.6.1. Conceitos básicos 
7.6.2. Redes de neurônios simples 
7.6.3. Algoritmo de backpropagation 
7.6.4. Introdução às redes neurais recorrentes 

7.7. Métodos bayesianos 

7.7.1. Conceitos básicas 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 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 Vetores de Suporte (SVM) 
7.8.6. Medidas de bondade do ajuste 

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 texto e processamento de linguagem natural (PNL) 

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 Neurais como Base do Deep Learning 

8.1. Aprendizado profundo 

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

8.2. Operações 

8.2.1. Soma 
8.2.2. Produtos 
8.2.3. Transferência 

8.3. Camadas 

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

8.4. União de Camadas e Operações 

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

8.5. Construção da primeira rede neural 

8.5.1. Design da rede 
8.5.2. Definição dos pesos 
8.5.3. Treinamento da rede 

8.6. Treinador e Otimizador 

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

8.7. Aplicação dos princípios das redes neurais 

8.7.1. Funções de ativação 
8.7.2. Retropropagação 
8.7.3. Ajuste dos parâmetros 

8.8. Dos neurônios biológicos para os artificiais 

8.8.1. Funcionamento de um neurônio biológico 
8.8.2. Transferência de conhecimento para os neurônios artificiais 
8.8.3. Estabelecimento de relações entre ambos 

8.9. Implementação de MLP (Perceptron multicamadas) com Keras 

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

8.10. Hiperparâmetros de Fine tuning de Redes Neurais 

8.10.1. Seleção da função de ativação 
8.10.2. Estabelecer o learning rate 
8.10.3. Ajuste dos pesos 

Módulo 9. Treinamento de Redes Neurais 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. Treinamento de transferência de aprendizagem 
9.2.2. Extração de características 
9.2.3. Aprendizado profundo 

9.3. Otimizadores 

9.3.1. Otimizadores de descida de gradiente estocástico 
9.3.2. Otimizadores Adam e RMSprop 
9.3.3. Otimizadores de momento 

9.4. Programação da taxa de aprendizagem 

9.4.1. Controle de taxa de 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. Diretrizes práticas 

9.6.1. Design de modelos 
9.6.2. Seleção de métricas e parâmetros de avaliação 
9.6.3. Testes de hipóteses 

9.7. Transfer Learning 

9.7.1. Treinamento de transferência de aprendizagem 
9.7.2. Extração de características 
9.7.3. Aprendizado profundo 

9.8. Data Augmentation 

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

9.9. Aplicação prática de Transfer Learning 

9.9.1. Treinamento de transferência de aprendizagem 
9.9.2. Extração de características 
9.9.3. Aprendizado profundo 

9.10. Regularização 

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

Módulo 10. Personalização de Modelos e Treinamento com TensorFlow 

10.1. TensorFlow 

10.1.1. Uso da biblioteca TensorFlow 
10.1.2. Treinamento de modelos com TensorFlow 
10.1.3. Operações com gráficos no TensorFlow 

10.2. TensorFlow e NumPy 

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

10.3. Personalização de modelos e algoritmos de treinamento 

10.3.1. Construção de modelos personalizados com TensorFlow 
10.3.2. Gestão de parâmetros de treinamento 
10.3.3. Utilização de técnicas de otimização para treinamento 

10.4. Funções e gráficos do TensorFlow 

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

10.5. Carregamento e pré-processamento de dados com TensorFlow 

10.5.1. Carregamento de conjuntos de dados com TensorFlow 
10.5.2. Pré-processamento de dados com TensorFlow 
10.5.3. Utilização de ferramentas do TensorFlow para manipulação de dados 

10.6. A API tfdata 

10.6.1. Utilização da API tfdata para processamento de dados 
10.6.2. Construção de fluxos de dados com tfdata 
10.6.3. Uso da API tfdata para treinamento de modelos 

10.7. O formato TFRecord 

10.7.1. Utilização da API TFRecord para serialização de dados 
10.7.2. Carregamento de arquivos TFRecord com TensorFlow 
10.7.3. Utilização de arquivos TFRecord para treinamento 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 pipelines de pré-processamento com Keras 
10.8.3. Uso da API de pré-processamento do Keras para treinamento de modelos 

10.9. Projeto TensorFlow Datasets 

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

10.10. Construção de uma aplicação de  Deep Learning com TensorFlow 

10.10.1. Aplicações práticas 
10.10.2. Construção de uma aplicação de Deep Learning com TensorFlow 
10.10.3. Treinamento de um modelo com TensorFlow 
10.10.4. Utilização da aplicação para previsão de resultados 

Módulo 11. Deep Computer Vision com Redes Neurais Convolucionais 

11.1. A Arquitetura do Visual Cortex 

11.1.1. Funções do córtex visual 
11.1.2. Teorias 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 
11.2.3. Funções de ativação 

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

11.3.1. Agrupamento e Deslocamento 
11.3.2. Flattening 
11.3.3. Tipos de Pooling 

11.4. Arquiteturas 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. Uso de modelos pré-treinados do Keras 

11.6.1. Características 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 aprendizado por transferência 

11.7.1. 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. Detecção de objetos 

11.9. Detecção e rastreamento de objetos 

11.9.1. Métodos de detecção de objetos 
11.9.2. Algoritmos de rastreamento de objetos 
11.9.3. Técnicas de rastreamento e localização 

11.10. Segmentação semântica 

11.10.1. Aprendizagem profunda para segmentação semântica 
11.10.1. Detecção de bordas 
11.10.1. Métodos de segmentação baseados em regras 

Módulo 12. Processamento de Linguagem Natural (PLN) com Redes Neurais Recorrentes (RNN) e Atenção 

12.1. Geração de texto usando RNN 

12.1.1. Treinamento de uma RNN para geração de texto 
12.1.2. Geração de linguagem natural com RNN 
12.1.3. Aplicações de geração de texto com RNN 

12.2. Criação do conjunto de dados de treinamento 

12.2.1. Preparação dos dados para treinamento de uma RNN 
12.2.2. Armazenamento do conjunto de dados de treinamento 
12.2.3. Limpeza e transformação dos dados 
12.2.4. Análise de sentimento 

12.3. Classificação de opiniões com RNN 

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

12.4. Rede codificador-decodificador para tradução automática neural 

12.4.1. Treinamento de uma RNN para tradução automática 
12.4.2. Uso de uma rede encoder-decoder  para tradução automática 
12.4.3. Aumento da precisão da tradução automática com RNN 

12.5. Mecanismos de atenção 

12.5.1. Aplicação de mecanismos de atenção em RNN 
12.5.2. Uso de mecanismos de atenção para melhorar a precisão dos modelos 
12.5.3. Vantagens dos mecanismos de atenção em redes neurais 

12.6. Modelos Transformers 

12.6.1. Uso de modelos  Transformers  para processamento de linguagem natural 
12.6.2. Aplicação de modelos Transformers para visão 
12.6.3. Vantagens dos modelos Transformers 

12.7. Transformers para visão 

12.7.1. Uso de modelos Transformers para visão 
12.7.2. Processamento de dados Imagem 
12.7.3. Treinamento de modelos Transformers para visão 

12.8. Biblioteca Transformers de Hugging Face E 

12.8.1. Uso da Biblioteca Transformers de Hugging Face 
12.8.2. Aplicação da Biblioteca Transformers de Hugging Face 
12.8.3. Vantagens da Biblioteca Transformers de Hugging Face 

12.9. Outras bibliotecas Transformers. Comparativa 

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

12.10. Desenvolvimento de um aplicativo de PLN com RNN e atenção. Aplicações práticas 

12.10.1. Desenvolvimento de um aplicativo de processamento de linguagem natural com RNN e atenção 
12.10.2. Uso de RNN, mecanismos de atenção e modelos Transformers no aplicativo 
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. Aprendizado profundo 
13.1.3. Representações compactas 

13.2. Realização de PCA com um codificador automático linear incompleto 

13.2.1. Processo de treinamento 
13.2.2. Implementação em Python 
13.2.3. Utilização de dados de teste 

13.3. Codificadores automáticos empilhados 

13.3.1. Redes neurais profundas 
13.3.2. Construção de arquiteturas de codificação 
13.3.3. Uso da regularização 

13.4. Autoencoders convolucionais 

13.4.1. Design de modelos convolucionais 
13.4.2. Treinamento de modelos convolucionais 
13.4.3. Avaliação de resultados 

13.5. Eliminação de ruído de codificadores automáticos 

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

13.6. Codificadores automáticos dispersos 

13.6.1. Aumentando a eficiência da codificação 
13.6.2. Minimizando o número de parâmetros 
13.6.3. Utilização de técnicas de regularização 

13.7. Codificadores automáticos variacionais 

13.7.1. Utilização de 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. Geração de imagens 
13.8.3. Treinamento de Redes Neurais Profundas 

13.9. Redes adversárias generativas e modelos de difusão 

13.9.1. Geração de conteúdo a partir de imagens 
13.9.2. Modelagem de distribuições de dados 
13.9.3. Uso de redes adversárias 

13.10 Implementação dos Modelos 

13.10.1. Aplicação Prática 
13.10.2. Implementação dos modelos 
13.10.3. Uso de dados reais 
13.10.4. Avaliação de resultados 

Módulo 14. Computação bioinspirada  

14.1. Introdução à computação bioinspirada 

14.1.1. Introdução à computação bioinspirada 

14.2. Algoritmos de adaptação social 

14.2.1. Computação bioinspirada baseada em colônias de formigas 
14.2.2. Variantes dos algoritmos das colônias 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 (I) 

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

14.6. Modelos de computação evolutiva (II) 

14.6.1. Modelos de evolução baseados em estimativas de distribuições (EDA) 
14.6.2. Programação genética 

14.7. Programação evolutiva aplicada a dificuldades de aprendizagem 

14.7.1. Aprendizagem baseada em regras 
14.7.2. Métodos evolutivos em problemas de seleção de instâncias 

14.8. Problemas multiobjetivo 

14.8.1. Conceito de dominância 
14.8.2. Aplicação de algoritmos evolutivos a problema multiobjetivo 

14.9. Redes neurais (I) 

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

14.10. Redes neurais (II) 

14.10.1. Casos de uso de redes neurais na pesquisa médica 
14.10.2. Casos de uso de redes neurais em economia 
14.10.3. Casos de uso de redes neurais em 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 uso  
15.1.3. Riscos potenciais relacionados ao uso 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 uso 

15.3. Riscos relacionados com o uso de IA no serviço de saúde 

15.3.1. Riscos potenciais relacionados ao uso de IA 
15.3.2. Potenciais desenvolvimentos/utilizações futuras da IA  

15.4. Retail  

15.4.1. Participação da IA no Varejo Oportunidades e desafios  
15.4.2. Casos de uso  
15.4.3. Riscos potenciais relacionados ao uso de IA  
15.4.4. Potenciais desenvolvimentos/utilizações futuras da IA 

15.5. Indústria   

15.5.1. Participação da IA na Indústria Oportunidades e desafios 
15.5.2. Casos de uso 

15.6. Riscos potenciais relacionados ao uso de IA na indústria   

15.6.1. Casos de uso 
15.6.2. Riscos potenciais relacionados ao uso de IA 
15.6.3. Potenciais desenvolvimentos/utilizações futuras da IA  

15.7. Administração pública  

15.7.1. Participação da IA na administração pública Oportunidades e desafios 
15.7.2. Casos de uso  
15.7.3. Riscos potenciais relacionados ao uso de IA  
15.7.4. Potenciais desenvolvimentos/utilizações futuras da IA  

15.8. Educação  

15.8.1. Participação da IA na educação Oportunidades e desafios 
15.8.2. Casos de uso  
15.8.3. Riscos potenciais relacionados ao uso de IA  
15.8.4. Potenciais desenvolvimentos/utilizações futuras da IA 

15.9. Silvicultura e agricultura  

15.9.1. Participação da IA na silvicultura e na agricultura Oportunidades e desafios  
15.9.2. Casos de uso 
15.9.3. Riscos potenciais relacionados ao uso de IA 
15.9.4. Potenciais desenvolvimentos/utilizações futuras da IA  

15.10 Recursos Humanos  

15.10.1. Implicações da IA para os recursos humanos. Oportunidades e desafios 
15.10.2. Casos de uso  
15.10.3. Riscos potenciais relacionados ao uso de IA  
15.10.4. Potenciais desenvolvimentos/utilizações futuras da IA 

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

16.1. Identificação, Extração e Preparação de Dados Educacionais 

16.1.1. Métodos de coleta e seleção de dados relevantes em ambientes educacionais 
16.1.2. Técnicas de limpeza e normalização de dados para análises educacionais 
16.1.3. Importância da integridade e qualidade dos dados em pesquisas educacionais 

16.2. Análise e Avaliação de Dados Educacionais com IA para Melhoria Contínua na Sala de Aula 

16.2.1. Uso de técnicas de Machine Learning para interpretar tendências e padrões educacionais 
16.2.2. Avaliação do impacto de estratégias pedagógicas por meio 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 Desempenho Acadêmico a partir de Dados Educacionais 

16.3.1. Estabelecimento de métricas-chave para avaliar o desempenho estudantil 
16.3.2. Análise comparativa de indicadores para identificar áreas de melhoria 
16.3.3. Correlação entre indicadores acadêmicos e fatores externos por meio de IA 

16.4. Ferramentas de IA para Controle e Tomada de Decisões Educacionais 

16.4.1. Sistemas de suporte à decisão baseados em IA para administradores educacionais 
16.4.2. Papel da IA no planejamento e alocação de recursos educacionais 
16.4.3. Otimização de processos educacionais por meio de análises preditivas 

16.5. Tecnologias e Algoritmos de IA para Análise Preditiva de Dados de Desempenho Acadêmico 

16.5.1. Fundamentos de modelos preditivos em educação 
16.5.2. Uso de algoritmos de classificação e regressão para prever tendências educacionais 
16.5.3. Casos práticos de previsões bem-sucedidas em ambientes educacionais 

16.6. Aplicação de Análise de Dados com IA para Prevenção e Solução de Problemas Educacionais 

16.6.1. Identificação precoce de riscos acadêmicos por meio de análises preditivas 
16.6.2. Estratégias de intervenção baseadas em dados para abordar desafios educacionais 
16.6.3. Avaliação do impacto de soluções baseadas em IA na educação 

16.7. Diagnóstico Personalizado de Dificuldades de Aprendizagem a partir de Análises de Dados com IA 

16.7.1. Técnicas de IA para identificação de estilos e dificuldades de aprendizagem 
16.7.2. Integração de análises de dados em planos de suporte educacional individualizados 
16.7.3. Estudo de casos de diagnósticos aprimorados pelo uso de IA 

16.8. Análise de Dados e Aplicação de IA para Identificação de Necessidades Educacionais Particulares 

16.8.1. Abordagens de IA para detecção de necessidadeseducacionais especiais 
16.8.2. Personalização de estratégias de ensino com base na análise de dados 
16.8.3. Avaliação do impacto da IA na inclusão educacional 

16.9. Personalização da Aprendizagem com IA a partir da Análise de Dados de Desempenho Acadêmico 

16.9.1. Criação de itinerários de aprendizagem adaptativos utilizando IA 
16.9.2. Implementação de sistemas de recomendação para recursos educacionais 
16.9.3. Medição do progresso individual e ajustes em tempo real por meio de IA 

16.10. Segurança e Privacidade no Tratamento de Dados Educacionais 

16.10.1. Princípios éticos e legais na gestão de dados educacionais 
16.10.2. Técnicas de proteção de dados e privacidade em sistemas educacionais baseados em IA 
16.10.3. Estudos de caso sobre violações de segurança e seu impacto na educação 

Módulo 17. Desenvolvimento de projetos de Inteligência Artificial em sala de aula    

17.1. Planejamento e criação de projetos de IA na educação  

17.1.1. Primeiros passos para planejar o projeto  
17.1.2. Bases de Conhecimento  
17.1.3. Criação de projetos de IA na educação   

17.2. Ferramentas para o Desenvolvimento de Projetos Educacionais com IA  

17.2.1. Ferramentas para o Desenvolvimento de Projetos Educacionais   
17.2.2. Ferramentas para Projetos Educacionais em História  
17.2.3. Ferramentas para Projetos Educacionais em Matemática  
17.2.4. Ferramentas para Projetos Educacionais em Inglês  

17.3. Estratégias de Implementação de Projetos de IA na Sala de Aula  

17.3.1. Quando Implementar um Projeto de IA?  
17.3.2. Por que Implementar um Projeto de IA  
17.3.3. Estratégias a Serem Realizadas   

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. Idiomas e IA  
17.4.4. Outras Disciplinas   

17.5. Projeto 1: desenvolvimento de projetos educacionais usando aprendizado de máquina   

17.5.1. Primeiros passos  
17.5.2. Tomada de exigências  
17.5.3. Ferramentas a ser utilizadas  
17.5.4. Definição do projeto    

17.6. Projeto 2: Integração da IA no desenvolvimento de Jogos educacionais   

17.6.1. Primeiros passos  
17.6.2. Tomada de exigências  
17.6.3. Ferramentas a ser utilizadas  
17.6.4. Definição do projeto    

17.7. Projeto 3: Desenvolvimento de chatbots Educacionais Utilizando Aprendizado de Máquina 

17.7.1. Primeiros passos  
17.7.2. Tomada de exigências  
17.7.3. Ferramentas a ser utilizadas  
17.7.4. Definição do projeto   

17.8. Projeto 4: Integração de Agentes Inteligentes em Plataformas Educacionais  

17.8.1. Primeiros passos  
17.8.2. Tomada de exigências  
17.8.3. Ferramentas a ser utilizadas  
17.8.4. Definição do projeto   

17.9. Avaliação e Medição do Impacto de Projetos de IA na Educação  

17.9.1. Benefícios de Trabalhar com IA na Sala de Aula  
17.9.2. Dados Reais  
17.9.3. IA na Sala de Aula   
17.9.4. Estatísticas da IA na Educação   

17.10. Análise e aprimoramento contínuo de projetos de IA na área de educação  

17.10.1. Projetos Atuais   
17.10.2. Implementação  
17.10.3. O que o futuro nos reserva  
17.10.4. Transformando as Salas de Aula 360  

Módulo 18. Prática de ensino com Inteligência Artificial generativa    

18.1. Tecnologias de IA Generativa para Uso na Educação  

18.1.1. O mercado atual  
18.1.2. Tecnologias em Uso  
18.1.3. O Que Está Por Vir?  
18.1.4. O Futuro da Sala de Aula  

18.2. Aplicação de Ferramentas de IA Generativa no Planejamento Educacional  

18.2.1. Ferramentas de planejamento  
18.2.2. Ferramentas e 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 seus usos na sala de aula  
18.3.2. Ferramentas para Criar Material Didático  
18.3.3. Como Trabalhar com as Ferramentas  
18.3.4. Comandos  

18.4. Desenvolvimento de Avaliações por Meio de IA Generativa  

18.4.1. IA e Seus Usos no Desenvolvimento de Avaliações   
18.4.2. Ferramentas para o Desenvolvimento de Avaliações   
18.4.3. Como Trabalhar com as Ferramentas  
18.4.4. Comandos   

18.5. Feedback e comunicação aprimorados com IA generativa  

18.5.1. IA na Comunicação  
18.5.2. Aplicação de Ferramentas no Desenvolvimento da Comunicação na Sala de Aula  
18.5.3. Vantagens e Desvantagens   

18.6. Correção de atividades e provas avaliativas com IA generativa usando Gradescope AI   

18.6.1. IA e Seus Usos na Correção de Atividades e Avaliações  
18.6.2. Ferramentas para a Correção de Atividades e Avaliações   
18.6.3. Como Trabalhar com as Ferramentas  
18.6.4. Comandos  

18.7. Geração de Pesquisas de Avaliação da Qualidade Docente por Meio de IA Generativa  

18.7.1. IA e Seus Usos na Geração de Pesquisas de Avaliação da Qualidade Docente por Meio de IA   
18.7.2. Ferramentas para a Geração de Pesquisas de Avaliação da Qualidade Docente por Meio de 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 da IA em Estratégias Pedagógicas  
18.8.2. Usos Adequados   
18.8.3. Vantagens e Desvantagens  
18.8.4. Ferramentas de IA Generativa em Estratégias Pedagógicas  

18.9. Utilização de IA Generativa para o Design Universal para a Aprendizagem  

18.9.1. IA Generativa, Por Que 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. Projeto  
18.10.3. Propósitos de Design  
18.10.4. Avaliação da Eficácia da IA na Educação   

Módulo 19. Inovações e tendências emergentes em IA para educação 

19.1. Ferramentas e Tecnologias Emergentes de IA no Ambiente Educacional  

19.1.1. Ferramentas Obsoletas de IA  
19.1.2. Ferramentas Atuais  
19.1.3. Ferramentas Futuras   

19.2. Realidade aumentada e virtual na educação  

19.2.1. Ferramentas da realidade aumentada  
19.2.2. Ferramentas de realidade virtual  
19.2.3. Ferramentas de Realidade Virtual  
19.2.4. Vantagens e Desvantagens  

19.3. IA Conversacional para Apoio Educacional e Aprendizado Interativo   

19.3.1. IA Conversacional, Por Que Agora?  
19.3.2. IA na Aprendizagem  
19.3.3. Vantagens e Desvantagens  
19.3.4. Aplicações da IA na Aprendizagem  

19.4. Aplicação de IA para Melhoria da Retenção de Conhecimento  

19.4.1. IA como Ferramenta de Apoio  
19.4.2. Diretrizes a Seguir   
19.4.3. Desempenho da IA na Retenção de Conhecimento  
19.4.4. IA e Ferramentas de Apoio  

19.5. Tecnologias de Reconhecimento Facial e Emocional para Monitoramento da Participação e 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 educacional e validar certificações   

19.6.1. O Que é Blockchain  
19.6.2. Blockchain e suas aplicações  
19.6.3. Blockchain como Elemento Transformador  
19.6.4. Administração Educacional e Blockchain  

19.7. Ferramentas Emergentes de IA para Melhorar a Experiência de Aprendizado  

19.7.1. Projetos Atuais   
19.7.2. Implementação  
19.7.3. O que o futuro nos reserva  
19.7.4. Transformando as Salas de Aula 360  

19.8. Estratégias para Desenvolvimento de Pilotos com IA Emergente  

19.8.1. Vantagens e Desvantagens  
19.8.2. Estratégias a serem desenvolvidas  
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 Seus Benefícios  
19.9.3. IA na Sala de Aula, Casos de Sucesso  

19.10. Futuro da IA na Educação  

19.10.1. História da IA na Educação  
19.10.2. Para Onde a IA Está Indo na Sala de 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 Educacional 

20.1.1. Princípios e Práticas para a Manipulação Ética 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 Coleta de Dados 

20.2. Impacto Social e Cultural da IA na Educação 

20.2.1. Análise do Efeito da IA nas Dinâmicas Sociais e Culturais nos Ambientes Educacionais 
20.2.2. Exploração de Como a IA Pode Perpetuar ou Mitigar Viéses e Desigualdades Sociais 
20.2.3. Avaliação da Responsabilidade Social dos Desenvolvedores e Educadores na Implementação da IA 

20.3. Legislação e Política de Dados em IA em Ambientes Educacionais 

20.3.1. Revisão das Leis e Regulações Atuais sobre Dados e Privacidade Aplicáveis à IA na Educação 
20.3.2. Impacto das Políticas de Dados na Prática Educacional e na Inovação Tecnológica 
20.3.3. Desenvolvimento de Políticas Institucionais para o Uso Ético 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 Estruturas Éticas para Orientar o Desenvolvimento e Uso da IA na Educação 

20.5. Desafios e Oportunidades da IA na Educação 

20.5.1. Identificação dos Principais Desafios Éticos e Legais no Uso da IA na Educação 
20.5.2. Exploração das Oportunidades para Melhorar o Ensino e Aprendizado por Meio da IA 
20.5.3. Equilíbrio entre Inovação Tecnológica e Considerações Éticas na Educação 

20.6. Aplicação Ética de Soluções de IA no Ambiente Educacional 

20.6.1. Princípios para o Planejamento e Implantação Ética de Soluções de IA na Educação 
20.6.2. Estudo de Casos sobre Aplicações Éticas da IA em Diferentes Contextos Educacionais 
20.6.3. Estratégias para Envolvimento de Todos os Stakeholders em Decisões Éticas sobre a IA 

20.7. IA, Diversidade Cultural e Equidade de Gênero 

20.7.1. Análise do Impacto da IA na Promoção da Diversidade Cultural e Equidade de Gênero na Educação 
20.7.2. Estratégias para Desenvolver Sistemas de IA Inclusivos e Sensíveis à Diversidade 
20.7.3. Avaliação de Como a IA Pode Influenciar a Representação e o Tratamento de Diferentes Grupos Culturais e de Gênero 

20.8. Considerações Éticas para o Uso de Ferramentas de IA na Educação 

20.8.1. Diretrizes Éticas para o Desenvolvimento e Uso de Ferramentas de IA na Sala de Aula 
20.8.2. Discussão sobre o Equilíbrio entre a Automação e a Intervenção Humana na Educação 
20.8.3. Análise de Casos em que o Uso da IA na Educação Levantou Questões Éticas Significativas 

20.9. Impacto da IA na Acessibilidade Educacional 

20.9.1. Exploração de Como a IA Pode Melhorar ou Limitar a Acessibilidade na Educação 
20.9.2. Análise de Soluções de IA Projetadas 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. Estudos de Casos Globais em IA e Educação 

20.10.1. Análise de Casos de Estudo Internacionais sobre o Uso da IA na Educação 
20.10.2. Comparação de Abordagens Éticas e Legais em Diferentes Contextos Culturais Educacionais 
20.10.3. Lições Aprendidas e Melhores Práticas de Casos Globais em IA e Educação 

Você estará imerso em um programa abrangente e avançado, único na criação de profissionais altamente qualificados para enfrentar os desafios do cenário educacional orientado por IA”