A TECH é uma Universidade na vanguarda da tecnologia, que coloca todos os seus recursos à disposição do estudante para o ajudara alcançar o sucesso empresarial"

¿Porquê estudar na TECH?

A TECH é a maior escola de gestão do mundo, 100% online. É uma Escola de Gestão de elite, com um modelo que obedece aos mais elevados padrões académicos. Um centro internacional de ensino de alto desempenho e de competências intensivas de gestão.      

A TECH é uma Universidade na vanguarda da tecnologia, que coloca todos os seus recursos à disposição do estudante para o ajudara alcançar o sucesso empresarial”

Na TECH Universidade Tecnologica

Inovação

A universidade oferece um modelo de aprendizagem online, que combina a mais recente tecnologia educacional com o máximo rigor pedagógico. Um método único com o mais alto reconhecimento internacional, que fornecerá os elementos-chave para que o aluno se desenvolva num mundo em constante mudança, onde a inovação deve ser a aposta essencial de cada empresário.

“Caso de Sucesso Microsoft Europa” por incorporar um sistema multivídeo interativo inovador nos programas. 

Máxima exigência

O critério de admissão da TECH não é económico. Não é necessário fazer um grande investimento para estudar nesta Universidade. No entanto, para se formar na TECH, serão testados os limites da inteligência e capacidade do estudante. Os padrões académicos desta instituição são muito elevados...

95% dos estudantes da TECH concluem os seus estudos com sucesso

Networking

Profissionais de todo o mundo participam na TECH, pelo que o estudante poderá criar uma vasta rede de contactos que lhe será útil para o seu futuro.

+100.000 gestores formados todos os anos, +200 nacionalidades diferentes.

Empowerment

O estudante vai crescer de mãos dadas com as melhores empresas e profissionais de grande prestígio e influência. A TECH desenvolveu alianças estratégicas e uma valiosa rede de contactos com os principais intervenientes económicos dos 7 continentes.

+500 Acordos de colaboração com as melhores empresas.

Talento

Este Curso de Especialização é uma proposta única para fazer sobressair o talento do estudante no meio empresarial. Uma oportunidade para dar a conhecer as suas preocupações e a sua visão de negócio. 

A TECH ajuda o estudante a mostrar o seu talento ao mundo no final desta especialização.

Contexto multicultural

Ao estudar na TECH, o aluno pode desfrutar de uma experiência única. Estudará num contexto multicultural. Num programa com uma visão global, graças ao qual poderá aprender sobre a forma de trabalhar em diferentes partes do mundo, compilando a informação mais recente e que melhor se adequa à sua ideia de negócio.

Os estudantes da TECH têm mais de 200 nacionalidades.  

Aprenda com os melhores

A equipa docente da TECH explica nas aulas o que os levou ao sucesso nas suas empresas, trabalhando num contexto real, animado e dinâmico. Professores que estão totalmente empenhados em oferecer uma especialização de qualidade que permita ao estudante avançar na sua carreira e destacar-se no mundo dos negócios. 

Professores de 20 nacionalidades diferentes.

A TECH procura a excelência e, para isso, tem uma série de caraterísticas que a tornam uma Universidade única:   

Análises

A TECH explora o lado crítico do aluno, a sua capacidade de questionar as coisas, a sua capacidade de resolução de problemas e as suas competências interpessoais.  

Excelência académica

A TECH proporciona ao estudante a melhor metodologia de aprendizagem online. A Universidade combina o método Relearning (a metodologia de aprendizagem mais reconhecida internacionalmente) com o Estudo de Caso de Tradição e vanguarda num equilíbrio difícil, e no contexto do itinerário académico mais exigente.   

Economia de escala

A TECH é a maior universidade online do mundo. Tem uma carteira de mais de 10 mil pós-graduações universitárias. E na nova economia, volume + tecnologia = preço disruptivo. Isto assegura que os estudos não são tão caros como noutra universidade.

Na TECH terá acesso aos estudos de casos mais rigorosos e atualizados no meio académico” 

O Mestrado em Inteligência Artificial é um programa feito sob medida ministrado em um formato 100% online para que o aluno possa escolher a hora e o lugar que melhor se adapte à sua disponibilidade, aos seus horários e interesses. Um programa de 12 meses que visa ser uma experiência única e motivadora, estabelecendo as bases para o sucesso profissional. 

Aprofunde seu conhecimento sobre os dados como parte da Inteligência Artificial, desde sua extração e agrupamento por tipo até seu processamento e análise subsequentes"

Plano de estudos

O programa de estudos deste Mestrado da TECH foi elaborado com o objetivo de ofrecer aos alunos o conhecimento mais avançado em IA. Portanto, os profissionais adquirirão as ferramentas necessárias para desenvolver processos de otimização inspirados na evolução biológica. Assim, serão capazes de identificar e aplicar soluções eficazes para problemas complexos com um profundo conhecimento de IA.

Trata-se de uma qualificação acadêmica exclusiva na qual os alunos explorarão os fundamentos essenciais da IA. Dessa forma, integrará seu uso aos aplicativos principais, permitindo que eles entendam como essas plataformas podem enriquecer a experiência do usuário e maximizar a eficiência operacional.

Dessa forma, para facilitar a assimilação e a retenção de todos os conceitos, a TECH baseia todos os seus programas na metodologia inovadora e eficaz do Relearning. Com essa abordagem, os alunos fortalecerão sua compreensão com a repetição de conceitos-chave ao longo do programa, apresentados em uma variedade de formatos audiovisuais para uma aquisição natural e gradual de habilidades.

Este é um programa de estudos focado no aprimoramento profissional para atingir os objetivos de trabalho e é oferecido por meio de um sistema de aprendizagem online inovador e flexível, permitindo que os participantes combinem o ensino com suas outras atividades.

Módulo 1. Fundamentos da Inteligência Artificial
Módulo 2. Tipos e Ciclo de Vida dos Dados
Módulo 3. Os dados na Inteligência Artificial
Módulo 4. Mineração de dados Seleção, pré-processamento e transformação
Módulo 5. Algoritmia e Complexidade em Inteligência Artificial
Módulo 6. Sistemas inteligentes 
Módulo 7. Machine learning e mineração de dados
Módulo 8. Redes Neurais como Base do Deep Learning
Módulo 9. Treinamento de Redes Neurais Profundas
Módulo 10. Personalização de Modelos e Treinamento com TensorFlow
Módulo 11. Deep Computer Vision com Redes Neurais Convolucionais
Módulo 12. Processamento de Linguagem Natural (PLN) com Redes Neurais Recorrentes (RNN) e Atenção
Módulo 13. Autoencoders, GANs e Modelos de Difusão 
Módulo 14. Computação bioinspirada
Módulo 15. Inteligência Artificial: estratégias e aplicativos

Onde, quando e como é ensinado?

A TECH oferece a possibilidade de realizar este Mestrado em Inteligência Artificial totalmente online. Durante os 12 meses de capacitação, o aluno terá acesso a todo o conteúdo do curso a qualquer momento, o que lhe permitirá autogerenciar seu tempo de estudo. 

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. Criar 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: descritivas e inferências
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. Qualitativo: 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 conhecimento 
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 primeira ordem 

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. Aprendizagem profunda 

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. Aplicação Prática 
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 
11.10.2. Detecção de bordas 
11.10.3. 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 

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. Aplicação Prática 

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 aplicativos

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. Implicações da IA para a silvicultura e 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. Potenciais riscos relacionados ao uso de IA
15.10.4. Potenciais desenvolvimentos/utilizações futuras da IA

Você poderá acessar o campus virtual 24 horas por dia, sem restrições de horário ou geográficas. Além disso, todos os recursos podem ser baixados!