Graças a este Mestrado 100% online, você irá adquirir competências tecnológicas avançadas, através da IA, para otimizar a gestão de talentos e melhorar a eficiência operacional na sua organização”

A Inteligência Artificial (IA) está a revolucionar o departamento de Recursos Humanos (RH), melhorando a eficiência na gestão de talentos e na tomada de decisões. 

As ferramentas baseadas em IA, como os chatbots e o software de análise de sentimentos, permitem uma interação mais fluida com os colaboradores e ajudam a identificar necessidades antes de se tornarem problemas.

Assim surge este Mestrado, graças ao qual os profissionais serão capazes de melhorar a eficiência operacional na administração de pessoal, automatizando tarefas como a afetação de recursos e a gestão de salários. Além disso, será explorada em profundidade a análise preditiva para antecipar as necessidades de pessoal e a integração de sistemas para garantir uma conformidade perfeita.

Ademais, serão dominadas ferramentas avançadas para automatizar a análise de currículos e a classificação de candidatos, assim como na realização de entrevistas virtuais assistidas por Inteligência Artificial. Serão abordadas também técnicas para eliminar viéses na seleção de pessoal, garantindo um processo de recrutamento mais justo e preciso, aumentando a retenção e adequação dos candidatos selecionados.

Por fim, será investigado como a Inteligência Artificial pode otimizar a gestão do talento dentro de uma organização, identificando e retendo empregados-chave, personalizando trajetórias de desenvolvimento profissional e realizando análises de competências ade programas de mentoria e coaching virtual, avaliações do potencial de liderança e estratégias para a gestão da mudança.

Dessa forma, a TECH implementou um extenso programa online, de modo que os graduados apenas precisarão de um dispositivo eletrônico com conexão à Internet para acessar os materiais didáticos, evitando problemas como deslocamento até um centro físico e a adaptação a um horário pré-estabelecido. Além disso, inclui a revolucionária metodologia  Relearning, que consiste na repetição de conceitos-chave para uma assimilação otimizada dos conteúdos. 

Você estará preparado para liderar a transformação digital em RH, implementando soluções inovadoras que automatizam processos, eliminam preconceitos no recrutamento e melhoram o desenvolvimento profissional dos trabalhadores”

Este Mestrado em Inteligência Artificial no Departamento de Recursos Humanos conta com o conteúdo científico mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de estudos de caso apresentados por especialistas em Inteligência Artificial centrados no Departamento de RH.
• Os conteúdos gráficos, esquemáticos e extremamente úteis fornecem informações práticas sobre as disciplinas indispensáveis para o exercício da profissão
• Exercícios práticos em que o processo de auto-avaliação é realizado para melhorar a aprendizagem
• Destaque especial para as metodologias inovadoras
• Aulas 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

Melhorará a eficiência operacional na administração do pessoal e dos salários, automatizando tarefas cruciais como a atribuição de recursos e a gestão de benefícios. O que você está esperando para se matricular?”

O corpo docente do programa inclui profissionais do sector que trazem para esta formação a experiência do seu trabalho, bem como especialistas reconhecidos na matéria.

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.

Você Irá familiarizar-se com ferramentas que lhe permitirão automatizar a análise de CV, filtrar e classificar candidatos e realizar entrevistas virtuais com o apoio da IA. Com todas as garantias de qualidade da TECH"

Aposte na TECH ! Você identificará e reterá os principais colaboradores, personalizará os percursos de desenvolvimento de carreira e aplicará a IA para efetuar análises de competências e detectar lacunas 
de competências"

 Diferentemente de outros programas, essa graduação combinará uma base teórica sólida com treinamento prático na aplicação de tecnologias avançadas. Assim, ele analisará como usar a IA para melhorar a administração de pessoal, otimizar os processos de seleção, gerenciar talentos, realizar avaliações de desempenho precisas e monitorar o ambiente de trabalho. Além disso, os profissionais estarão aptos a enfrentar os desafios contemporâneos em RH, melhorando a eficiência, a tomada de decisões e garantindo uma gestão justa e transparente. 

Com a rápida evolução da IA no local de trabalho, você se posicionará na vanguarda da mudança organizacional, equipando-o para liderar a transformação digital nas organizações em que trabalha.”

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 y 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. Integrações: 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. Dados em 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. Algoritmo 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

5.4.1. 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

5.5.1. 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. 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. História do conceito
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 na 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 C
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 back propagation
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 (NLP)

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. API tfdata

10.6.1. Utilização da API tf.data para processamento de dados
10.6.2. Construção de fluxos de dados com tf.data
10.6.3. Uso da API tf.data 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. Usando arquivos TFRecord para treinamento de modelo

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 Keras
10.8.3. Uso da API de pré-processamento do Keras para treinamento de modelos

10.9. O 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. Usar conjuntos de TensorFlow Datasets para capacitar modelos

10.10. Desenvolvendo um aplicativo de Deep Learning con TensorFlow

10.10.1. Aplicação Prática
10.10.2. Desenvolver 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. Visão Computacional Profunda 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 D
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- utilizando 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 de  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 Difusión

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 Aplicação 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. Inteligencia 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 na área 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 ao uso de IA na área 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. Implicações da IA em Retail. 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. Implicações 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. Implicações 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. Participação da IA nos 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. Administração de Pessoal e de Folhas de Pagamento com IA

16.1. Inteligência Artificial para a diversidade e inclusão no local de trabalho

16.1.1. Análise de diversidade utilizando IBM Watson para detectar tendências e viéses
16.1.2. Ferramentas de IA para a detecção e correção de viéses em processos de RH
16.1.3. Avaliação do impacto das políticas de inclusão por meio de análise de dados

16.2. Fundamentos da administração de pessoal com IA

16.2.1. Automatização de processos de contratação e onboarding
16.2.2. Uso de sistemas de gestão de dados de pessoal baseados em IA
16.2.3. Melhoria da experiência do empregado por meio de plataformas inteligentes

16.3. Tecnologias de IA aplicadas a folhas de pagamento

16.3.1. Sistemas de IA para o cálculo automático de folhas de pagamento
16.3.2. Gestão inteligente de benefícios com plataformas como Gosto
16.3.3. Detecção de erros e fraudes em folhas de pagamento por meio de algoritmos de IA

16.4. Otimização da alocação de recursos com IA

16.4.1. Planejamento de pessoal com ferramentas preditivas da Kronos
16.4.2. Modelos de IA para a otimização de turnos e alocação de tarefas
16.4.3. Análise de carga de trabalho e distribuição de recursos com Power BI

16.5. IA no cumprimento normativo e legal em RH

16.5.1. Automatização do cumprimento de políticas trabalhistas
16.5.2. Sistemas de IA para assegurar a equidade e transparência em RH
16.5.3. Gestão de contratos e regulamentos com IBM Watson Legal Advisor

16.6. Análise preditiva na gestão de pessoal

16.6.1. Modelos preditivos para retenção de empregados com IA do Retain
16.6.2. Análise de sentimentos em comunicações internas
16.6.3. Previsão de necessidades de capacitação e desenvolvimento

16.7. Automatização da gestão de benefícios com IA

16.7.1. Administração de benefícios por meio de plataformas inteligentes como Zenefits
16.7.2. Personalização de pacotes de benefícios usando IA
16.7.3. Otimização de custos de benefícios por meio de análise de dados

16.8. Integração de sistemas de RH com IA

16.8.1. Sistemas integrados para gestão de pessoal com Salesforce Einstein
16.8.2. Interface e usabilidade em sistemas de RH baseados em IA
16.8.3. Segurança de dados e privacidade em sistemas integrados

16.9. Formação apoiada pela IA e desenvolvimento do pessoal

16.9.1. Sistemas de aprendizado adaptativo e personalizado
16.9.2. Plataformas de  e-Learning impulsionadas por IA
16.9.3. Avaliação e acompanhamento do desempenho por meio de tecnologias inteligentes

16.10. Gestão de crises e mudanças com IA em RH

16.10.1. Uso de IA para a gestão eficaz de mudanças organizacionais
16.10.2. Ferramentas de predição para preparação ante crises com Predictive Layer
16.10.3. Análise de dados para avaliar e adaptar estratégias de RH em tempos de crise

Módulo 17. Processos de Seleção e Inteligência Artificial

17.1. Introdução à aplicação da Inteligência Artificial na seleção de pessoal

17.1.1. Definição de Inteligência Artificial no contexto de recursos humanos Entelo
17.1.2. Importância de aplicar IA nos processos seletivos
17.1.3. Benefícios de utilizar IA nos processos de seleção

17.2. Automatização de tarefas no processo de recrutamento

17.2.1. Uso de IA para a automatização da publicação de ofertas de trabalho
17.2.2. Implementação de chatbots para responder perguntas frequentes dos candidatos
17.2.3. Ferramentas. XOR

17.3. Análise de Currículos com IA

17.3.1. Utilização de algoritmos de IA para analisar e avaliar Currículos. Talview
17.3.2. Identificação automática das competências e da experiência relevantes para o cargo
17.3.3. Vantagens e Desvantagens

17.4. Filtragem e classificação de candidatos

17.4.1. Aplicação de IA para a filtragem automática de candidatos com base em critérios específicos Vervoe
17.4.2. Classificação de candidatos conforme sua adequação para o cargo utilizando técnicas de aprendizado de máquina
17.4.3. Uso de IA para a personalização dinâmica de critérios de filtragem de acordo com as necessidades da vaga

17.5. Reconhecimento de padrões em redes sociais e plataformas profissionais

17.5.1. Uso de IA para analisar perfis de candidatos em redes sociais e plataformas profissionais
17.5.2. Identificação de padrões de comportamento e tendências relevantes para a seleção
17.5.3. Avaliação da presença online e da influência digital dos candidatos utilizando ferramentas de IA

17.6. Entrevistas virtuais assistidas por IA

17.6.1. Implementação de sistemas de entrevistas virtuais com análise de linguagem e emoções Talentoday
17.6.2. Avaliação automática das respostas dos candidatos utilizando técnicas de processamento de linguagem natural
17.6.3. Desenvolvimento de feedback  automático e personalizado para candidatos com base em análises de IA das entrevistas

17.7. Avaliação de habilidades e competências

17.7.1. Utilização de ferramentas de avaliação baseadas em IA para medir habilidades técnicas e comportamentais OutMatch
17.7.2. Análise automática de testes e exercícios de avaliação realizados pelos candidatos Harver
17.7.3. Correlação dos resultados das avaliações com o sucesso no cargo através de análise preditiva de IA

17.8. Eliminação do viés de seleção

17.8.1. Aplicar a IA para identificar e atenuar os preconceitos inconscientes no processo de seleção
17.8.2. Implementação de algoritmos de IA imparciais e eqüitativos na tomada de decisões
17.8.3. Treinamento e ajuste contínuo de modelos de IA para garantir a equidade na seleção de pessoal

17.9. Previsão de adequação e retenção

17.9.1. Uso de modelos preditivos de IA para prever a adequação e a probabilidade de retenção dos candidatos Hiretual
17.9.2. Análise de dados históricos e métricas de desempenho para identificar padrões de sucesso
17.9.3. Modelos de IA para a simulação de cenários de trabalho e seu impacto na retenção de candidatos

17.10. Ética e transparência na seleção com IA

17.10.1. Considerações éticas no uso de IA nos processos de seleção de pessoal
17.10.2. Garantia de transparência e explicabilidade nos algoritmos de IA utilizados na tomada de decisões de contratação
17.10.3. Desenvolvimento de políticas de auditoria e revisão de decisões automatizadas

Módulo 18. . IA e sua Aplicação na Gestão de Talentos e Desenvolvimento Profissional

18.1. Introdução à aplicação de IA na gestão de talentos e desenvolvimento profissional

18.1.1. Evolução histórica da IA na gestão de talentos e como ela transformou o setor
18.1.2. Definição de Inteligência Artificial no contexto de recursos humanos
18.1.3. Importância da gestão de talentos e do desenvolvimento profissional Glint

18.2. Automatização de processos de gestão de talentos

18.2.1. Uso de IA para a automatização de tarefas administrativas na gestão de talentos
18.2.2. Implementação de sistemas de gestão de talentos baseados em IA
18.2.3. Avaliação da eficácia operacional e redução de custos por meio da automatização com IA

18.3. Identificação e retenção de talentos com IA

18.3.1. Utilização de algoritmos de IA para identificar e reter talentos na organização
18.3.2. Análise preditiva para a detecção de empregados com alto potencial de crescimento
18.3.3. Integração da IA com sistemas de gestão de Recursos Humanos para acompanhamento contínuo do desempenho e desenvolvimento

18.4. Personalização do desenvolvimento profissional Leader Amp

18.4.1. Implementação de programas de desenvolvimento profissional personalizados baseados em IA
18.4.2. Uso de algoritmos de recomendação para sugerir oportunidades de aprendizado e crescimento
18.4.3. Adaptação dos itinerários de desenvolvimento profissional às previsões de evolução do mercado de trabalho utilizando IA

18.5. Análise de competências e lacunas de habilidadesUtilização de IA para analisar as competências e habilidades atuais dos funcionários

18.5.2. Identificação de lacunas de habilidades e necessidades de formação por meio da análise de dados
18.5.3. Implementação de programas de capacitação em tempo real com base nas recomendações automáticas de IA

18.6. Mentoria e coaching virtua

18.6.1. Implementação de sistemas de mentoria virtual assistidos por IA Crystal
18.6.2. Uso de chatbots e assistentes virtuais para fornecer coaching personalizado
18.6.3. Avaliação do impacto do coaching virtual por meio de análise de dados e feedback automatizado de IA

18.7. Reconhecimento de conquistas e desempenho

18.7.1. Utilização de sistemas de reconhecimento de conquistas baseados em IA para motivar os funcionários BetterUp
18.7.2. Análise automática do desempenho e da produtividade dos funcionários utilizando IA
18.7.3. Desenvolvimento de um sistema de recompensas e reconhecimentos baseado em IA

18.8. Avaliação do potencial de liderança

18.8.1. Aplicação de técnicas de IA para avaliar o potencial de liderança dos funcionários
18.8.2. Identificação de líderes emergentes e desenvolvimento de programas de liderança personalizados
18.8.3. Uso de simulações conduzidas por IA para treinar e avaliar habilidades de liderança

18.9. Gestão de mudanças e adaptabilidade organizacional

18.9.1. Análise preditiva para antecipar necessidades de mudança e promover a resiliência organizacional
18.9.2. Planejamento da mudança organizacional por meio de IA
18.9.3. Utilização de IA para gerenciar a mudança organizacional e promover a adaptabilidade Cognitivo

18.10. Ética e responsabilidade na gestão de talentos com IA

18.10.1. Considerações éticas no uso de IA na gestão de talentos e desenvolvimento profissional Reflektive
18.10.2. Garantia de equidade e transparência nos algoritmos de IA utilizados na tomada de decisões de gestão de talentos
18.10.3. Implementação de auditorias para supervisionar e ajustar os algoritmos de IA a fim de assegurar práticas éticas

Módulo 19. Avaliações de Desempenho

19.1. Introdução à aplicação de IA nas avaliações de desempenho

19.1.1. Definição de Inteligência Artificial e seu papel nas avaliações de desempenho 15Five
19.1.2. Importância de utilizar IA para melhorar a objetividade e eficiência das avaliações
19.1.3. Limitações da IA em avaliações de desempenho

19.2. Automatização de processos de avaliação

19.2.1. Uso de IA para automatizar a coleta e análise de dados nas avaliações de desempenho Peakon
19.2.2. Implementação de sistemas de avaliação automatizados baseados em IA
19.2.3. Estudos de sucesso em automação com IA

19.3. Análise de dados e métricas de desempenho

19.3.1. Utilização de algoritmos de IA para analisar dados de desempenho e tendências
19.3.2. Identificação de métricas chave e KPIs utilizando técnicas de análise de dados avançadas
19.3.3. Formação em análise de dados de IA

19.4. Avaliação contínua e feedback  em tempo real

19.4.1. Implementação de sistemas de avaliação contínua assistidos por IA Lattice
19.4.2. Uso de chatbots e ferramentas de feedback em tempo real para fornecer feedback aos funcionários
19.4.3. Impacto do feedback  baseado em IA

19.5. Identificação de pontos fortes e áreas de melhoria

19.5.1. Aplicação de IA para identificar os pontos fortes e fraquezas dos funcionários
19.5.2. Análise automática de competências e habilidades utilizando técnicas de aprendizado de máquina. Workday Performance Management
19.5.3. Conexão com desenvolvimento profissional e planejamento

19.6. Detecção de tendências e padrões de desempenho

19.6.1. Utilização de IA para detectar tendências e padrões no desempenho dos funcionários. TAlentSoft
19.6.2. Análise preditiva para antecipar possíveis problemas de desempenho e tomar medidas proativas
19.6.3. Visualização avançada de dados e dashboards

19.7. Personalização de objetivos e planos de desenvolvimento

19.7.1. Implementação de sistemas de estabelecimento de objetivos personalizados baseados em IA. Reflektive
19.7.2. Uso de algoritmos de recomendação para sugerir planos de desenvolvimento individualizados
19.7.3. Impacto a longo prazo de objetivos personalizados

19.8. Eliminação de viés nas avaliações

19.8.1. Aplicação de IA para identificar e mitigar viés nas avaliações de desempenho
19.8.2. Implementação de algoritmos imparciais e equitativos nos processos de avaliação
19.8.3. Formação em ética de IA para avaliadores

19.9.  Segurança e proteção de dados nas avaliações com IA

19.9.1. Considerações éticas e legais no uso de dados pessoais nas avaliações de desempenho com IA. LEver
19.9.2. Garantia da privacidade e segurança das informações dos funcionários nos sistemas de avaliação baseados em IA
19.9.3. Implementação de protocolos de acesso aos dados

19.10. Melhoria contínua e adaptabilidade do sistema

19.10.1. Utilização de feedback e análise de dados para melhorar continuamente os processos de avaliação
19.10.2. Adaptar os sistemas de avaliação à evolução das necessidades e dos objectivos da organização
19.10.3. Comitê de revisão para ajuste de métricas

Módulo 20. Monitorizar e melhorar o clima de trabalho com a IA

20.1. Aplicação de IA na gestão do clima laboral

20.1.1. Definição e relevância do clima laboral
20.1.2. Panorama da IA na gestão do clima laboral
20.1.3. Benefícios de usar IA para monitorar o clima laboral

20.2. Ferramentas de IA para coleta de dados laborais

20.2.1. Sistemas de feedback em tempo real com IBM Watson
20.2.2. Plataformas de pesquisas automáticas
20.2.3. Sensores e wearables para a coleta de dados físicos e ambientais

20.3. Análise de sentimentos com IA

20.3.1. Fundamentos da análise de sentimentos
20.3.2. Uso de Google Cloud Natural Language para analisar emoções em comunicações escritas
20.3.3. Aplicação da análise de sentimentos em e-mails e redes sociais corporativas

20.4. Machine Learning para a identificação de padrões de comportamento

20.4.1. Clustering com K-means em Python para segmentar comportamentos de trabalho
20.4.2. Reconhecimento de padrões em dados de comportamento
20.4.3. Previsão de tendências no clima laboral

20.5. IA na detecção proativa de problemas laborais

20.5.1. Modelos preditivos para identificar riscos de conflitos
20.5.2. Sistemas de alerta precoce baseados em IA
20.5.3. Detecção de assédio e discriminação por meio da análise de texto com spaCy

20.6. Melhoria da comunicação interna com IA

20.6.1. Chatbots para a comunicação interna
20.6.2. Análise de redes com IA para melhorar a colaboração utilizando Gephi
20.6.3. Ferramentas de IA para personalizar comunicados internos

20.7. Gestão da mudança com suporte de IA

20.7.1. Simulações de IA para prever impactos de mudanças organizacionais com AnyLogic
20.7.2. Ferramentas de IA para gerenciar a resistência à mudança
20.7.3. Modelos de IA para otimizar estratégias de mudança

20.8. Avaliação e melhoria contínua do clima laboral com IA

20.8.1. Sistemas de monitoramento contínuo do clima laboral
20.8.2. Algoritmos para a análise da eficácia de intervenções
20.8.3. IA para personalização de planos de melhoria do clima laboral

20.9. Integração de IA e Psicologia Organizacional

20.9.1. Teorias psicológicas aplicadas à análise de IA
20.9.2. Modelos de IA para entender a motivação e satisfação laboral
20.9.3. Ferramentas de IA para apoiar o bem-estar emocional dos funcionários

20.10. Ética e privacidade no uso de IA para monitorar o clima laboral

20.10.1. Considerações éticas do monitoramento laboral
20.10.2. Privacidade dos dados e conformidade regulamentar
20.10.3. Gestão de dados transparente e responsável

Você terá acesso a um sistema de aprendizagem baseado na repetição, por meio de um ensino natural e progressivo ao longo de todo o programa.