Você será capaz de projetar experiências de usuário personalizadas e intuitivas por meio deste programa universitário 100% online"

A Inteligência Computacional ajuda as instituições a melhorar a produtividade no desenvolvimento de software. Suas ferramentas têm a capacidade de lidar com dados não estruturados, aprender com experiências passadas e adaptar-se a mudanças em ambientes dinâmicos. Além disso, a IA pode prever possíveis problemas de aplicativos antes que eles ocorram, permitindo que os profissionais tomem medidas preventivas para evitar problemas onerosos no futuro. Neste contexto, as empresas internacionais de TI de maior prestígio estão buscando ativamente incorporar especialistas em arquitetura de software para QA Testing.

Portanto, a TECH implementa um programa inovador para que os programadores tirem o máximo proveito da otimização e da gestão de desempenho em ferramentas de IA. Projetado pelos principais especialistas, o plano de estudos se aprofundará em algoritmos de programação para desenvolver produtos com sistemas inteligentes. Além disso, o programa de estudos abordará as extensões essenciais do Visual Studio Code, o editor de código-fonte mais usado atualmente. Os materiais didáticos também abordarão a integração da IA na gestão com bancos de dados para detectar possíveis falhas e criar test unitários. Trata-se de uma capacitação universitária que possui uma diversidade de conteúdo audiovisual em vários formatos e uma rede de simulações reais 
para aproximar o desenvolvimento do programa da realidade da prática de TI.

Para atingir os objetivos de aprendizado propostos, este programa é ministrado por meio de uma metodologia de ensino online. Dessa forma, os profissionais poderão combinar perfeitamente seu trabalho com seus estudos. Além disso, o aluno se beneficiará de um corpo docente de alto nível e de materiais acadêmicos multimídia de grande rigor pedagógico, como masterclasses, resumos interativos e exercícios práticos. O único requisito para acessar o Campus Virtual é que os alunos tenham um dispositivo eletrônico com acesso à Internet, até mesmo o telefone celular.

Você obterá uma perspectiva completa sobre como o Machine Learning afeta e melhora cada estágio do desenvolvimento de software"

Este Mestrado Próprio em Inteligência Artificial em Programação 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 na Programação
• O conteúdo gráfico, esquemático e extremamente útil fornece informações científicas e práticas sobre aquelas disciplinas indispensáveis para o exercício da profissão 
• 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 deseja aplicar os modelos transformacionais de processamento de linguagem natural à sua prática? Consiga isso e muito mais graças 
a este programa inovador"

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.

Você se aprofundará no ciclo de vida do Testing, desde a criação de test cases até a detecção de bugs"

O relearning permitirá que você aprenda com menos esforço e mais desempenho, envolvendo-o mais em sua especialização profissional"

Este Mestrado Próprio proporcionará aos alunos uma abordagem integral, o que lhes dará uma vantagem significativa no desenvolvimento de TI e os equipará com habilidades específicas. Para isso, a capacitação abrangerá tudo, desde a preparação do ambiente de desenvolvimento até a otimização do software e a implementação da IA em projetos reais. O plano de estudos se aprofundará em aspectos como o design no-code de interfaces sem código, o uso do ChatGPT para otimizar códigos ou a aplicação do aprendizado de máquina em QA Testing. Dessa forma, os alunos implementarão com eficácia soluções inovadoras de maneira eficaz em vários aplicativos, como projetos móveis e da Web. 

Atualize seus conhecimentos sobre Inteligência Artificial em Programação por meio de conteúdo multimídia inovador"

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 estudo 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

5.4.1. 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

5.9.1. 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 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 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. Melhoria da Produtividade no Desenvolvimento de Software com IA

16.1. Preparar um ambiente de desenvolvimento adequado

16.1.1. Seleção de ferramentas essenciais para o desenvolvimento de IA
16.1.2. Configuração das ferramentas escolhidas 
16.1.3. Implementação de pipelines de CI/CD adaptados a projetos de IA 
16.1.4. Gestão eficiente de dependências e versões em ambientes de desenvolvimento

16.2. Extensões de IA indispensáveis para o Visual Studio Code

16.2.1. Explorando e selecionando extensões de IA para o Visual Studio Code 
16.2.2. Integração de ferramentas de análise estática e dinâmica na IDE 
16.2.3. Automação de tarefas repetitivas com extensões específicas 
16.2.4. Personalização do ambiente de desenvolvimento para aumentar a eficiência

16.3. Projeto no-code de interfaces de usuário com elementos de IA

16.3.1. Princípios de design No-code e sua aplicação em interfaces de usuário 
16.3.2. Incorporação de elementos de IA no design da interface visual 
16.3.3. Ferramentas e plataformas para a criação No-code de interfaces inteligentes 
16.3.4. Avaliação e aprimoramento contínuo de interfaces No-code com IA

16.4. Otimização de código usando o ChatGPT

16.4.1. Identificar códigos duplicados
16.4.2. Refatoração 
16.4.3. Criar códigos legíveis
16.4.4. Entender o que o código faz
16.4.5. Nomes de variáveis e funções aprimorados
16.4.6. Criação de documentação automática

16.5. Gestão de repositórios com IA

16.5.1. Automatização de processos de controle de versão com técnicas de IA 
16.5.2. Detecção de conflitos e resolução automática em ambientes colaborativos
16.5.3. Análise preditiva de alterações e tendências em repositórios de código 
16.5.4. Aprimoramentos na organização e categorização de repositórios usando IA

16.6. Integração da IA na gestão de bancos de dados

16.6.1. Otimização de consultas e desempenho usando técnicas de IA 
16.6.2. Análise preditiva dos padrões de acesso ao banco de dados 
16.6.3. Implementação de sistemas de recomendação para otimizar a estrutura do banco de dados 
16.6.4. Monitoramento proativo e detecção de possíveis problemas no banco de dados

16.7. Localização de falhas e criação de testes unitários com IA

16.7.1. Geração automática de casos de teste usando técnicas de IA 
16.7.2. Detecção antecipada de vulnerabilidades e bugs usando análise estática com IA 
16.7.3. Melhoria da cobertura de testes identificando áreas críticas por meio de IA

16.8. Pair Programming com GitHub Copilot

16.8.1. Integração e uso eficaz do GitHub Copilot em sessões de Pair Programming 
16.8.2. Integração. Melhoria da comunicação e colaboração do desenvolvedor com o GitHub Copilot 
16.8.3. Estratégias de integração para aproveitar ao máximo as dicas de código geradas pelo GitHub Copilot 
16.8.4. Integração Estudos de caso e boas práticas em Pair Programming assistido pela IA

16.9. Tradução automática entre linguagens de programação

16.9.1. Ferramentas e serviços de tradução automática específicos do idioma para linguagens de programação 
16.9.2. Adaptação de algoritmos de tradução automática a contextos de desenvolvimento 
16.9.3. Aprimoramento da interoperabilidade entre diferentes idiomas por meio da tradução automática 
16.9.4. Avaliação e atenuação dos possíveis desafios e limitações da tradução automática

16.10. Ferramentas da IA recomendadas para aumentar a produtividade

16.10.1. Análise comparativa de ferramentas de IA para desenvolvimento de software 
16.10.2. Integração de ferramentas de IA em fluxos de trabalho
16.10.3. Automação de tarefas rotineiras com ferramentas de IA
16.10.4. Avaliação e seleção de ferramentas com base no contexto e nos requisitos do projeto

Módulo 17. Arquitetura de Software com IA

17.1. Otimização e gestão de desempenho em ferramentas de IA

17.1.1. Análise e criação de perfis de desempenho de ferramentas de IA 
17.1.2. Estratégias de otimização para algoritmos e modelos de IA 
17.1.3. Implementação de técnicas de caching e paralelização para melhorar o desempenho 
17.1.4. Ferramentas e metodologias para monitoramento contínuo do desempenho em tempo real

17.2. Escalabilidade em aplicativos de IA

17.2.1. Projetar arquiteturas dimensionáveis para aplicativos de IA 
17.2.2. Implementação de técnicas de particionamento e compartilhamento de carga 
17.2.3. Fluxo de trabalho e gestão de carga de trabalho em sistemas dimensionáveis 
17.2.4. Estratégias para expansão horizontal e vertical em ambientes de demanda variável

17.3. Capacidade de manutenção de aplicativos com IA

17.3.1. Princípios de design para facilitar a capacidade de manutenção em projetos de IA 
17.3.2. Estratégias de documentação específicas para modelos e algoritmos de IA 
17.3.3. Implementação de testes unitários e de integração para facilitar a manutenção 
17.3.4. Métodos para refatoração e melhoria contínua em sistemas com componentes de IA

17.4. Projeto de Sistema de grande escala

17.4.1. Princípios de arquitetura para o projeto de sistemas de grande escala 
17.4.2. Decomposição de sistemas complexos em microsserviços 
17.4.3. Implementação de padrões de projeto específicos para sistemas distribuídos 
17.4.4. Estratégias de gestão da complexidade para arquiteturas de grande escala com componentes de IA

17.5. Armazenamento de dados em grande escala para ferramentas de IA

17.5.1. Seleção de tecnologias de armazenamento de dados dimensionáveis 
17.5.2. Projeto de esquema de banco de dados para o manejo eficiente de grandes volumes de dados 
17.5.3. Estratégias de particionamento e replicação em ambientes de armazenamento em massa 
17.5.4. Implementação de sistemas de gestão de dados para garantir a integridade e a disponibilidade em projetos de IA

17.6. Estruturas de dados com IA

17.6.1. Adaptação de estruturas de dados clássicas para uso em algoritmos de IA 
17.6.2. Projeto e otimização de estruturas de dados específicas para modelos de aprendizado de máquina 
17.6.3. Integração de estruturas de dados eficientes em sistemas com uso intensivo de dados 
17.6.4. Estratégias para manipulação e armazenamento de dados em tempo real em estruturas de dados com IA

17.7. Algoritmos de programação para produtos de IA

17.7.1. Desenvolvimento e implementação de algoritmos específicos para aplicativos de IA 
17.7.2. Estratégias de seleção de algoritmos de acordo com o tipo de problema e os requisitos do produto 
17.7.3. Adaptação de algoritmos clássicos para integração em sistemas de inteligência artificial 
17.7.4. Avaliação e comparação do desempenho entre diferentes algoritmos em contextos de desenvolvimento de IA

17.8. Padrões de design para desenvolvimento de IA

17.8.1. Identificar e aplicar padrões de design comuns em projetos com componentes de IA 
17.8.2. Desenvolvimento de padrões específicos para a integração de modelos e algoritmos em sistemas existentes. 
17.8.3. Estratégias de implementação de padrões para melhorar a reutilização e a capacidade de manutenção em projetos de IA 
17.8.4. Estudos de caso e práticas recomendadas na aplicação de padrões de design em arquiteturas de IA

17.9. Implementação de Clean Architecture

17.9.1. Princípios e conceitos fundamentais de Clean Architecture
17.9.2. Adaptação de Clean Architecture a projetos com componentes de IA 
17.9.3. Implementação de camadas e dependências em sistemas com arquitetura limpa 
17.9.4. Benefícios e desafios da implementação de Clean Architecture em desenvolvimento de software de IA

17.10. Desenvolvimento seguro de software em aplicativos da Web com IA

17.10.1. Princípios de segurança no desenvolvimento de software com componentes de IA 
17.10.2. Identificação e atenuação de possíveis vulnerabilidades em modelos e algoritmos de IA 
17.10.3. Implementação de práticas de desenvolvimento seguro em aplicativos da Web com funcionalidades de Inteligência Artificial 
17.10.4. Estratégias para proteger dados confidenciais e evitar ataques em projetos de IA

Módulo 18. Projetos Web com IA

18.1. Preparação do ambiente de trabalho para o desenvolvimento web com IA

18.1.1. Configuração de ambientes de desenvolvimento web para projetos de inteligência artificial 
18.1.2. Seleção e preparação de ferramentas essenciais para o desenvolvimento web com IA 
18.1.3. Integração de bibliotecas e frameworks específico para projetos da Web com inteligência artificial 
18.1.4. Implementação de práticas recomendadas na configuração de ambientes de desenvolvimento colaborativo

18.2. Criação de Workspace para Projetos de IA

18.2.1. Projeto e organização eficazes de workspaces para projetos da Web com componentes de inteligência artificial
18.2.2. Uso de ferramentas de gestão de projetos e controle de versões no workspace 
18.2.3. Estratégias para colaboração e comunicação eficientes na equipe de desenvolvimento 
18.2.4. Adaptação do  workspace às necessidades específicas dos projetos web de IA

18.3. Padrões de design em produtos de IA

18.3.1. Identificação e aplicação de padrões de design comuns em interfaces de usuário com elementos de inteligência artificial 
18.3.2. Desenvolvimento de padrões específicos para melhorar a experiência do usuário em projetos da Web com IA 
18.3.3. Integração de padrões de design na arquitetura geral de projetos da Web com Inteligência Artificial 
18.3.4. Avaliação e seleção de padrões de design apropriados de acordo com o contexto do projeto

18.4. Desenvolvimento front-end com IA

18.4.1. Integração de modelos de IA na camada de apresentação de projetos da Web
18.4.2. Desenvolvimento de interfaces de usuário adaptáveis com elementos de inteligência artificial 
18.4.3. Implementação de funcionalidades de processamento de linguagem natural (NLP) no front-end 
18.4.4. Estratégias para otimização do desempenho no desenvolvimento de front-end com IA

18.5. Criação de banco de dados

18.5.1. Seleção de tecnologias de banco de dados para projetos da Web com inteligência artificial 
18.5.2. Projeto de esquema de banco de dados para armazenar e gerenciar dados relacionados à IA 
18.5.3. Implementação de sistemas de armazenamento eficientes para grandes volumes de dados gerados por modelos de IA 
18.5.4. Estratégias para segurança e proteção de dados confidenciais em bancos de dados em projetos da Web com IA

18.6. Desenvolvimento de back-end com IA

18.6.1. Integração de serviços e modelos de IA à lógica de negócios de back-end 
18.6.2. Desenvolvimento de APIs e pontos de extremidade específicos para comunicação entre os componentes de front-end e IA 
18.6.3. Implementação da lógica de processamento de dados e tomada de decisões no back-end com inteligência artificial 
18.6.4. Estratégias para escalabilidade e desempenho no desenvolvimento de back-end de projetos da Web com IA

18.7. Otimização do processo de implantação na Web

18.7.1. Automatização do processo de criação e implantação de projetos da Web com IA 
18.7.2. Implementação de pipelines de CI/CD adaptados a aplicativos da Web com componentes de inteligência artificial 
18.7.3. Estratégias para a gestão eficiente de versões e atualizações em implementações contínuas 
18.7.4. Monitoramento e análise pós-implantação para melhoria contínua do processo

18.8. IA na computação em nuvem

18.8.1. Integração de serviços de inteligência artificial em plataformas de computação em nuvem 
18.8.2. Desenvolvimento de soluções dimensionáveis e distribuídas usando serviços de nuvem com recursos de IA 
18.8.3. Estratégias para o manejo eficiente de recursos e custos em ambientes de nuvem com aplicativos da Web habilitados para IA 
18.8.4. Avaliação e comparação de provedores de serviços em nuvem para projetos da Web habilitados para IA

18.9. Criação de um projeto com IA para ambientes LAMP

18.9.1. Adaptação de projetos da Web baseados na pilha LAMP para incluir componentes de IA 
18.9.2. Integração de bibliotecas e frameworks específicos de IA em ambientes LAMP 
18.9.3. Desenvolvimento de funcionalidades de IA que complementam a arquitetura LAMP tradicional
18.9.4. Estratégias para otimização e manutenção em projetos web de IA em ambientes LAMP

18.10. Criação de um projeto com IA para ambientes MEVN

18.10.1. Integração de tecnologias e ferramentas da pilha MEVN com componentes de IA 
18.10.2. Desenvolvimento de aplicativos da Web modernos e dimensionáveis em ambientes MEVN com recursos de IA 
18.10.3. Implementação de funcionalidades de processamento de dados e aprendizado de máquina em projetos MEVN 
18.10.4. Estratégias para melhorar o desempenho e a segurança de aplicativos da Web habilitados para IA em ambientes MEVN

Módulo 19. Aplicativos Móveis com IA 

 19.1. Preparação de um ambiente de trabalho para o desenvolvimento móvel com IA

19.1.1. Configuração de ambientes de desenvolvimento móvel para projetos de IA
19.1.2. Seleção e preparação de ferramentas específicas para o desenvolvimento de aplicativos móveis com IA 
19.1.3. Integração de bibliotecas e frameworks de IA em ambientes de desenvolvimento móvel 
19.1.4. Configuração de emuladores e dispositivos reais para testar aplicativos móveis com componentes de inteligência artificial

19.2. Criação de um workspace com Github copilot

19.2.1. Integração do GitHub Copilot em ambientes de desenvolvimento móvel 
19.2.2. Uso eficaz do GitHub Copilot para geração de código em projetos de IA 
19.2.3. Estratégias para colaboração do desenvolvedor ao usar o GitHub Copilot no workspace 
19.2.4. Práticas recomendadas e limitações no uso do GitHub Copilot no desenvolvimento de aplicativos móveis com IA

19.3. Configuração do Firebase

19.3.1. Configuração inicial de um projeto Firebase para desenvolvimento móvel 
19.3.2. Integração do Firebase em aplicativos móveis com recursos de IA 
19.3.3. Uso dos serviços do Firebase como banco de dados, autenticação e notificações em projetos de IA 
19.3.4. Estratégias para a gestão de dados e eventos em tempo real em aplicativos móveis com o Firebase

19.4. Conceitos de Clean Architecture, DataSources, Repositories

19.4.1. Princípios fundamentais de Clean Architecture no desenvolvimento móvel com IA 
19.4.2. Implementação de camadas de DataSources e Repositórios em arquiteturas limpas
19.4.3. Design e estruturação de componentes em projetos móveis com foco em arquitetura limpa 
19.4.4. Benefícios e desafios da implementação de Clean Architecture em aplicativos móveis com IA

19.5. Criação da tela de autenticação

19.5.1. Projeto e desenvolvimento de interfaces de usuário para telas de autenticação em aplicativos móveis habilitados para IA 
19.5.2. Integração de serviços de autenticação com o Firebase na tela de login
19.5.3. Uso de técnicas de segurança e proteção de dados na tela de autenticação 
19.5.4. Personalização e customização da experiência do usuário na tela de autenticação

19.6. Criação de Dashboard e Navegação

19.6.1. Projeto e desenvolvimento de Dashboards com elementos de Inteligência Artificial 
19.6.2. Implementação de sistemas de navegação eficientes em aplicativos móveis com IA 
19.6.3. Integração de funcionalidades de IA no Dashboard para melhorar a experiência do usuário

19.7. Criação de uma tela de listagem

19.7.1. Desenvolvimento de interfaces de usuário para telas de listagem em aplicativos móveis habilitados para IA 
19.7.2. Integração de algoritmos de recomendação e filtragem na tela de listagem 
19.7.3. Uso de padrões de design para apresentação eficaz de dados na listagem 
19.7.4. Estratégias para carregamento eficiente de dados em tempo real na tela com listagem

19.8. Criação da tela de detalhes

19.8.1. Projeto e desenvolvimento de interfaces de usuário detalhadas para a apresentação de informações específicas
19.8.2. Integração de funcionalidades de IA para enriquecer a tela de detalhes 
19.8.3. Implementação de interações e animações na tela de detalhes 
19.8.4. Estratégias para otimizar o desempenho de carregamento e exibição em aplicativos móveis habilitados para IA

19.9. Criação da tela de Settings

19.9.1. Desenvolvimento de interfaces de usuário para configuração e definições em aplicativos móveis com IA 
19.9.2. Integração de configurações personalizadas relacionadas a componentes de inteligência artificial 
19.9.3. Implementação de opções e preferências de personalização na tela de configuração 
19.9.4. Estratégias de usabilidade e clareza na apresentação de opções na tela de settings

19.10. Criar ícones, Splash recursos gráficos para seu aplicativo com IA    

19.10.1. Design e criação de ícones atraentes para representar o aplicativo móvel com IA 
19.10.2. Desenvolvimento de telas (splash) com recursos visuais impactantes 
19.10.3. Seleção e adaptação de recursos gráficos para melhorar a estética do aplicativo móvel 
19.10.4. Estratégias para consistência e marca visual em elementos gráficos de aplicativos de IA

Módulo 20. IA para QA Testing

20.1. Ciclo de vida de testing

20.1.1. Descrição e compreensão do ciclo de vida de  testing no desenvolvimento de software
20.1.2. Fases do ciclo de vida de testing e sua importância na garantia de qualidade 
20.1.3. Integração da inteligência artificial em diferentes estágios do ciclo de vida de  testing 
20.1.4. Estratégias para a melhoria contínua do ciclo de vida de testing por meio do uso de IA

20.2. Test Cases e detecção de bugs

20.2.1. Design e redação eficazes de casos de teste no contexto de QA Testing 
20.2.2. Identificação de bugs e erros durante a execução do caso de teste 
20.2.3. Aplicação de técnicas de detecção antecipada de bugs por meio de análise estática 
20.2.4. Uso de ferramentas de inteligência artificial para identificação automática de bugs em test cases

20.3. Tipos de testing

20.3.1. Exploração de diferentes tipos de testing no campo  de QA 
20.3.2. Testes unitários, de integração, funcionais e de aceitação: recursos e aplicativos 
20.3.3. Estratégias para a seleção e combinação apropriada de tipos de testing em projetos de IA 
20.3.4. Adaptação dos tipos de testing convencional para projetos com componentes de inteligência artificial

20.4. Criar um plano de teste

20.4.1. Projetar e estruturar um plano de teste abrangente 
20.4.2. Identificação de requisitos e cenários de teste em projetos de IA 
20.4.3. Estratégias para planejamento de testes manuais e automatizados 
20.4.4. Avaliação e ajuste contínuos do plano de teste de acordo com o desenvolvimento do projeto

20.5. Detecção e relatório de Bugs com IA

20.5.1. Implementação de técnicas de detecção automática de bugs usando algoritmos de aprendizado de máquina
20.5.2. Uso de ferramentas de inteligência artificial para análise dinâmica de código para procurar possíveis bugs
20.5.3. Estratégias para geração automática de relatórios detalhados sobre bugs detectados por IA 
20.5.4. Colaboração eficaz entre as equipes de desenvolvimento e de controle de qualidade no tratamento de bugs identificados por IA

20.6. Criação de testes automatizados com IA

20.6.1. Desenvolvimento de scripts de teste automatizados para projetos com componentes de inteligência artificial 
20.6.2. Integração de ferramentas de automação de testes baseadas em IA
20.6.3. Uso de algoritmos de machine learning para geração dinâmica de casos de teste automatizados 
20.6.4. Estratégias para execução e manutenção eficientes de testes automatizados em projetos de IA

20.7. API Testing

20.7.1. Conceitos fundamentais  de API testing e sua importância no controle de qualidade 
20.7.2. Desenvolvimento de testes para a verificação de APIs em ambientes com componentes de Inteligência Artificial 
20.7.3. Estratégias para validação de dados e resultados  em API testing com IA 
20.7.4. Uso de ferramentas específicas para testing  de API em projetos com IA

20.8. Ferramentas de IA para Web Testing

20.8.1. Exploração de ferramentas de inteligência artificial para automação de testes em ambientes Web 
20.8.2. Integração de tecnologias de reconhecimento de elementos e análise visual em web testing 
20.8.3. Estratégias para detecção automática de alterações e problemas de desempenho em aplicativos da Web usando IA 
20.8.4. Avaliação de ferramentas específicas para aumentar a eficiência em web testing com IA

20.9. Mobile Testing por meio de IA

20.9.1. Desenvolvimento de estratégias de testing para aplicativos móveis com componentes de inteligência artificial 
20.9.2. Integração de ferramentas de testing específicas para plataformas móveis baseadas em IA 
20.9.3. Uso de algoritmos de aprendizado de máquina para detectar problemas de desempenho em aplicativos móveis 
20.9.4. Estratégias para a validação de interfaces e funções específicas de aplicativos móveis usando IA

20.10. Ferramentas de controle de qualidade com IA

20.10.1. Exploração de ferramentas e plataformas de controle de qualidade que incorporam funcionalidades de inteligência artificial
20.10.2. Avaliação de ferramentas para gestão e execução eficientes de testes em projetos de IA 
20.10.3. Uso de algoritmos de machine learning para geração e otimização de casos de teste
20.10.4. Estratégias para a seleção e adoção efetiva de ferramentas de controle de qualidade habilitadas para IA 

Uma experiência de capacitação única, fundamental e decisiva para impulsionar seu crescimento profissional”