Otimize as campanhas publicitárias na melhor universidade digital do mundo, de acordo com a Forbes”

Para se diferenciar da concorrência, as empresas de marketing digital estão procurando implementar as ferramentas mais avançadas de aprendizado de máquina para melhorar seus sites. Nesse sentido, as empresas priorizam a personalização das experiências dos usuários para estabelecer relacionamentos baseados na confiança e na fidelidade. Um dos instrumentos mais eficazes nesse sentido é o Chatbots ou Assistentes Virtuais. Esses sistemas inteligentes oferecem atendimento personalizado ao cliente durante todo o dia. Dessa forma, eles contribuem para resolver as dúvidas dos consumidores globalmente e para manter uma presença online constante.

Em resposta a isso, a TECH está lançando um programa inovador que fornecerá aos especialistas as estratégias de IA mais eficazes em publicidade online. Projetado por especialistas da área, o plano de estudos se aprofundará em Análise Preditiva e Big Data. Em consonância com isso, também enfatizará o E-mail Marketing para a personalização de campanhas. Além disso, os materiais didáticos se concentrarão na aplicação do Machine Learning em pesquisas de mercado e na visualização de dados significativos. Por outro lado, a capacitação abordará técnicas específicas voltadas para a geração de Leads com IA e integração de sistemas autônomos na análise competitiva.

Além disso, o programa acadêmico é projetado com uma perspectiva teórico-prática e conta com diversos materiais didáticos complementares para fortalecer o aprendizado de forma dinâmica (incluindo resumos interativos, vídeos detalhados e estudos de caso). Os alunos poderão fazer login no Campus Virtual a qualquer hora do dia. A única exigência é que os alunos tenham um dispositivo digital capaz de acessar a Internet. Trata-se de uma formação universitária que não exige a presença em centros e não possui aulas pré-agendadas. Isso dará aos profissionais maior liberdade para autogerenciar seu tempo de acesso e conciliar suas atividades diárias com um ensino de alta qualidade.

Você poderá remover o ruído dos codificadores automáticos para melhorar as experiências digitais dos usuários"

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

• O desenvolvimento de estudos de caso apresentados por especialistas em Inteligência Artificial 
• em Marketing e Comunicação
• O conteúdo gráfico, esquemático e eminentemente prático fornece informações completas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Contém exercícios práticos em que o processo de autoavaliação é realizado para melhorar o aprendizado
• 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

Adquira as habilidades mais eficazes para incorporar recursos de Machine Learning à gestão de vendas" 

A equipe de professores deste programa inclui profissionais desta área, cuja experiência é somada a esta capacitação, além de reconhecidos especialistas de conceituadas sociedades científicas 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 otimizará a eficácia de suas estratégias de marketing ao promover um relacionamento mais próximo e personalizado com seus clientes"

Aproveite todos os benefícios da metodologia Relearning: ela permitirá que você organize seu tempo e ritmo de estudo, adaptando-se aos seus horários"

Este Mestrado se destacará tanto por sua abordagem abrangente quanto por seu programa de estudos de alta qualidade. Composto por 20 módulos, o plano de estudos se aprofundará na geração de conteúdo por meio de IA. Além disso, o programa universitário analisará a Automação e a Otimização de Processos com Aprendizado de Máquina, o que permitirá que os alunos enriqueçam sua prática profissional com as estratégias mais avançadas. Por outro lado, os conteúdos didáticos darão atenção especial às tendências futuras, com o objetivo de permitir que os alunos se beneficiem delas e superem quaisquer desafios que possam enfrentar durante suas respectivas atividades.

Essa metodologia online permite que você, por meio de estudos de caso, pratique em ambientes simulados para aprender lições valiosas" 

Módulo 1. Fundamentos da Inteligência Artificial

1.1. História da inteligência artificial 

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

1.2. Inteligência Artificial em jogos 

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

1.3. Redes de neurônios 

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

1.4. Algoritmos genéticos 

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

1.5. Tesauros, vocabulários, taxonomias 

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

1.6. Web Semântica 

1.6.1. Especificações RDF, RDFS e OWL 
1.6.2. Inferência/raciocínio 
1.6.3. Linked Data 

1.7. Sistemas especializados e DSS

1.7.1. Sistemas especializados
1.7.2. Sistemas de suporte à decisão

1.8. Chatbots e assistentes virtuais

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

1.9. Estratégia de implementação da IA

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

Módulo 2. Tipos e ciclo de vida dos dados

2.1. Estatísticas  

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

2.2. Tipos de dados estatísticos  

2.2.1. De acordo com o tipo  

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

2.2.2. De acordo com sua forma

2.2.2.1. Numérico
2.2.2.2. Texto
2.2.2.3. Lógico

2.2.3. De acordo com a fonte

2.2.3.1. Primários
2.2.3.2. Secundários

2.3. Ciclo de vida dos dados  

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

2.4. Etapas iniciais do ciclo  

2.4.1. Definição de objetivos  
2.4.2. Determinação de recursos necessários  
2.4.3. Diagrama de Gantt  
2.4.4. Estruturas dos dados  

2.5. Coleta de dados  

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

2.6. Limpeza de dados  

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

2.7. Análise de dados, interpretação e avaliação dos resultados

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

2.8. Armazém de dados (datawarehouse)

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

2.9. Disponibilidade de dados 

2.9.1. Acesso  
2.9.2. Utilidade  
2.9.3. Segurança  

2.10. Aspectos regulamentares 

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

Módulo 3. Os dados na Inteligência Artificial

3.1. Ciência de dados 

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

3.2. Dados, informações e conhecimentos 

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

3.3. De dados a informações  

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

3.4. Extração de informações através da visualização 

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

3.5. Qualidade dos dados 

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

3.6. Dataset 

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

3.7. Desequilíbrio  

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

3.8. Modelos não supervisionados  

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

3.9. Modelos supervisionados 

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

3.10. Ferramentas e práticas recomendadas 

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

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

4.1. Inferência estatística

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

4.2. Análise exploratória

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

4.3. Preparação dos dados

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

4.4. Os Valores Perdidos

4.4.1. Tratamento de valores perdidos
4.4.2. Métodos de imputação de máxima verosimilhança
4.4.3. Imputação de valores perdidos utilizando a aprendizado de máquinas

4.5. O ruído nos dados

4.5.1. Classes de ruído e seus atributos
4.5.2. Filtragem de ruídos
4.5.3. l 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 alto nível 

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

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

Módulo 7. Aprendizado de Máquina e Mineração de Dados

7.1. Introdução aos processos de descoberta de conhecimento e aos conceitos básicos de Aprendizado de Máquina 

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

7.2. Exploração e pré-processamento de dados 

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

7.3. Árvore de decisão 

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

7.4. Avaliação de classificadores 

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

7.5. Regras de classificação 

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

7.6. Redes Neurais 

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

7.7. Métodos bayesianos 

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

7.8. Modelos de regressão e de resposta contínua 

7.8.1. Regressão linear simples 
7.8.2. Regressão Linear Múltipla 
7.8.3. Regressão logística 
7.8.4. Árvores de regressão 
7.8.5. Introdução às Máquinas de Vetores de Suporte (SVM) 
7.8.6. Medidas de bondade do ajuste 

7.9. Clustering 

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

7.10. Mineração de texto e processamento de linguagem natural (PNL) 

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

Módulo 8. Redes Neurais como Base do Deep Learning

8.1. Aprendizado profundo 

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

8.2. Operações 

8.2.1. Soma 
8.2.2. Produtos 
8.2.3. Transferência 

8.3. Camadas 

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

8.4. União de Camadas e Operações 

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

8.5. Construção da primeira rede neural 

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

8.6. Treinador e Otimizador 

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

8.7. Aplicação dos princípios das redes neurais 

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

8.8. Dos neurônios biológicos para os artificiais 

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

8.9. Implementação de MLP (Perceptron multicamadas) com Keras 

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

8.10. Hiperparâmetros de Fine tuning de Redes Neurais 

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

Módulo 9. Treinamento de Redes Neurais Profundas

9.1. Problemas de Gradientes 

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

9.2. Reutilização de camadas pré-treinadas 

9.2.1. Treinamento de transferência de aprendizagem 
9.2.2. Extração de características 
9.2.3. Aprendizado profundo 

9.3. Otimizadores 

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

9.4. Programação da taxa de aprendizagem 

9.4.1. Controle de taxa de aprendizagem automática 
9.4.2. Ciclos de aprendizagem 
9.4.3. Termos de suavização 

9.5. Sobreajuste 

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

9.6. Diretrizes práticas 

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

9.7. Transfer Learning 

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

9.8. Data Augmentation 

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

9.9. Aplicação prática de Transfer Learning 

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

9.10. Regularização 

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

Módulo 10. Personalização de Modelos e Treinamento com TensorFlow

10.1. TensorFlow 

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

10.2. TensorFlow e NumPy 

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

10.3. Personalização de modelos e algoritmos de treinamento 

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

10.4. Funções e gráficos do TensorFlow 

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

10.5. Carregamento e pré-processamento de dados com TensorFlow 

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

10.6. A API tfdata 

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

10.7. O formato TFRecord 

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

10.8. Camadas de pré-processamento do Keras 

10.8.1. Utilização da API de pré-processamento do Keras 
10.8.2. Construção de pipelines de pré-processamento com Keras 
10.8.3. Uso da API de pré-processamento do Keras para treinamento de modelos 

10.9. Projeto TensorFlow Datasets 

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

10.10. Construção de uma aplicação de Deep Learning com TensorFlow 

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

Módulo 11. Deep Computer Vision com Redes Neurais Convolucionais

11.1. A Arquitetura do Visual Cortex 

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

11.2. Camadas convolucionais 

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

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

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

11.4. Arquiteturas CNN 

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

11.5. Implementação de uma CNN ResNet usando o Keras 

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

11.6. Uso de modelos pré-treinados do Keras 

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

11.7. Modelos pré-treinados para aprendizado por transferência 

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

11.8. Classificação e localização em Deep Computer Vision 

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

11.9. Detecção e rastreamento de objetos 

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

11.10. Segmentação semântica 

11.10.1. Aprendizagem profunda para segmentação semântica 
11.10.2. 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. Aplicações práticas 

12.10.1. Desenvolvimento de um aplicativo de processamento de linguagem natural com RNN e atenção 
12.10.2. Uso de RNN, mecanismos de atenção e modelos Transformers no aplicativo 
12.10.3. Avaliação da aplicação prática

Módulo 13. Autoencoders, GANs  e Modelos de Difusão

13.1. Representação de dados eficientes 

13.1.1. Redução da dimensionalidade 
13.1.2. Aprendizado profundo 
13.1.3. Representações compactas 

13.2. Realização de PCA com um codificador automático linear incompleto 

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

13.3. Codificadores automáticos empilhados 

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

13.4. Autoencoders convolucionais 

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

13.5. Eliminação de ruído de codificadores automáticos 

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

13.6. Codificadores automáticos dispersos 

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

13.7. Codificadores automáticos variacionais 

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

13.8. Geração de imagens MNIST de moda 

13.8.1. Reconhecimento de padrões 
13.8.2. Geração de imagens 
13.8.3. Treinamento de Redes Neurais Profundas 

13.9. Redes adversárias generativas e modelos de difusão 

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

13.10. Implementação dos Modelos 

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

Módulo 14. Computação bioinspirada 

14.1. Introdução à computação bioinspirada 

14.1.1. Introdução à computação bioinspirada 

14.2. Algoritmos de adaptação social 

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

14.3. Algoritmos genéticos 

14.3.1. Estrutura geral 
14.3.2. Implementações dos principais operadores 

14.4. Estratégias de exploração do espaço para algoritmos genéticos 

14.4.1. Algoritmo CHC 
14.4.2. Problemas multimodais 

14.5. Modelos de computação evolutiva (I) 

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

14.6. Modelos de computação evolutiva (II) 

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

14.7. Programação evolutiva aplicada a dificuldades de aprendizagem 

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

14.8. Problemas multiobjetivo 

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

14.9. Redes neurais (I) 

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

14.10. Redes neurais (II) 

14.10.1. Casos de uso de redes neurais na pesquisa médica 
14.10.2. Casos de uso de redes neurais em economia 
14.10.3. Casos de uso de redes neurais em visão artificial

Módulo 15. Inteligência Artificial: Estratégias e aplicações 

15.1. Serviços financeiros 

15.1.1. As implicações da Inteligência Artificial (IA) nos serviços financeiros. Oportunidades e desafios
15.1.2. Casos de uso  
15.1.3. Riscos potenciais relacionados ao uso de IA 
15.1.4. Potenciais desenvolvimentos/utilizações futuras da IA 

15.2. Implicações da Inteligência Artificial no serviço de saúde

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

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

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

15.4. Retail

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

15.5. Indústria

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

15.6. Riscos potenciais relacionados ao uso de IA na indústria   

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

15.7. Administração pública  

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

15.8. Educação  

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

15.9. Silvicultura e agricultura  

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

15.10. Recursos Humanos  

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

Módulo 16. Inteligência Artificial  em estratégias de marketing digital  

16.1. Transformação do marketing digital com IA 

16.1.1. Introdução à Transformação Digital 
16.1.2. Impacto na estratégia de conteúdo 
16.1.3. Automação do processo de marketing 
16.1.4. Desenvolvimento da experiência do cliente 

16.2. Ferramentas de IA para SEO e SEM 

16.2.1. Otimização de palavras-chave com IA 
16.2.2. Análise da concorrência 
16.2.3. Previsões de tendências de pesquisa 
16.2.4. Segmentação de audiência inteligente 

16.3. Aplicação de IA nas redes sociais 

16.3.1. Análise de sentimento 
16.3.2. Detecção de tendências sociais 
16.3.3. Automação de publicações 
16.3.4. Geração de conteúdo automatizado 

16.4. Ferramentas de IA para comunicação com o cliente 

16.4.1. Chatbots Personalizados 
16.4.2. Sistemas automatizados de resposta a e-mails 
16.4.3. Otimização de respostas em tempo real 
16.4.4. Análise do Feedback do cliente 

16.5. Personalização da experiência do usuário de ferramentas e sites habilitados para IA 

16.5.1. Recomendações personalizadas 
16.5.2. Adaptação da interface do usuário 
16.5.3. Segmentação dinâmica de audiência 
16.5.4. Testes A/B inteligentes 

16.6. Chatbots e assistentes virtuais no marketing digital 

16.6.1. Interação proativa 
16.6.2. Integração multicanal 
16.6.3. Respostas contextuais 
16.6.4. Analítica de Conversação 

16.7. Publicidade programática com IA 

16.7.1. Segmentação Avançada 
16.7.2. Otimização em tempo real 
16.7.3. Lance automático 
16.7.4. Análise de resultados 

16.8. Análise preditiva e Big Data em marketing digital 

16.8.1. Previsões de tendências de mercados 
16.8.2. Modelos de atribuição avançados 
16.8.3. Segmentação preditiva de audiência 
16.8.4. Análise de sentimento em Big Data 

16.9. IA e E-mail Marketing para personalização e automação em campanhas 

16.9.1. Segmentação dinâmica de Listas 
16.9.2. Conteúdo dinâmico em E-mails 
16.9.3. Automação do fluxo de trabalho 
16.9.4. Otimização da taxa de abertura 

16.10. Tendências futuras em IA para marketing digital 

16.10.1. IA de conversação avançada 
16.10.2. Integração de Realidade Aumentada 
16.10.3. Ênfase na ética da IA 
16.10.4. IA na criação de conteúdo

Módulo 17. Geração de conteúdo com IA

17.1. Engenharia do prompt no ChatGPT  

17.1.1. Melhoria da qualidade do conteúdo gerado 
17.1.2. Estratégias para otimizar o desempenho do modelo 
17.1.3. Criação de prompts eficazes 

17.2. Ferramentas de geração de imagens com IA 

17.2.1. Reconhecimento e geração de objetos 
17.2.2. Aplicação de estilos e filtros personalizados às imagens 
17.2.3. Métodos para melhorar a qualidade visual das imagens 

17.3. Criação de vídeo com IA 

17.3.1. Ferramentas para automatizar a edição de vídeo 
17.3.2. Síntese de voz e dublagem automática 
17.3.3. Técnicas de rastreamento e animação de objetos 

17.4. Geração de texto com IA para blogs e redes sociais 

17.4.1. Estratégias para melhorar o posicionamento de SEO no conteúdo gerado 
17.4.2. Uso de IA para prever e gerar tendências de conteúdo 
17.4.3. Criação de títulos atraentes 

17.5. Personalização do conteúdo de IA para diferentes audiências 

17.5.1. Identificação e análise de perfis de audiência 
17.5.2. Adaptação dinâmica do conteúdo de acordo com os perfis de usuário 
17.5.3. Segmentação preditiva de audiências 

17.6. Considerações éticas para o uso responsável da IA na geração de conteúdo 

17.6.1. Transparência na geração de conteúdo 
17.6.2. Prevenção de preconceito e discriminação na geração de conteúdo 
17.6.3. Controle e supervisão humana em processos generativos 

17.7. Análise de casos de sucesso na geração de conteúdo com IA 

17.7.1. Identificação das principais estratégias em casos de sucesso 
17.7.2. Adaptação a diferentes setores 
17.7.3. Importância da colaboração entre especialistas em IA e profissionais do setor 

17.8. Integração do conteúdo gerado por IA às estratégias de marketing digital 

17.8.1. Otimização de campanhas publicitárias com geração de conteúdo 
17.8.2. Personalização da experiência do usuário 
17.8.3. Automação do processo de marketing 

17.9. Tendências Futuras na Geração de Conteúdo com IA 

17.9.1. Integração avançada e contínua de texto, imagem e áudio 
17.9.2. Geração de conteúdo hiperpersonalizado 
17.9.3. Aprimoramento do desenvolvimento de IA na detecção de emoções 

17.10. Avaliação e Medição do Impacto do Conteúdo Gerado por IA 

17.10.1. Métricas apropriadas para avaliar o desempenho do conteúdo gerado 
17.10.2. Medição do Engagement da audiência 
17.10.3. Melhoria contínua do conteúdo por meio de análise

Módulo 18. Automatização e otimização dos processos de marketing com IA 

18.1. Automatização de Marketing com IA 

18.1.1. Segmentação de audiências baseada em IA 
18.1.2. Automação de Workflows ou fluxos de trabalho 
18.1.3. Otimização contínua de campanhas online 

18.2. Integração de dados e plataformas em estratégias de marketing automatizado 

18.2.1. Análise e unificação de dados multicanal 
18.2.2. Interconexão entre diferentes plataformas de marketing 
18.2.3. Atualizações de dados em tempo real 

18.3. Otimização de campanhas publicitárias com IA 

18.3.1. Análise preditiva do desempenho do anúncio 
18.3.2. Personalização automática do anúncio de acordo com o público-alvo 
18.3.3. Ajuste automático do orçamento de acordo com os resultados 

18.4. Personalização das audiências com IA 

18.4.1. Segmentação e personalização de conteúdo 
18.4.2. Recomendações personalizadas de conteúdo 
18.4.3. Identificação automática de públicos-alvo ou grupos homogêneos 

18.5. Automatização das respostas aos clientes por meio de IA  

18.5.1. Chatbots e aprendizado de máquina 
18.5.2. Geração automática de respostas 
18.5.3. Resolução automática de problemas 

18.6. IA em e-mail marketing para automação e personalização 

18.6.1. Automação de sequências de e-mails 
18.6.2. Personalização dinâmica do conteúdo de acordo com as preferências 
18.6.3. Segmentação inteligente da lista de e-mails 

18.7. Análise de sentimento de IA em mídias sociais e feedback de clientes 

18.7.1. Monitoramento automático de sentimentos nos comentários 
18.7.2. Respostas personalizadas às emoções 
18.7.3. Análise preditiva de reputação 

18.8. Otimização de preços e promoções com IA 

18.8.1. Ajuste automático de preços com base em análises preditivas 
18.8.2. Geração automática de ofertas adaptadas ao comportamento do usuário 
18.8.3. Análise de preços e da concorrência em tempo real 

18.9. Integração da IA às ferramentas de marketing existentes 

18.9.1. Integração dos recursos de IA com as plataformas de marketing existentes 
18.9.2. Otimização das funcionalidades existentes 
18.9.3. Integração com sistemas de CRM 

18.10. Tendências e o futuro da automação de IA no marketing 

18.10.1. IA para melhorar a experiência do usuário 
18.10.2. Abordagem preditiva para decisões de marketing 
18.10.3. Publicidade conversacional

Módulo 19. Análise de dados de comunicação e marketing para tomada de decisões  

19.1. Tecnologias e ferramentas específicas para análise de dados de comunicação e marketing 

19.1.1. Ferramentas para analisar conversas e tendências em redes sociais 
19.1.2. Sistemas para identificar e avaliar emoções em comunicações 
19.1.3. Uso de Big Data para analisar comunicações 

19.2. Aplicativos de IA na análise de marketing de big data 

19.2.1. Processamento automático de dados em massa 
19.2.2. Identificação de padrões de comportamento 
19.2.3. Otimização de algoritmos para análise de dados 

19.3. Ferramentas para visualização de dados e  Reporting de campanhas e comunicações com IA

19.3.1. Criação de Dashboards interativo 
19.3.2. Geração automática de Relatórios 
19.3.3. Visualização preditiva dos resultados da campanha 

19.4. Aplicação da IA na pesquisa de mercado 

19.4.1. Processamento automático de dados de pesquisa 
19.4.2. Identificação automática de segmentos de público-alvo 
19.4.3. Previsão de tendências de mercado 

19.5. Análise preditiva em marketing para tomada de decisões 

19.5.1. Modelos preditivos do comportamento do consumidor 
19.5.2. Previsão de desempenho da campanha
19.5.3. Ajuste automático da otimização estratégica 

19.6. Segmentação de mercado com IA 

19.6.1. Análise automatizada de dados demográficos 
19.6.2. Identificação das partes interessadas 
19.6.3. Personalização dinâmica de ofertas 

19.7. Otimização da estratégia de marketing com IA 

19.7.1. Uso de IA para medir a eficácia do canal 
19.7.2. Ajuste automático estratégico para maximizar os resultados 
19.7.3. Simulação de cenários estratégicos 

19.8. IA na medição do ROI de marketing 

19.8.1. Modelos de atribuição de conversão 
19.8.2. Análise de ROI usando IA 
19.8.3. Estimativa do Customer Lifetime Value ou Valor de Vida Útil do Cliente 

19.9. Casos de Sucesso em Análise de Dados com IA 

19.9.1. Demonstração por meio de estudos de caso em que a IA melhorou os resultados 
19.9.2. Otimização de custos e recursos 
19.9.3. Vantagens competitivas e inovação 

19.10. Desafios e considerações éticas na análise de dados com IA 

19.10.1. Vieses nos dados e resultados 
19.10.2. Considerações éticas no manejo e na análise de dados confidenciais 
19.10.3. Desafios e soluções para tornar os modelos de IA transparentes

Módulo 20. Vendas e geração de leads com Inteligencia Artificial

20.1. Aplicação de IA no processo de vendas 

20.1.1. Automação de tarefas de vendas 
20.1.2. Análise preditiva do ciclo de vendas 
20.1.3. Otimização das estratégias de preços 

20.2. Técnicas e ferramentas para geração de leads com IA 

20.2.1. Identificação automatizada de leads 
20.2.2. Análise do comportamento do usuário 
20.2.3. Personalização de conteúdo para recrutamento 

20.3. Scoring de Leads com IA 

20.3.1. Avaliação automatizada da qualificação de Leads  
20.3.2. Análise de leads baseada em interação 
20.3.3. Otimização do modelo de Scoring de Leads 

20.4. IA na gestão de relacionamento com clientes 

20.4.1. Acompanhamento automatizado para melhorar o relacionamento com o cliente
20.4.2. Recomendações personalizadas para os clientes 
20.4.3. Automação de comunicações personalizadas 

20.5. Implementação e histórias de sucesso de assistentes virtuais em vendas 

20.5.1. Assistentes virtuais para suporte de vendas 
20.5.2. Aprimoramento da experiência do cliente 
20.5.3. Otimização de conversões e fechamento de vendas 

20.6. Previsão das necessidades dos clientes com IA 

20.6.1. Análise do comportamento de compra 
20.6.2. Segmentação dinâmica de ofertas 
20.6.3. Sistemas de recomendação personalizados 

20.7. Personalização da Oferta de Vendas com IA 

20.7.1. Adaptação dinâmica de propostas comerciais 
20.7.2. Ofertas exclusivas baseadas no comportamento 
20.7.3. Criação de pacotes personalizados 

20.8. Análise da Concorrência com IA 

20.8.1. Monitoramento automatizado de concorrentes 
20.8.2. Análise comparativa automatizada de preços 
20.8.3. Vigilância competitiva preditiva 

20.9. Integração de IA em Ferramentas de Vendas 

20.9.1. Compatibilidades com sistemas de CRM 
20.9.2. Capacitação de ferramentas de vendas 
20.9.3. Análise preditiva em plataformas de vendas 

20.10. Inovações e previsões no campo de vendas 

20.10.1. Realidade aumentada na experiência de compra 
20.10.2. Automação avançada de vendas 
20.10.3. Inteligência emocional nas interações de vendas

Uma experiência educacional de alto nível que elevará seus horizontes profissionais. Matricule-se agora!"