Com este Master, descobrirá como a inteligência artificial está a transformar as indústrias e preparar-se-á para liderar a mudança" 

A IA está a transformar numerosos setores, da saúde à logística, do automóvel ao comércio eletrónico. A sua capacidade de automatizar tarefas repetitivas e melhorar a eficiência levou a uma procura crescente de profissionais capazes de dominar diferentes tipos de algoritmos de aprendizagem automática. Num setor tão inovador e em constante evolução, é imperativo manter-se atualizado para competir num mercado de trabalho cada vez mais orientado para a tecnologia. 

Precisamente por esta razão, a TECHdesenvolveu um Master que se apresenta como uma resposta estratégica para melhorar as perspectivas de emprego e o potencial de promoção dos estudantes. Assim, desenvolveu um plano de estudos inovador, no qual os estudantes irão aprofundar os fundamentos da IA e aprofundar os seus conhecimentos sobre a extração de textos.

Ao longo do desenvolvimento deste Master, os alunos mergulharão nos fundamentos essenciais, traçando a evolução histórica da IA e explorando as suas projeções futuras. Desta forma, irão aprofundar a integração da IA em aplicações de uso massivo para compreender como estas plataformas melhoram a experiência do utilizador e otimizam a eficiência operacional. Esta é uma certificação académica exclusiva que permitirá aos estudantes desenvolver processos de otimização inspirados na evolução biológica, encontrando e aplicando soluções eficientes para problemas complexos com um domínio profundo da IA.

E para facilitar a integração de novos conhecimentos, a TECH criou este Master completo baseado na exclusiva metodologia de Relearning. Com esta abordagem, os alunos reforçarão a compreensão através da repetição de conceitos-chave ao longo do Master, que serão apresentados em vários suportes audiovisuais para uma aquisição progressiva e eficiente dos conhecimentos. Tudo isto é apresentado num sistema inovador e flexível, completamente online, que permite aos estudantes adaptar a aprendizagem aos seus horários.

Melhore o seu perfil profissional desenvolvendo soluções avançadas baseadas em IA com o Master mais completo do panorama académico digital" 

Este Mastero emInteligência Artificial conta com o conteúdo educativo mais completo e atualizado do mercado. As suas principais caraterísticas são:

• O desenvolvimento de casos práticos apresentados por especialistas em Inteligência Artificial 
• Os conteúdos gráficos, esquemáticos e eminentemente práticos fornecem informações atualizadas e práticas sobre as disciplinas que são essenciais para a prática profissional 
• Exercícios práticos onde o processo de autoavaliação pode ser levado a cabo a fim de melhorar a aprendizagem 
• A sua ênfase especial em metodologias inovadoras
• Lições teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso ao conteúdo a partir de qualquer dispositivo fixo ou portátil com ligação à Internet

Abordará desde a evolução das redes neuronais até ao Deep Learning e adquirirá competências sólidas na implementação de soluções avançadas de inteligência artificial com o selo de qualidade da TECH" 

O corpo docente do Masterinclui profissionais do setor que trazem a sua experiência profissional, para além de especialistas reconhecidos de sociedades de referência e universidades de prestígio.

O seu conteúdo multimédia, desenvolvido com a mais recente tecnologia educativa, permitirá ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma preparação imersiva programada para praticar em situações reais.

A conceção deste Master baseia-se na Aprendizagem Baseada em Problemas, através da qual o profissional deverá tentar resolver as diferentes situações da atividade profissional que surgem ao longo do percurso académico. Para tal, contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos. 

Otimizará o potencial de armazenamento de dados na melhor universidade digital do mundo, segundo a Forbes"

Poderá aceder a conteúdos exclusivos no campus virtual 24 horas por dia, sem restrições geográficas ou de horário"

Este plano de estudos foi concebido por uma equipa de especialistas na área da Inteligência Artificial, com especial ênfase nos processos de descoberta de conhecimento e da aprendizagem automática. Graças a isso, o aluno aprofundará o desenvolvimento de algoritmos e modelos que permitem que as máquinas aprendam padrões e realizem tarefas sem terem sido explicitamente programadas para essa tarefa. Além disso, a TECH utiliza a metodologia eficaz de Relearning, na qual é pioneira. Desta forma, os profissionais integrarão conhecimentos sólidos na avaliação de modelos de forma progressiva e eficaz. 

Aprofundará a formulação de algoritmos genéticos através de 18 meses do melhor ensino digital para impulsionar o seu desenvolvimento profissional" 

Módulo 1. Fundamentos da Inteligência Artificial

1.1. História da Inteligência Artificial 

1.1.1. Quando é que começámos a falar de inteligência artificial?
1.1.2. Referências no cinema 
1.1.3. Importância da inteligência artificial 
1.1.4. Tecnologias que permitem e apoiam a 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 neuronais 

1.3.1. Fundamentos teológicos 
1.3.2. Modelo computacional 
1.3.3. Redes neuronais supervisionadas e não supervisionadas 
1.3.4. Perceptron simples 
1.3.5. Perceptron multicamadas 

1.4. Algoritmos genéticos 

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

1.7. Sistemas periciais e DSS 

1.7.1. Sistemas periciais 
1.7.2. Sistema de apoio 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 agente: Intenções, entidades e fluxo de diálogo 
1.8.3. Integração: Web, Slack, Whatsapp, Facebook 
1.8.4. Ferramentas para o desenvolvimento dos agentes: Dialog Flow, Watson Assistant

1.9. Estratégia e implantação de IA 
1.10. Futuro da inteligência artificial

1.10.1. Compreendemos como detetar as 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. Reflexão

Módulo 2. Tipos e Ciclo de Vida do Dado 

2.1. A Estatística

2.1.1. Estatística: estatística descritiva, inferências estatísticas
2.1.2. População, mostra indivíduo
2.1.3. Variáveis: Definição 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 a sua forma 

2.2.2.1. Numérico
2.2.2.2. Texto 
2.2.2.3. Lógico

2.2.3. De acordo com a sua 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 metas
2.4.2. Determinação de recursos necessários
2.4.3. Diagrama de Gantt
2.4.4. Estrutura de dados

2.5. Recolha de dados

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

2.6. Limpeza de dados

2.6.1. Fases de 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. Indicadores de relação
2.7.3. Mineração de dados

2.8. Armazém de dados (Datawarehouse)

2.8.1. Elementos incluídos
2.8.2. Design
2.8.3. Aspetos a considerar

2.9. Disponibilidade dos dados

2.9.1. Acesso
2.9.2. Utilidade
2.9.3. Segurança

2.10. Aspetos regulamentares 

2.10.1. Lei da Proteção de Dados
2.10.2. Boas práticas
2.10.3. Outros aspetos regulamentares

Módulo 3. O dado na Inteligência Artificial 

3.1. Ciência de dados 

3.1.1. A ciência de dados 
3.1.2. Ferramentas avançadas para o cientista de dados 

3.2. Dados, informação e conhecimento 

3.2.1. Dados, informação e conhecimento
3.2.2. Tipos de dados 
3.2.3. Fontes de dados 

3.3. Dos dados à informação

3.3.1. Análise de Dados 
3.3.2. Tipos de análise 
3.3.3. Extração de informação de um Dataset 

3.4. Extração de informação 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 do nosso conjunto de dados 

3.7. Desequilíbrio

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

3.8. Modelos sem supervisão

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 boas práticas 

3.10.1. Boas práticas para um cientista de dados 
3.10.2. O melhor modelo
3.10.3. Ferramentas úteis 

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

4.1. A Inferência estatística 

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

4.2. Análise exploratória 

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

4.3. Preparação de 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 aprendizagem automática 

4.5. O ruído dos dados

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

4.8. Os dados

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

4.9. Seleção de instâncias 

4.9.1. Métodos para a seleção de instâncias 
4.9.2. Seleção de protótipos 
4.9.3. Métodos avançados para a seleção de instâncias 

4.10. Pré-processamento de dados em ambientes Big Data 

Módulo 5. Algoritmo e complexidade na Inteligência Artificial 

5.1. Introdução às estratégias de design de algoritmos 

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

5.2. Eficiência e análise dos algoritmos 

5.2.1. Medidas de eficiência 
5.2.2. Medir o tamanho da entrada 
5.2.3. Medir o tempo de execução 
5.2.4. Caso pior, melhor e médio 
5.2.5. Notação assintótica 
5.2.6. Critérios de Análise matemática de 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 da bolha 
5.3.3. Ordenação por seleção 
5.3.4. Ordenação por inserção 
5.3.5. Ordenação por mistura (Merge_Sort) 
5.3.6. Ordenação rápida (Quick_sort) 

5.4. Algoritmos com árvores 

5.4.1. Conceito de árvore 
5.4.2. Árvores binárias 
5.4.3. Caminhos de árvore 
5.4.4. Representar expressões 
5.4.5. Árvores binárias ordenadas 
5.4.6. Árvores binárias equilibradas 

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. Busca em amplitude 
5.6.3. Busca 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. Câmbio de moedas 
5.7.4. Problema do viajante 
5.7.5. Problema da mochila 

5.8. Pesquisa de caminhos mínimos 

5.8.1. O problema do caminho mínimo 
5.8.2. Arcos negativos e ciclos 
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 
5.9.3. O algoritmo de Kruskal 
5.9.4. Análise de complexidade 

5.10. Backtracking 

5.10.1. O Backtracking 
5.10.2. Técnicas alternativas 

Módulo 6. Sistemas inteligentes 

6.1. Teoria dos agentes 

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

6.2. Arquiteturas de agentes 

6.2.1. O processo de argumentação 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, informação e conhecimento 
6.3.2. Avaliação qualidade dos dados 
6.3.3. Métodos de recolha de dados 
6.3.4. Métodos de aquisição de informação 
6.3.5. Métodos de aquisição de conhecimento 

6.4. Representação do conhecimento 

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

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

6.7. A web semântica 

6.7.1. O estado atual e futuro da web semântica 
6.7.2. Aplicações da web semântica 

6.8. Outros modelos de representação do conhecimento 

6.8.1. Vocabulários 
6.8.2. Visão global 
6.8.3. Taxonomias 
6.8.4. Tesauros 
6.8.5. Folksonomias 
6.8.6. Comparativa 
6.8.7. Mapas mentais 

6.9. Avaliação e integração das representações do conhecimento 

6.9.1. Lógica de ordem zero 
6.9.2. Lógica de primeira ordem 
6.9.3. Lógica descritiva 
6.9.4. Relação entre diferentes tipos de lógica 
6.9.5. Prolog: programação baseada na lógica de primeira ordem 

6.10. Raciocinadores semânticos, sistemas baseados no conhecimento e Sistemas Periciais 

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 Periciais 
6.10.5. Elementos e Arquitetura dos Sistemas Periciais 
6.10.6. Criação de Sistemas Periciais 

Módulo 7. Aprendizagem automática e mineração de dados 

7.1. Introdução aos processos de descoberta de conhecimentos e aos conceitos básicos da aprendizagem automática 

7.1.1. Conceitos-chave dos processos de descoberta do conhecimento 
7.1.2. Perspetiva histórica dos processos de descoberta do conhecimento 
7.1.3. Etapas dos processos de descoberta do conhecimento 
7.1.4. Técnicas utilizadas nos processos de descoberta do conhecimento 
7.1.5. Caraterísticas dos bons modelos de aprendizagem automática 
7.1.6. Tipos de informação de aprendizagem automática 
7.1.7. Conceitos básicos de aprendizagem 
7.1.8. Conceitos básicos de aprendizagem não supervisionado 

7.2. Exploração e pré-processamento de dados 

7.2.1. Tratamento de dados 
7.2.2. Tratamento de dados no fluxo de análise de dados 
7.2.3. Tipos de dados 
7.2.4. Transformação 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 à redução da dimensionalidade 

7.3. Árvore de decisão 

7.3.1. Algoritmo ID 
7.3.2. Algoritmo C 
7.3.3. Excesso de treino e poda 
7.3.4. Análise dos resultados 

7.4. Avaliação dos classificadores 

7.4.1. Matrizes de confusão 
7.4.2. Matrizes de avaliação numérica 
7.4.3. Estatística Kappa 
7.4.4. A curva ROC 

7.5. Regras de classificação 

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

7.6. Redes neuronais 

7.6.1. Conceitos básicos 
7.6.2. Redes neuronais simples 
7.6.3. Algoritmo de Backpropagation 
7.6.4. Introdução às redes neuronais recorrentes 

7.7. Métodos bayesianos 

7.7.1. Conceitos básicos 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 modelos 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 suporte vetorial (SVM) 
7.8.6. Medidas de adequação 

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 linguagem natural(PLN) 

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 neuronais, a base da Deep Learning 

8.1. Aprendizagem Profunda 

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

8.2. Operações 

8.2.1. Adição 
8.2.2. Produto 
8.2.3. Deslocalização 

8.3. Camadas 

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

8.4. Ligação de Camadas e Operações 

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

8.5. Construção da primeira rede neuronal 

8.5.1. Design da rede 
8.5.2. Estabelecer os pesos 
8.5.3. Treino da rede 

8.6. Treinador e Otimizador 

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

8.7. Aplicação dos Princípios das Redes Neuronais 

8.7.1. Funções de ativação 
8.7.2. Propagação para trás 
8.7.3. Ajuste dos parâmetros 

8.8. Dos neurónios biológicos aos neurónios artificiais 

8.8.1. Funcionamento de um neurónio biológico 
8.8.2. Transferência de conhecimentos para os neurónios artificiais 
8.8.3. Estabelecer de relações entre os dois 

8.9. Implementação do MLP (Perceptron Multicamadas) com o Keras 

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

8.10. Hiperparâmetros de Fine tuning de Redes Neuronais 

8.10.1. Seleção da função de ativação 
8.10.2. Estabelecer a Learning rate 
8.10.3. Ajuste dos pesos 

Módulo 9. Treino de redes neuronais 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. Treino de transferência de aprendizagem 
9.2.2. Extração de caraterísticas 
9.2.3. Aprendizagem profunda 

9.3. Otimizadores 

9.3.1. Otimizadores estocásticos de gradiente descendente 
9.3.2. Otimizadores Adam e RMSprop 
9.3.3. Otimizadores de momento 

9.4. Programação da taxa de aprendizagem 

9.4.1. Controlo de taxa sobre 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. Orientações práticas 

9.6.1. Design do modelo 
9.6.2. Seleção de métricas e parâmetros de avaliação 
9.6.3. Teste de hipóteses 

9.7. Transfer Learning 

9.7.1. Treino de transferência de aprendizagem 
9.7.2. Extração de caraterísticas 
9.7.3. Aprendizagem profunda 

9.8. Data Augmentation 

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

9.9. Aplicação Prática de Transfer Learning 

9.9.1. Treino de transferência de aprendizagem 
9.9.2. Extração de caraterísticas 
9.9.3. Aprendizagem profunda 

9.10. Regularização 

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

Módulo 10. Personalização de Modelos e treino com TensorFlow 

10.1. TensorFlow 

10.1.1. Uso da biblioteca TensorFlow 
10.1.2. Treino de modelos com o TensorFlow 
10.1.3. Operações de gráfico no TensorFlow 

10.2. TensorFlow e NumPy 

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

10.3. Personalização de modelos e algoritmos de treino 

10.3.1. Construir modelos personalizados com o TensorFlow 
10.3.2. Gestão dos parâmetros de treino 
10.3.3. Utilização de técnicas de otimização para o treino 

10.4. Funções e gráficos do TensorFlow 

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

10.5. Carregamento e pré-processamento de dados com o TensorFlow 

10.5.1. Carga de conjuntos de dados com o TensorFlow 
10.5.2. Pré-processamento de dados com o TensorFlow 
10.5.3. Utilizar de ferramentas do TensorFlow para a manipulação de dados 

10.6. A API tfdata 

10.6.1. Utilização da API tfdata para o processamento de dados 
10.6.2. Construção de fluxo de dados com tfdata 
10.6.3. Utilização da API tfdata para o treino de modelos 

10.7. O formato TFRecord 

10.7.1. Utilização da API TFRecord para a serialização de dados 
10.7.2. Carregamento de arquivos TFRecord com TensorFlow 
10.7.3. Utilização de arquivos TFRecord para o treino 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 pipelined de pré-processamento com o Keras 
10.8.3. Utilização da API de pré-processamento do Keras para o treino de modelos 

10.9. O projeto TensorFlow Datasets 

10.9.1. Utilização de TensorFlow Datasets para o carregamento de dados 
10.9.2. Pré-processamento de dados com o TensorFlow Datasets 
10.9.3. Utilização TensorFlow Datasets para o treino 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. Treino de um modelo com o TensorFlow 
10.10.4. Utilizar a aplicação para previsão de resultados 

Módulo 11. Deep Computer Vision com Redes Neuronais Convolucionais 

11.1. A Arquitetura Visual Cortex 

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

11.2. Camadas convolucionais 

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

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

11.3.1. Pooling e Striding 
11.3.2. Flattening 
11.3.3. Tipos de Pooling 

11.4. Arquitetura CNN 

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

11.5. Implementação de uma CNN ResNet- usando Keras 

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

11.6. Utilização de modelos pré-treinados do Keras 

11.6.1. Caraterísticas 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 a aprendizagem por transferência 

11.7.1. A 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. Detenção de objetos 

11.9. Deteção e seguimento de objetos 

11.9.1. Métodos de deteção de objetos 
11.9.2. Algoritmos de seguimento de objetos 
11.9.3. Técnicas de seguimento e localização 

11.10. Segmentação semântica 

11.10.1. Aprendizagem profunda para a segmentação semântica 
11.10.2. Deteção de bordas 
11.10.3. Métodos de segmentação baseado sem regras 

Módulo 12. Processamento de linguagem natural (PLN) com Redes Neurais Recorrentes (RNN) e Atenção 

12.1. Criação de texto utilizando RNN 

12.1.1. Treino de uma RNN para criação de texto 
12.1.2. Criação de linguagem natural com RNN 
12.1.3. Aplicações de criação de texto com RNN 

12.2. Criação de conjuntos de dados de treino 

12.2.1. Preparação dos dados para o treino de uma RNN 
12.2.2. Armazenamento do conjunto de dados de treino 
12.2.3. Limpeza e transformação dos dados 
12.2.4. Análise de Sentimento 

12.3. Classificação da opiniões com RNN 

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

12.4. Rede codificadora-descodificadora para tradução automática neural 

12.4.1. Treino de uma RNN para a  tradução automática 
12.4.2. Utilização de uma rede encoder-decoder para a tradução automática 
12.4.3. Melhoria da precisão da tradução automática com RNNs 

12.5. Mecanismos de atenção 

12.5.1. Implantação de mecanismos de atenção em RNN 
12.5.2. Utilização de mecanismos de atenção para melhorar a precisão dos modelos 
12.5.3. Vantagens dos mecanismos de atenção nas redes neuronais 

12.6. Modelos Transformers 

12.6.1. Uso de modelos Transformers no processamento de linguagem natural 
12.6.2. Aplicação de modelos Transformers na visão 
12.6.3. Vantagens dos modelos Transformers 

12.7. Transformers para a visão 

12.7.1. Utilização de modelos Transformers para a visão 
12.7.2. Pré-processamento de dados de imagem 
12.7.3. Treino de modelos Transformers para visão 

12.8. Biblioteca de Transformers de Hugging Face 

12.8.1. Utilização da biblioteca Transformers de Hugging Face 
12.8.2. Aplicação da biblioteca de Transformers de Hugging Face 
12.8.3. Vantagens da biblioteca Transformers de Hugging Face 

12.9. Outras Bibliotecas de Transformers. Comparativa 

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

12.10. Desenvolvimento de uma aplicação de PNL com RNN e Atenção. Aplicação Prática 

12.10.1. Desenvolvimento de uma aplicação de processamento de linguagem natural com RNN e atenção 
12.10.2. Utilização de RNN, mecanismos de atenção e modelos Transformers na aplicação 
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. Aprendizagem profunda 
13.1.3. Representações compactas 

13.2. Realização da PCA com um codificador automático linear incompleto 

13.2.1. Processo de treino 
13.2.2. Implantação em Python 
13.2.3. Utilização de dados de teste 

13.3. Codificadores automáticos empilhados 

13.3.1. Redes neuronais profundas 
13.3.2. Construção de arquiteturas de codificação 
13.3.3. Utilização da regularização 

13.4. Autoencodificadores convolucionais 

13.4.1. Design do modelo convolucionais 
13.4.2. Treino do modelo convolucionais 
13.4.3. Avaliação dos resultados 

13.5. Redução do ruído dos codificadores automáticos 

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

13.6. Codificadores automáticos dispersos 

13.6.1. Aumento da eficiência da codificação 
13.6.2. Minimizar o número de parâmetros 
13.6.3. Utilização de técnicas de regularização 

13.7. Codificadores automáticos variacionais 

13.7.1. Utilização da 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. Criação de imagens 
13.8.3. Treino de redes neuronais profundas 

13.9. Redes generativas antagónicas e modelos de difusão 

13.9.1. Criação de conteúdos a partir de imagens 
13.9.2. Modelação de distribuições de dados 
13.9.3. Utilização de redes contraditórias 

13.10. Implantação dos Modelos 

13.10.1. Aplicação Prática 
13.10.2. Implantação dos modelos 
13.10.3. Utilização de dados reais 
13.10.4. Avaliação dos resultados 

Módulo 14. Computação bioinspirada

14.1. Introdução à computação bioinspirada 

14.1.1. Introdução à computação bioinspirada 

14.2. Algoritmos de inspiração social 

14.2.1. Computação bioinspirada baseada em colónias de formigas 
14.2.2. Variantes dos algoritmos de colónias 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 

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

14.6. Modelos de computação evolutiva (II) 

14.6.1. Modelos de evolução baseados na estimativa das distribuições (EDA) 
14.6.2. Programação genética 

14.7. Programação evolutiva aplicada a problemas de aprendizagem 

14.7.1. A aprendizagem baseada em regras 
14.7.2. Métodos evolutivos em problemas de seleção de exemplos 

14.8. Problemas multiobjetivo 

14.8.1. Conceito de dominância 
14.8.2. Aplicação de algoritmos evolutivos a problemas multiobjetivos 

14.9. Redes neuronais (I) 

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

14.10. Redes neuronais (II) 

14.10.1. Casos de utilização de redes neuronais na investigação médica 
14.10.2. Casos de utilização de redes neuronais na economia 
14.10.3. Casos de utilização de redes neuronais na 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 utilização
15.1.3. Potenciais riscos relacionados com a utilização 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 utilização 

15.3. Riscos relacionados com a utilização de IA no serviço de saúde 

15.3.1. Potenciais riscos relacionados com a utilização de IA 
15.3.2. Potenciais desenvolvimentos / utilizações futuras da IA

15.4. Retail

15.4.1. Implicações da IA no Retail Oportunidades e desafios
15.4.2. Casos de utilização
15.4.3. Potenciais riscos relacionados com a utilização de IA
15.4.4. Potenciais desenvolvimentos / utilizações futuras da IA 

15.5. Indústria 

15.5.1. Implicações da IA na Indústria. Oportunidades e desafios 
15.5.2. Casos de utilização 

15.6. Potenciais riscos relacionados com a utilização de IA na Indústria 

15.6.1. Casos de utilização 
15.6.2. Potenciais riscos relacionados com a utilização de IA 
15.6.3. Potenciais desenvolvimentos / utilizações futuras da IA

15.7. Administração pública

15.7.1. Implicações da IA na Administração pública. Oportunidades e desafios 
15.7.2. Casos de utilização
15.7.3. Potenciais riscos relacionados com a utilização de IA
15.7.4. Potenciais desenvolvimentos / utilizações futuras da IA

15.8. Educação

15.8.1. Implicações da IA na educação. Oportunidades e desafios 
15.8.2. Casos de utilização
15.8.3. Potenciais riscos relacionados com a utilização de IA
15.8.4. Potenciais desenvolvimentos / utilizações futuras da IA 

15.9. Silvicultura e agricultura

15.9.1. Implicações da IA na silvicultura e na agricultura. Oportunidades e desafios
15.9.2. Casos de utilização 
15.9.3. Potenciais riscos relacionados com a utilização de IA 
15.9.4. Potenciais desenvolvimentos / utilizações futuras da IA

15.10. Recursos Humanos

15.10.1. Implicações da IA nos Recursos Humanos. Oportunidades e desafios 
15.10.2. Casos de utilização
15.10.3. Potenciais riscos relacionados com a utilização de IA
15.10.4. Potenciais desenvolvimentos / utilizações futuras da IA 

Posicione-se no mercado de trabalho com um Mestrado Próprio 100% online que se adapta às suas necessidades e permite uma aprendizagem imersiva e sólida"