Este Master 100% online permitir-lhe-á otimizar os processos de conceção e construção utilizando ferramentas como a modelação generativa, a simulação preditiva e a eficiência energética baseada na IA”

A Inteligência Artificial (IA) está a transformar rapidamente a arquitetura, oferecendo novas ferramentas para conceber, planear e construir edifícios de forma mais eficiente e sustentável. A utilização da IA na arquitetura expandiu-se, permitindo aos arquitectos otimizar os projetos através de simulações avançadas que consideram variáveis como a luz natural, a ventilação e o consumo de energia.

Assim nasceu este Master, concebido para formar arquitectos na utilização de tecnologias avançadas para revolucionar o processo de conceção e construção. Neste sentido, analisará a forma como a Inteligência Artificial pode otimizar e transformar a prática tradicional da arquitetura. Através da utilização de ferramentas, como o AutoCAD e o Fusion 360, bem como de uma introdução à modelação generativa e ao design paramétrico, os profissionais poderão integrar estas inovações nos seus projectos.

A utilização da IA para a otimização do espaço e a eficiência energética, elementos-chave na arquitetura contemporânea, será também explorada em profundidade. Utilizando ferramentas como o Autodesk Revit e o Google DeepMind, é possível conceber ambientes mais sustentáveis através da análise de dados e de simulações energéticas avançadas. Esta abordagem será também complementada pela introdução de um planeamento urbano inteligente, que responda às exigências de uma conceção sustentável em ambientes urbanos cada vez mais complexos.

Por último, os especialistas abordarão tecnologias de ponta como o Grasshopper, MATLAB e ferramentas de digitalização a laser para desenvolver projectos inovadores e sustentáveis. Além disso, através da simulação e da modelação preditiva, poderão antecipar e resolver problemas estruturais e ambientais antes que estes ocorram.

Desta forma, a TECH  criou um programa universitário pormenorizado e totalmente online, que facilita o acesso dos alunos aos materiais didácticos através de qualquer dispositivo eletrónico com ligação à Internet. Isto elimina a necessidade de se deslocar a um local físico e de se adaptar a um horário específico. Além disso, integra a revolucionária metodologia Relearning, que se baseia na repetição de conceitos essenciais para melhorar a compreensão dos conteúdos.

Irá posicionar-se na vanguarda da indústria, liderando projetos inovadores e sustentáveis integrando as tecnologias mais recentes, o que aumentará a sua competitividade e oportunidades no mercado de trabalho global”.

Este Master em Inteligência Artificial na Arquitetura conta com o conteúdo educativo mais completo e atualizado do mercado. As suas principais características são:

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

Explorará a importância da preservação do património cultural, utilizando a Inteligência Artificial para conservar e revitalizar estruturas históricas, graças a uma extensa biblioteca de recursos multimédia”

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

Os seus conteúdos multimédia, desenvolvidos com a mais recente tecnologia educativa, permitirão ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma formação imersiva programada para treinar em situações reais.

O design deste programa foca-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 curso. Para tal, contará com o apoio de um inovador sistema de vídeo interativo desenvolvido por especialistas conceituados.

Irá dominar plataformas como o Autodesk Revit, SketchUp e Google DeepMind, desenvolvendo competências para projetar ambientes mais sustentáveis e eficientes,nas mãos da melhor universidade digital do mundo, segundo a Forbes"

Trabalhará com ferramentas como o Grasshopper e o Autodesk Fusion 360 para criar projetos adaptáveis e sustentáveis, explorando a integração da robótica na construção e a personalização no fabrico digital"

O conteúdo do Master abrangerá uma vasta quantidade de temas destinados a integrar a tecnologia avançada no processo arquitetónico. Os arquitectos serão imersos na utilização da Inteligência Artificial para melhorar o design arquitetónico, explorando ferramentas como o AutoCAD, o Fusion 360 e o Grasshopper para modelação generativa e design paramétrico. Além disso, o programa centrar-se-á na otimização da eficiência energética e no planeamento do espaço através da análise de dados e de simulações, utilizando software como o Autodesk Revit e o Google DeepMind.

Irá criar modelos arquitectónicos inovadores e criativos e criativos utilizando ferramentas de simulação avançadas como o MATLAB”

Módulo 1. Fundamentos da Inteligência Artificial

1.1. História da Inteligência Artificial

1.1.1. Quando se começa a falar de inteligência artificial?
1.1.2. Referências no cinema
1.1.3. Importância da inteligência artificial
1.1.4. Tecnologias que viabilizam 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. Tesaurus
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 assistente: Intenções, entidades e fluxo de diálogo
1.8.3. Integração: Web, Slack, Whatsapp, Facebook
1.8.4. Ferramentas para o desenvolvimento dos assistentes: Dialog Flow, Watson Assistant

1.9. Estratégia de implementação 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

2.2.1. Estatística: estatística descritiva, inferências estatísticas
2.2.2. População, amostra indivíduo
2.2.3. 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. Extração 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 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 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 desenho do 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 (Quicksort)

5.4. Algoritmos com árvores

5.4.1. Conceito de árvore
5.4.2. Árvores binários
5.4.3. Caminhos de árvore
5.4.4. Representar expressões
5.4.5. Árvores binários 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. Caminho de largura
5.6.3. Caminho de 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 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. Comparativo

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 dados
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. 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 a criação de ontologias

6.6.1. Trigémeos 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 representação do conhecimento

6.8.1. Vocabulários
6.8.2. Visão global
6.8.3. Taxonomias
6.8.4. Tesaurus
6.8.5. Folksonomias
6.8.6. Comparativo
6.8.7. Mapas mentais

6.9. Avaliação e integração das representações do conhecimento

6.10.1. Lógica de ordem zero
6.10.2. Lógica de primeira ordem
6.10.3. Lógica descritiva
6.10.4. Relação entre diferentes tipos de lógica
6.10.5. 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. Características dos bons modelos de aprendizagem automática
7.1.6. Tipos de informação sobre 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 neurais

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. As 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. Transferência

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 características
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 características
9.7.3. Aprendizagem profunda

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. Treino de transferência de aprendizagem
9.9.2. Extração de características
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. Carga de conjuntos 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 tf.data para o processamento de dados
10.6.2. Construção de fluxo de dados com API tf.data
10.6.3. Utilização da API tf.data 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. Carregar 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. Localização de objectos em imagens 
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. Usando conjuntos de dados do TensorFlow para carregamento de dados
10.9.2. Pré-processamento de dados com conjuntos de dados TensorFlow
10.9.3. Utilização de 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. Treinar um modelo com 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 implementação de camadas de agrupamento

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. 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 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. Geração de texto utilizando RNN

12.1.1. Treino 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 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 a 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. Implementação 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 para a visão
12.6.3. Vantagens dos modelos Transformers

12.7. Transformers para a visão

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

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 PLN 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. Implementação 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. Geração de imagens
13.8.3. Treino de redes neuronais profundas

13.9. Redes generativas antagónicas e modelos de difusão

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

13.10. Implementação dos Modelos

13.10.1. Aplicação Prática
13.10.2. Implementação 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 sector da saúde 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. Indústrias

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 Indústria 4.0 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

Módulo 16. Desenho assistido por IA na prática da arquitetura

16.1. Aplicações avançadas de AutoCAD com IA

16.1.1. Integração do AutoCAD com ferramentas de IA para desenho avançado
16.1.2. Automatizar tarefas repetitivas no projeto de arquitetura com IA
16.1.3. Estudos de casos em que o AutoCAD assistido por IA optimizou projectos de arquitetura

16.2. Modelação generativa avançada com o Fusion 360

16.2.1. Técnicas avançadas de modelação generativa aplicadas a projectos complexos
16.2.2. Utilização do Fusion 360 para a criação de projectos de arquitetura inovadores
16.2.3. Exemplos de aplicação da modelação generativa na arquitetura sustentável e adaptativa

16.3. Otimizar desenhos com IA no Optimus

16.3.1. Estratégias de otimização para o projeto de arquitetura utilizando algoritmos de IA no Optimus
16.3.2. Análise de sensibilidade e exploração de soluções óptimas em projectos reais
16.3.3. Análise das histórias de sucesso da indústria que utilizam o Optimus para otimização baseada em IA

16.4. Conceção paramétrica e fabrico digital com o Geomagic Wrap

16.4.1. Avanços no design paramétrico com integração de IA utilizando o Geomagic Wrap
16.4.2. Aplicações práticas do fabrico digital na arquitetura
16.4.3. Projectos de arquitetura de vanguarda que utilizam a conceção paramétrica assistida por IA para inovações estruturais

16.5. Conceção adaptativa e sensível ao contexto com sensores de IA

16.5.1. Implementar a conceção adaptativa utilizando IA e dados em tempo real
16.5.2. Exemplos de arquitetura efémera e ambientes urbanos concebidos com IA
16.5.3. Análise da forma como o design adaptativo influencia a sustentabilidade e a eficiência dos projectos de arquitetura

16.6. Simulação e análise preditiva no CATIA para arquitectos

16.6.1. Utilização avançada do CATIA para simulação arquitetónica
16.6.2. Modelação do comportamento estrutural e otimização do desempenho energético com recurso à IA
16.6.3. Implementar a análise preditiva em projectos de arquitetura importantes

16.7. Personalização e UX no design com o IBM Watson Studio

16.7.1. Ferramentas de IA do IBM Watson Studio para personalização da arquitetura
16.7.2. Conceção centrada no utilizador utilizando a análise da IA
16.7.3. Estudos de casos de utilização da IA para a personalização de espaços e produtos arquitectónicos

16.8. Colaboração alimentada por IA e conceção colectiva

16.8.1. Plataformas colaborativas alimentadas por IA para projectos de design
16.8.2. Metodologias de IA que promovem a criatividade e a inovação colectiva
16.8.3. Histórias de sucesso e desafios na conceção colaborativa assistida por IA

16.9. Ética e responsabilidade na conceção assistida por IA

16.9.1. Debates éticos sobre a utilização da IA na conceção arquitetónica
16.9.2. Estudo sobre preconceitos e equidade em algoritmos de IA aplicados à conceção
16.9.3. Regulamentos e normas actuais para uma conceção responsável da IA

16.10. Desafios e futuro da conceção assistida por IA

16.10.1. Tendências emergentes e tecnologias de ponta em IA para arquitetura
16.10.2. Analisar o impacto futuro da IA na profissão de arquiteto
16.10.3. Previsão de inovações e desenvolvimentos futuros na conceção assistida por IA

Módulo 17. Otimização do espaço e eficiência energética com IA

17.1. Otimização espacial com o Autodesk Revit e IA

17.1.1. Utilização do Autodesk Revit e da IA para otimização espacial e eficiência energética
17.1.2. Técnicas avançadas para melhorar a eficiência energética na conceção arquitetónica
17.1.3. Estudos de caso de projectos bem sucedidos que combinam o Autodesk Revit com IA

17.2. Análise de dados e métricas de eficiência energética com SketchUp e Trimble

17.2.1. Aplicação das ferramentas SketchUp e Trimble para uma análise energética pormenorizada
17.2.2. Desenvolvimento de métricas de desempenho energético utilizando a IA
17.2.3. Estratégias para a definição de objectivos de eficiência energéticaem projectos de arquitetura

17.3. Conceção bioclimática e orientação solar optimizada por IA

17.3.1. Estratégias de conceção bioclimática assistida por IA para maximizar a eficiência energética
17.3.2. Exemplos de edifícios que utilizam a conceção baseada na IA para otimizar o conforto térmico
17.3.3. Aplicações práticas da IA na orientação solar e na conceção passiva

17.4. Tecnologias e materiais sustentáveis assistidos por IA com o Cityzenit

17.4.1. Inovação em materiais sustentáveis apoiada por análise de IA
17.4.2. Utilização da IA para o desenvolvimento e aplicação de materiais reciclados e de baixo impacto ambiental
17.4.3. Estudo de projectos que utilizam sistemas de energias renováveis integrados com IA

17.5. Planeamento urbano e eficiência energética com o WattPredictor e a IA

17.5.1. Estratégias de IA para a eficiência energética na conceção urbana
17.5.2. Implementação do WattPredictor para otimizar a utilização de energia em espaços públicos
17.5.3. Histórias de sucesso de cidades que utilizam a IA para melhorar a sustentabilidade urbana

17.6. Gestão inteligente da energia com o Google DeepMind's Energy

17.6.1. Aplicações das tecnologias DeepMind para a gestão da energia
17.6.2. Implementação da IA para otimizar o consumo de energia em grandes edifícios
17.6.3. Avaliação de casos em que a IA transformou a gestão da energia em comunidades e edifícios

17.7. Certificações e normas de eficiência energética assistidas por IA

17.7.1. Utilização da IA para garantir a conformidade com as normas de eficiência energética (LEED, BREEAM)
17.7.2. Ferramentas de IA para auditoria energética e certificação de projectos
17.7.3. Impacto da regulamentação na arquitetura sustentável apoiada pela IA

17.8. Avaliação do ciclo de vida e da pegada ambiental com a Enernoc

17.8.1. Integração da IA na análise do ciclo de vida dos materiais de construção
17.8.2. Utilização da Enernoc para avaliação da pegada de carbono e da sustentabilidade
17.8.3. Projectos modelo utilizando a IA para avaliações ambientais avançadas

17.9. Educação e sensibilização para a eficiência energética com Verdigris

17.9.1. O papel da IA na educação e sensibilização para a eficiência energética
17.9.2. Utilização do Verdigris para ensinar práticas sustentáveis a arquitectos e designers
17.9.3. Iniciativas e programas educativos que utilizam a IA para promover a mudança cultural no sentido da sustentabilidade

17.10. O futuro da otimização dos espaços e da eficiência energética com ENBALA

17.10.1. Explorar os desafios futuros e a evolução das tecnologias de eficiência energética
17.10.2. Tendências emergentes em IA para otimização espacial e energética
17.10.3. Perspectivas sobre a forma como a IA continuará a transformar a arquitetura e o design urbano

Módulo 18. Conceção paramétrica e fabrico digital

18.1. Avanços na conceção paramétrica e fabrico digital com o Grasshopper

18.1.1. Utilizar o Grasshopper para criar desenhos paramétricos complexos
18.1.2. Integrar a IA no Grasshopper para automatizar e otimizar o design
18.1.3. Projectos emblemáticos que utilizam a conceção paramétrica para soluções inovadoras

18.2. Otimização algorítmica no design com design generativo

18.2.1. Aplicação de design generativo para otimização algorítmica em arquitetura
18.2.2. Utilizar a IA para gerar soluções de conceção eficientes e inovadoras
18.2.3. Exemplos de como o design generativo melhorou a funcionalidade e a estética dos projectos de arquitetura

18.3. Fabrico digital e robótica na construção com a KUKA PRC

18.3.1. Implementação de tecnologias de robótica como a KUKA PRC no fabrico digital
18.3.2. Vantagens do fabrico digital em termos de precisão, velocidade e redução de custos
18.3.3. Estudos de casos de fabrico digital que destacam a integração bem sucedida da robótica na arquitetura

18.4. Conceção e fabrico adaptáveis com o Autodesk Fusion 360

18.4.1. Utilização do Fusion 360 para conceber sistemas arquitectónicos adaptáveis
18.4.2. Implementação de IA no Fusion 360 para personalização em massa
18.4.3. Projectos inovadores que demonstrem o potencial de adaptabilidade e personalização

18.5. Sustentabilidade na conceção paramétrica com a otimização da topologia

18.5.1. Aplicação de técnicas de otimização topológica para melhorar a sustentabilidade
18.5.2. Integração da IA para otimizar a utilização de materiais e a eficiência energética
18.5.3. Exemplos de como a otimização topológica melhorou a sustentabilidade dos projectos de arquitetura

18.6. Interatividade e adaptabilidade espacial com o Autodesk Fusion 360

18.6.1. Integração de sensores e dados em tempo real para criar ambientes arquitectónicos interactivos
18.6.2. Utilizar o Autodesk Fusion 360 para adaptar o projeto em resposta a alterações ambientais ou de utilização
18.6.3. Exemplos de projectos de arquitetura que utilizam a interatividade espacial para melhorar a experiência do utilizador

18.7. Eficiência na conceção paramétrica

18.7.1. Aplicação da conceção paramétrica para otimizar a sustentabilidade e a eficiência energética dos edifícios
18.7.2. Utilização de simulações e da análise do ciclo de vida integrada na IA para melhorar a tomada de decisões ecológicas
18.7.3. Casos de projectos sustentáveis em que a conceção paramétrica foi crucial

18.8. Personalização em massa e fabrico digital com Magic (Materialise)

18.8.1. Explorar o potencial de personalização em massa através da conceção paramétrica e do fabrico digital
18.8.2. Aplicação de ferramentas como o Magic para personalizar o design na arquitetura e no design de interiores
18.8.3. Projectos de destaque que mostram a fabricação digital na personalização de espaços e mobiliário

18.9. Colaboração e conceção colectiva utilizando o Ansys Granta

18.9.1. Utilização do Ansys Granta para facilitar a colaboração e a tomada de decisões em projectos distribuídos
18.9.2. Metodologias para melhorar a inovação e a eficiência em projectos de conceção em colaboração
18.9.3. Exemplos de como a colaboração reforçada pela IA pode conduzir a resultados inovadores e sustentáveis

18.10. Desafios e futuro do fabrico digital e da conceção paramétrica

18.10.1. Identificar os desafios emergentes no domínio da conceção paramétrica e do fabrico digital
18.10.2. Tendências futuras e o papel da IA na evolução destas tecnologias
18.10.3. Debate sobre a forma como a inovação contínua afectará a prática e a conceção da arquitetura no futuro

Módulo 19. Simulação e modelação preditiva com IA

19.1. Técnicas avançadas de simulação com MATLAB em arquitetura

19.1.1. Utilização do MATLAB para simulações avançadas de arquitetura
19.1.2. Integração da modelação preditiva e da análise de grandes volumes de dados
19.1.3. Estudos de casos em que o MATLAB tem sido fundamental na simulação arquitetónica

19.2. Análise estrutural avançada com ANSYS

19.2.1. Implementação do ANSYS para simulações estruturais avançadas em projectos de arquitetura
19.2.2. Integração de modelos preditivos para avaliar a segurança e a durabilidade das estruturas
19.2.3. Projectos que destacam a utilização de simulações estruturais na arquitetura de alto desempenho

19.3. Modelação da utilização do espaço e da dinâmica humana com AnyLogic

19.3.1. Utilização do AnyLogic para modelar a dinâmica da utilização do espaço e da mobilidade humana
19.3.2. Aplicação da IA para prever e melhorar a eficiência da utilização do espaço em ambientes urbanos e arquitectónicos
19.3.3. Estudos de casos que mostram como a simulação influencia o planeamento urbano e arquitetónico

19.4. Modelação preditiva com TensorFlow no planeamento urbano

19.4.1. Implementação do TensorFlow para modelar a dinâmica urbana e o comportamento estrutural
19.4.2. Utilizar a IA para prever resultados futuros na conceção de cidades
19.4.3. Exemplos de como a modelação preditiva influencia o planeamento e a conceção urbanos

19.5. Modelação preditiva e conceção generativa com GenerativeComponents

19.5.1. Utilizar GenerativeComponents para fundir a modelação preditiva e a conceção generativa
19.5.2. Aplicação de algoritmos de aprendizagem automática para criar projectos inovadores e eficientes
19.5.3. Exemplos de projectos de arquitetura que optimizaram a sua conceção graças à utilização destas tecnologias avançadas

19.6. Simulação do impacto ambiental e da sustentabilidade com o COMSOL

19.6.1. Aplicação do COMSOL para simulações ambientais em projectos de grande escala
19.6.2. Utilizar a IA para analisar e melhorar o impacto ambiental dos edifícios
19.6.3. Projectos que mostram como a simulação contribui para a sustentabilidade

19.7. Simulação do comportamento ambiental com COMSOL

19.7.1. Aplicação do COMSOL Multiphysics para simulações de desempenho ambiental e térmico
19.7.2. Utilização da IA para otimizar a conceção com base em simulações de iluminação natural e acústica
19.7.3. Exemplos de implementações bem sucedidas que melhoraram a sustentabilidade e o conforto

19.8. Inovação em simulação e modelação preditiva

19.8.1. Explorar as tecnologias emergentes e o seu impacto na simulação e modelação
19.8.2. Debate sobre a forma como a IA está a mudar as capacidades de simulação na arquitetura
19.8.3. Avaliação das futuras ferramentas e das suas possíveis aplicações na conceção arquitetónica

19.9. Simulação de processos de construção com o CityEngine

19.9.1. Aplicação CityEngine para simular sequências de construção e otimizar o fluxo de trabalho no local
19.9.2. Integração da IA para modelar a logística da construção e coordenar as actividades em tempo real
19.9.3. Estudos de casos que demonstram a melhoria da eficiência e da segurança na construção através de simulações avançadas

19.10. Desafios e futuro da simulação e da modelação preditiva

19.10.1. Avaliação dos desafios actuais em matéria de simulação e modelação preditiva em Arquitetura
19.10.2. Tendências emergentes e o futuro destas tecnologias na prática da arquitetura
19.10.3. Debate sobre o impacto da inovação contínua na simulação e na modelação preditiva na arquitetura e na construção

Módulo 20. Preservação e restauro do património com IA

20.1. Tecnologias de IA no restauro do património com fotogrametria

20.1.1. Utilização da fotogrametria e da IA para uma documentação e restauro precisos do património
20.1.2. Aplicações práticas no restauro de edifícios históricos
20.1.3. Projectos excepcionais que combinam técnicas avançadas e respeito pela autenticidade

20.2. Análise preditiva para conservação com varredura a laser

20.2.1. Implementação da digitalização a laser e da análise preditiva na conservação do património
20.2.2. Utilizar a IA para detetar e prevenir a deterioração de estruturas históricas
20.2.3. Exemplos de como estas tecnologias melhoraram a precisão e a eficiência na conservação

20.3. Gestão do património cultural com reconstrução virtual

20.3.1. Aplicação de técnicas de reconstrução virtual assistida por IA
20.3.2. Estratégias de gestão e preservação do património digital
20.3.3. Histórias de sucesso na utilização da reconstrução virtual para a educação e a preservação

20.4. Manutenção preventiva e manutenção assistida por IA

20.4.1. Utilização de tecnologias de IA para desenvolver estratégias de conservação preventiva e manutenção de edifícios históricos
20.4.2. Implementação de sistemas de monitorização baseados em IA para deteção precoce de problemas estruturais
20.4.3. Exemplos de como a IA contribui para a conservação a longo prazo do património cultural

20.5. Documentação digital e BIM na preservação do património

20.5.1. Aplicação de técnicas avançadas de documentação digital, incluindo BIM e realidade aumentada, assistida por IA
20.5.2. Utilização de modelos BIM para uma gestão eficiente do património e do restauro
20.5.3. Estudos de caso sobre a integração da documentação digital em projectos de restauro

20.6. Política e gestão da preservação assistida por IA

20.6.1. Utilização de ferramentas baseadas em IA para gestão e formulação de políticas na preservação do património
20.6.2. Estratégias para integrar a IA na tomada de decisões relacionadas com a conservação
20.6.3. Debate sobre a forma como a IA pode melhorar a colaboração entre instituições para a preservação do património

20.7. Ética e responsabilidade no restauro e preservação com IA

20.7.1. Considerações éticas sobre a aplicação da IA no restauro do património
20.7.2. Debate sobre o equilíbrio entre a inovação tecnológica e o respeito pela autenticidade histórica
20.7.3. Exemplos de como a IA pode ser utilizada de forma responsável na recuperação do património

20.8. A inovação e o futuro da preservação do património com a IA

20.8.1. Perspectivas sobre tecnologias emergentes de IA e sua aplicação na preservação do património
20.8.2. Avaliar o potencial da IA para transformar a restauração e a conservação
20.8.3. Discutir o futuro da preservação do património numa era de rápida inovação tecnológica

20.9. Educação e sensibilização para o património cultural com o SIG

20.9.1. Importância da educação e da sensibilização do público na preservação do património cultural
20.9.2. Utilização de sistemas de informação geográfica (SIG) para promover a valorização e a compreensão do património
20.9.3. Iniciativas bem sucedidas de educação e sensibilização que utilizam a tecnologia para ensinar sobre o património cultural

20.10. Desafios e futuro da preservação e restauro do património

20.10.1. Identificar os desafios actuais na preservação do património cultural
20.10.2. O papel da inovação tecnológica e da IA nas futuras práticas de conservação e restauro
20.10.3. Perspectivas sobre a forma como a tecnologia transformará a preservação do património nas próximas décadas

Aprenderá em profundidade a utilização de técnicas de fabricação digital e de robótica aplicadas à construção, bem como a preservação do património arquitetónico, através dos melhores materiais didácticos existentes no mercado académico”