A aplicação da Inteligencia Artifical no Design permite aceder a um processo criativo mais inovador e centrado no utilizador. Do que está à espera para se inscrever?" 

A Sinergia entre a Inteligência Artificial e o Design tem gerado uma verdadeira revolução na forma como concebemos e fabricamos produtos. Um ponto importante a salientar é a melhoria substancial do processo criativo: os algoritmos de IA exploram vastos conjuntos de dados para descobrir padrões e tendências, fornecendo informações valiosas que orientam a tomada de decisões do Design.

Neste contexto, a TECH apresenta este Master em Inteligencia Artifical no Design, que funde na perfeição as novas tecnologias com a criação de produtos criativos, proporcionando aos designers uma perspetiva única e completa. Para além de transmitir conhecimentos técnicos, este curso abordará a ética e a sustentabilidade, garantindo que os licenciados estão preparados para enfrentar os desafios contemporâneos num domínio em constante evolução.

Do mesmo modo, a amplitude dos tópicos a cobrir reflete a diversidade de aplicações da IA em diferentes disciplinas, desde a geração automática de conteúdos até às estratégias para reduzir o desperdício no processo de Design. De facto, a ênfase na ética e no impacto ambiental está desenhada para formar profissionais conscientes e competentes.

Por último, será abordada a análise de dados para a tomada de decisões no domínio do Design, a implementação de sistemas de IA para personalizar produtos e experiências, bem como a exploração de técnicas avançadas de visualização e a geração de conteúdos criativos. 

Deste modo, a TECH concebeu uma qualificação universitária rigorosa, apoiada pelo inovador Método Relearning. Esta Abordagem pedagógica concentra-se na recapitulação dos conceitos-chave, de forma a garantir uma compreensão profunda dos conteúdos de estudo. A acessibilidade é também fundamental, pois basta ter um dispositivo eletrónico ligado à Internet para aceder ao material em qualquer altura e em qualquer lugar, dispensando o formando dos constrangimentos da presença física no cursoou de horários pré-definidos. 

Abordará a integração da IA no Design, aumentando a eficiência e a personalização e abrindo a porta a novas possibilidades criativas"

Este Master em Inteligencia Artifical no Design conta com o conteúdo educacional mais completo e atualizado do mercado. As suas principais características são: 

• O desenvolvimento de casos práticos apresentados por especialistas em Inteligência Artificial no Design 
• O conteúdo gráfico, esquemático e eminentemente prático com o qual está concebido fornece informações técnicas e práticas sobre as disciplinas que são essenciais para a prática profissional 
• Os exercícios práticos onde o processo de autoavaliação pode ser efetuado a fim de melhorar a aprendizagem 
• O seu foco especial em metodologias inovadoras
• As aulas teóricas, perguntas ao especialista, fóruns de discussão sobre temas controversos e atividades de reflexão individual 
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com ligação à Internet

Explorará em profundidade a complexa interseção entre a ética, o ambiente e as novas tecnologias através deste Master único, ministrado inteiramente online"

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.

O seu conteúdo multimédia, desenvolvido com a mais recente tecnologia educacional, irá permitir que o profissional tenha acesso a uma aprendizagem situada e contextual, isto é, um ambiente de simulação que proporcionará uma capacitação imersiva, programada para praticar em situações reais.

A conceção desta especialização 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 a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos.  

Desde a automatização da criação visual até à análise preditiva de tendências e à colaboração baseada em IA, estará imerso num campo dinâmico"

Aproveite a vasta biblioteca de recursos multimédia da TECH e analise a fusão dos assistentes virtuais e a análise das emoções dos utilizadores"

O que torna excecional este Master é a sua abordagem revolucionária e completa à Interseção entre o Design e a Inteligência Artificial. A adição de disciplinas como "Design Computacional e IA" e "Interação Design-Utilizador e IA" permitirá aos designers enfrentar os desafios contemporâneos, desde a criação automática de conteúdos multimédia até à adaptação contextual nas interações com os utilizadores. Além disso, A fusão de competências técnicas, como a otimização da estrutura dos microchips, com considerações éticas e ecológicas, como a Minimização de resíduos, torna este curso numa proposta integral.

Mergulhe numa qualificação que integra a criatividade com um profundo enfoque na ética e na sustentabilidade, aplicando a Inteligência Artificial na área do Design"  

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 por voz e por 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

2.1.1. Estatística Estatística descritiva, inferências estatísticas
2.1.2. População, amostra indivíduo
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 binominais, 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 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. Mineração 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 (Quick_Sort)

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. 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 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

6.9.1. 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 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 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. 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. 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 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. 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
11.10.1. Deteção de bordas
11.10.1. 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 Transformers 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 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. 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 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. 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. Aplicações Práticas da Inteligência Artificial no Design 

16.1. Geração automática de imagens no design gráfico com Wall-e, Adobe Firefly e Stable Diffusion 

16.1.1. Conceitos fundamentais da geração de imagens 
16.1.2. Ferramentas e frameworks para a geração gráfica automática 
16.1.3. Impacto social e cultural do design generativo 
16.1.4. Tendências atuais no domínio e desenvolvimentos e aplicações futuras 

16.2. Personalização dinâmica das interfaces de utilizador através da IA 

16.2.1. Princípios de personalização da IU/UX 
16.2.2. Algoritmos de recomendação na personalização de interfaces 
16.2.3. Experiência do utilizador e retroalimentação contínua 
16.2.4. Implementação prática em aplicações reais 

16.3. Design generativo Aplicações na indústria e na arte 

16.3.1. Fundamentos do design generativo 
16.3.2. Design generativo na indústria 
16.3.3. Design generativo na arte contemporânea 
16.3.4. Desafios e desenvolvimentos futuros no design generativo 

16.4. Criação automática de Layouts editoriais com algoritmos 

16.4.1. Princípios de Layout editorial automático 
16.4.2. Algoritmos de distribuição de conteúdos 
16.4.3. Otimização do espaço e das proporções no design editorial 
16.4.4. Automatização do processo de revisão e ajuste 

16.5. Geração Procedimental de conteúdo em videojogos com PCG

16.5.1. Introdução à geração processual nos videojogos 
16.5.2. Algoritmos para a criação automática de níveis e ambientes 
16.5.3. Narrativa processual e ramificação nos videojogos 
16.5.4. Impacto da geração processual na experiência do jogador 

16.6. Reconhecimento de padrões em logótipos com Machine Learning mediante Cogniac

16.6.1. Noções básicas de reconhecimento de padrões no design gráfico 
16.6.2. Implementação de modelos de Machine Learning para identificação de logotipos 
16.6.3. Aplicações práticas em design gráfico 
16.6.4. Considerações legais e éticas sobre o reconhecimento de logótipos 

16.7. Otimização de cores e composições com IA 

16.7.1. Psicologia da cor e composição visual 
16.7.2. Algoritmos de otimização de cores no design gráfico com Adobe Color Wheel e Coolors 
16.7.3. Composição automática de elementos visuais utilizando o Framer, o Canva e o RunwayML 
16.7.4. Avaliação do impacto da otimização automática na perceção do utilizador 

16.8. Análise preditiva de tendências visuais no design 

16.8.1. Recolha de dados e tendências atuais 
16.8.2. Modelos de Machine Learning para Predição de Tendências 
16.8.3. Implementação de estratégias de conceção proativas 
16.8.4. Princípios de utilização de dados e previsões no design 

16.9. Colaboração assistida por IA em equipas de design 

16.9.1. Colaboração homem-IA em projetos de design 
16.9.2. Plataformas e ferramentas para colaboração assistida por IA (Adobe Creative Cloud e Sketch2React) 
16.9.3. Melhores práticas na integração de tecnologias assistidas por IA 
16.9.4. Perspetivas futuras da colaboração homem-IA no design 

16.10. Estratégias para uma incorporação bem sucedida da IA no design 

16.10.1. Identificação das necessidades de design susceptíveis de serem resolvidas pela IA 
16.10.2. Avaliação das plataformas e ferramentas disponíveis 
16.10.3. Integração efetiva em projetos de design 
16.10.4. Otimização e adaptabilidade contínuas 

Módulo 17. Interação Design-Utilizador e IA 

17.1. Sugestões contextuais de design baseadas em comportamentos 

17.1.1. Compreendendo o comportamento do utilizador no Design 
17.1.2. Sistemas de sugestão contextual baseados na IA 
17.1.3. Estratégias para garantir a transparência e o consentimento dos utilizadores 
17.1.4. Tendências e possíveis melhorias na personalização comportamental 

17.2. Análise preditiva das interações dos utilizadores 

17.2.1. Importância da análise preditiva nas interações de utilizador-design 
17.2.2. Modelos de Machine Learning para predição de comportamento do utilizador 
17.2.3. Integração da análise preditiva no design de interface do utilizador 
17.2.4. Desafios e dilemas na análise preditiva 

17.3. Design adaptativo para diferentes dispositivos com IA 

17.3.1. Princípios de design adaptativo a dispositivos 
17.3.2. Algoritmos de adaptação de conteúdos 
17.3.3. Otimização da interface para experiências móveis e de ambiente de trabalho 
17.3.4. Desenvolvimentos futuros no design adaptativo com tecnologias emergentes 

17.4. Geração automática de personagens e inimigos em videojogos 

17.4.1. Necessidade de geração automática no desenvolvimento de videojogos 
17.4.2. Algoritmos de geração de personagens e inimigos 
17.4.3. Personalização e adaptabilidade em personagens gerados automaticamente 
17.4.4. Experiências de desenvolvimento: Desafios e lições aprendidas 

17.5. Melhorias de IA nas personagens do jogo 

17.5.1. Importância da inteligência artificial nas personagens de videojogos 
17.5.2. Algoritmos para melhorar o comportamento dos personagens 
17.5.3. Adaptação e aprendizagem contínuas da IA nos jogos 
17.5.4. Desafios técnicos e criativos na melhoria da IA de personagens 

17.6. Design personalizado na indústria: Desafios e oportunidades 

17.6.1. Transformação do design industrial com a personalização 
17.6.2. Tecnologias facilitadoras para um design personalizado 
17.6.3. Desafios na implementação do design personalizado à escala 
17.6.4. Oportunidades de inovação e diferenciação competitiva 

17.7. Design para a sustentabilidade através da IA 

17.7.1. Análise do ciclo de vida e rastreabilidade com inteligência artificial 
17.7.2. Otimização dos materiais recicláveis 
17.7.3. Melhoria sustentável dos processos 
17.7.4. Desenvolvimento de estratégias e projetos práticos 

17.8. Integração de assistentes virtuais em interfaces de design com o Adobe Sensei, Figmay AutoCAD

17.8.1. O papel dos assistentes virtuais no design interativo 
17.8.2. Desenvolvimento de assistentes virtuais especializados em design 
17.8.3. Interação natural com assistentes virtuais em projetos de design 
17.8.4. Desafios de implementação e melhoria contínua 

17.9. Análise contínua da experiência do utilizador para melhorias 

17.9.1. Ciclo de melhoria contínua no design de interação 
17.9.2. Ferramentas e métricas para análise contínua 
17.9.3. Interação e adaptação na experiência do utilizador 
17.9.4. Garantia da privacidade e transparência no tratamento de dados sensíveis 

17.10. Aplicação de técnicas de IA para melhorar a usabilidade 

17.10.1. Interseção da IA e usabilidade 
17.10.2. Experiência do utilizador e análise de sentimentos (UX) 
17.10.3. Personalização dinâmica da interface 
17.10.4. Otimização do fluxo de trabalho e da navegação 

Módulo 18. Inovação nos processos de Design e IA 

18.1. Otimização dos processos de fabrico com simulações de IA 

18.1.1. Introdução à otimização de processo de Fabricação 
18.1.2. Simulações de IA para otimização da produção 
18.1.3. Desafios técnicos e operacionais na implementação de simulações de IA 
18.1.4. Perspetivas futuras: Avanços na otimização de processos com IA 

18.2. Criação de Protótipos virtuais: Desafios e benefícios 

18.2.1. Importância da Criação de Protótipos virtuais no design 
18.2.2. Ferramentas e tecnologias para a criação de protótipos virtuais 
18.2.3. Desafios na prototipagem virtual e estratégias para os superar 
18.2.4. Impacto na inovação e na agilidade do design 

18.3. Design generativo: Aplicações na indústria e na criação artística 

18.3.1. Arquitetura e planeamento urbano 
18.3.2. Designer Têxtil e de moda 
18.3.3. Design de materiais e texturas 
18.3.4. Automatização no design gráfico 

18.4. Análise de materiais e de desempenho com recurso à inteligência artificial 

18.4.1. Importância dos materiais e da análise de desempenho no design 
18.4.2. Algoritmos de inteligência artificial para análise de materiais 
18.4.3. Impacto na Eficiência e na Sustentabilidade do design 
18.4.4. Desafios de implementação e aplicações futuras 

18.5. Personalização massiva na produção industrial 

18.5.1. Transformação da produção através da personalização massiva 
18.5.2. Tecnologias facilitadoras da personalização massiva 
18.5.3. Desafios logísticos e de escala na personalização massiva 
18.5.4. Impacto económico e oportunidades de inovação 

18.6. Ferramentas de design assistidas por inteligência artificial (Deep Dream Generator, Fotor e Snappa)

18.6.1. Design assistido por geração gan (redes adversárias generativas) 
18.6.2. Geração Coletiva de ideias 
18.6.3. Geração contextualmente consciente 
18.6.4. Exploração de dimensões criativas não lineares 

18.7. Design colaborativo homem-robô em projetos inovadores 

18.7.1. Integração de Robôs em projetos de design inovadores 
18.7.2. Ferramentas e plataformas para a colaboração entre humanos e robots (ROS, OpenAI Gym e Azure Robotics) 
18.7.3. Desafios na integração de robôs em projetos criativos 
18.7.4. Perspetivas futuras no design colaborativo com tecnologias emergentes 

18.8. Manutenção preditiva de produtos: Abordagem IA 

18.8.1. Importância da manutenção preditiva no prolongamento da vida útil dos produtos 
18.8.2. Modelos de Machine Learning para Manutenção preditiva 
18.8.3. Aplicação prática em vários setores 
18.8.4. Avaliação da exatidão e da eficácia destes modelos em contexto industrial 

18.9. Geração automática de tipos de letra e estilos visuais 

18.9.1. Noções básicas de geração automática no design de tipos de letras 
18.9.2. Aplicações práticas no domínio do design gráfico e da comunicação visual 
18.9.3. Design colaborativo assistido por IA na criação de tipos de letra 
18.9.4. Análise automática de estilos e tendências 

18.10. Integração de IoT para monitorização de produtos em tempo real 

18.10.1. Transformação com integração da IoT no design de produtos 
18.10.2. Sensores e dispositivos IoT para monitorização em tempo real 
18.10.3. Análise de Dados e tomada de decisões baseada em IoT  
18.10.4. Desafios de implementação e aplicações futuras de IoT no design 

Módulo 19. Tecnologias aplicadas ao Design e IA  

19.1. Integração de assistentes virtuais em interfaces de design com o Dialogflow, o Microsoft Bot Framework e o Rasa 

19.1.1. O papel dos assistentes virtuais no design interativo 
19.1.2. Desenvolvimento de assistentes virtuais especializados em design 
19.1.3. Interação natural com assistentes virtuais em projetos de design 
19.1.4. Desafios de implementação e melhoria contínua 

19.2. Deteção e correção automática de erros visuais com IA 

19.2.1. Importância da deteção e correção automática de erros visuais 
19.2.2. Algoritmos e modelos para a deteção de erros visuais 
19.2.3. Ferramentas de correção automática no design visual 
19.2.4. Desafios na deteção e correção automática e estratégias para os superar 

19.3. Ferramentas de IA para avaliação da usabilidade de projetos de interfaces (EyeQuant, Lookback e Mouseflow) 

19.3.1. Análise de dados de interação com modelos de aprendizagem automática 
19.3.2. Relatórios e recomendações automatizados 
19.3.3. Simulações de utilizadores virtuais para testes de usabilidade utilizando Bootpress, Botium e Rasa
19.3.4. Interface de conversação para feedback do utilizador 

19.4. Otimização de fluxos de trabalho editoriais com algoritmos que utilizam Chat GPT, Bing, WriteSonic e Jasper 

19.4.1. Importância de otimizar os fluxos de trabalho editoriais 
19.4.2. Algoritmos para automatização e otimização editorial 
19.4.3. Ferramentas e tecnologias para a otimização editorial 
19.4.4. Desafios na implementação e melhoria contínua dos fluxos de trabalho editoriais 

19.5. Simulações realistas no design de jogos com TextureLab e Leonardo

19.5.1. Importância das simulações realistas na indústria dos videojogos 
19.5.2. Modelação e simulação de elementos realistas em videojogos 
19.5.3. Tecnologias e ferramentas para simulações realistas em videojogos 
19.5.4. Desafios técnicos e criativos nas simulações realistas de videojogos 

19.6. Geração automática de conteúdos multimédia no design editorial 

19.6.1. Transformação com geração automática de conteúdos multimédia 
19.6.2. Algoritmos e modelos para a geração automática de conteúdos multimédia 
19.6.3. Aplicações práticas em projetos editoriais 
19.6.4. Desafios e tendências futuras na geração automática de conteúdos multimédia 

19.7. Design adaptativo e preditivo baseado nos dados do utilizador 

19.7.1. Importância do design adaptativo e preditivo na experiência do utilizador 
19.7.2. Recolha e análise de dados dos utilizadores para o design adaptativo 
19.7.3. Algoritmos para design adaptativo e preditivo 
19.7.4. Integração do design adaptativo em plataformas e aplicações 

19.8. Integração de algoritmos para melhorar a usabilidade 

19.8.1. Segmentação e padrões de comportamento 
19.8.2. Deteção de problemas de usabilidade 
19.8.3. Adaptabilidade às mudanças nas preferências dos utilizadores 
19.8.4. Testes a/b automatizados e análise de resultados 

19.9. Análise contínua da experiência do utilizador para melhorias iterativas 

19.9.1. Importância do feedback contínuo na evolução dos produtos e serviços 
19.9.2. Ferramentas e métricas para análise contínua 
19.9.3. Estudos de casos que demonstram as melhorias substanciais obtidas com esta abordagem 
19.9.4. Gestão de dados suscetíveis 

19.10. Colaboração assistida por IA em equipas Editoras 

19.10.1. Transformação da colaboração em equipas editoriais assistidas por IA 
19.10.2. Ferramentas e plataformas para colaboração assistida por IA (Grammarly, Yoast SEO e Quillionz) 
19.10.3. Desenvolvimento de assistentes virtuais especializados em edição  
19.10.4. Desafios de implementação e aplicações futuras de colaboração assistida por IA 

Módulo 20. Ética e Meio Ambiente no Design e na IA  

20.1. Impacto ambiental no design industrial: Abordagem ética 

20.1.1. Consciência ambiental no design industrial 
20.1.2. Avaliação do ciclo de vida e design sustentável 
20.1.3. Desafios éticos nas decisões de design com impacto ambiental 
20.1.4. Inovações sustentáveis e tendências futuras 

20.2. Melhoria da acessibilidade visual no design gráfico reactivo 

20.2.1. A acessibilidade visual como prioridade ética no design gráfico 
20.2.2. Ferramentas e práticas para melhorar a acessibilidade visual (Google LightHouse e Microsoft Accessibility Insights) 
20.2.3. Desafios éticos na implementação da acessibilidade visual 
20.2.4. Responsabilidade profissional e futuras melhorias na acessibilidade visual 

20.3. Redução de Resíduos no processo de design: Desafios sustentáveis 

20.3.1. Importância da redução de resíduos no design 
20.3.2. Estratégias de redução de resíduos em diferentes fases do design 
20.3.3. Desafios éticos na implementação de práticas de redução de resíduos 
20.3.4. Compromissos empresariais e certificações sustentáveis 

20.4. Análise de sentimentos na criação de conteúdos editoriais: Considerações éticas 

20.4.1. Análise de sentimentos e ética em conteúdos editoriais 
20.4.2. Algoritmos de Análise de sentimentos e de decisões éticas 
20.4.3. Impacto na opinião pública 
20.4.4. Desafios na análise de sentimentos e implicações futuras 

20.5. Integração do reconhecimento de emoções para experiências imersivas  

20.5.1. Ética na Integração do Reconhecimento de Emoções em Experiências Imersivas 
20.5.2. Tecnologias de Reconhecimento de Emoções 
20.5.3. Desafios Éticos na Criação de Experiências de Imersão Emocionalmente Conscientes 
20.5.4. Perspetivas Futuras e Ética no Desenvolvimento de Experiências Imersivas 

20.6. Ética no Design de VIDEOJOGOS: Implicações e decisões 

20.6.1. Ética e Responsabilidade no Design de Videojogos 
20.6.2. Inclusão e Diversidade nos Videojogos: Decisões éticas 
20.6.3. Microtransações e Monetização Ética nos Videojogos 
20.6.4. Desafios Éticos no Desenvolvimento de Narrativas e Personagens em Videojogos 

20.7. Desafios Éticos no Desenvolvimento de Narrativas e Personagens em VideojogosDesign responsivo Considerações éticas e ambientais na indústria 

20.7.1. Abordagem Ética para um Design Responsável 
20.7.2. Ferramentas e Métodos para um Design Responsável 
20.7.3. Desafios Éticos e Ambientais na Indústria do Design 
20.7.4. Compromissos Empresariais e Certificações de Design Responsável 

20.8. Ética na integração da IA nas interfaces de utilizador 

20.8.1. Exploração da forma como a inteligência artificial nas interfaces de utilizador levanta desafios éticos 
20.8.2. Transparência e Explicabilidade em Sistemas de IA de Interface de Utilizador 
20.8.3. Desafios Éticos na Recolha e Utilização de Dados da Interface do Utilizador 
20.8.4. Perspetivas Futuras na Ética da IA em Interfaces de Utilizador 

20.9. Sustentabilidade na inovação do processo de conceção 

20.9.1. Reconhecimento da importância da sustentabilidade na inovação dos processos de design 
20.9.2. Desenvolvimento de Processos Sustentáveis e Tomada de Decisões Éticas 
20.9.3. Desafios Éticos na Adoção de Tecnologias Inovadoras 
20.9.4. Compromissos Empresariais e Certificações de Sustentabilidade nos Processos de Design 

20.10. Aspetos éticos na aplicação de tecnologias no Design 

20.10.1. Decisões Éticas na Seleção e Aplicação de Tecnologias de Design 
20.10.2. Ética no Design de Experiências do Utilizador com Tecnologias Avançadas 
20.10.3. Interseções da ética e das tecnologias no design 
20.10.4. Tendências emergentes e o papel da ética na futura direção do design com tecnologias avançadas 

Aproveite esta oportunidade para adquirir conhecimentos sobre os últimos desenvolvimentos na área e aplicá-los na sua atividade diária"