Através deste curso 100% online, irá integrar ferramentas generativas de Inteligência Artificial no planeamento, implementação e avaliação de atividades educativas"

A fins de otimizar os projetos educativos, os professores utilizam ferramentas de IA para enriquecer a experiência dos alunos. No entanto, para alcançar os resultados esperados, os profissionais precisam de ter um conhecimento alargado das estratégias de implementação da IA na sala de aula. Assim, poderão desenvolver recursos como o chatbots, jogos didáticos dinâmicos e até instrumentos para avaliar o desempenho dos alunos.

Neste contexto, a TECH implementa este curso sobre Inteligência Artificial na Educação, onde serão também abordadas as considerações éticas, jurídicas e sociais associadas. Com uma abordagem eminentemente prática, os professores adquirirão competências tangíveis para implementar procedimentos de IA no ambiente educativo. Os alunos aprofundarão a sua prática pedagógica, centrando-se em fatores como a personalização da aprendizagem e a melhoria contínua, indispensáveis à adaptabilidade do processo educativo. Por último, o plano de estudos analisará em pormenor as tendências emergentes da IA na Educação, garantindo que os alunos estejam a par das últimas inovações na tecnologia educativa.

É de salientar que este mestrado próprio baseia-se numa metodologia 100% online para que os estudantes possam aprender ao seu próprio ritmo. Assim, a única coisa de que necessita para aceder ao programa de estudos é um dispositivo com acesso à Internet. O plano de estudos baseia-se no método inovador do Relearning. Trata-se de um modelo de ensino apoiado na repetição dos conteúdos mais importantes, para que os conhecimentos se fixem na mente dos alunos. Para enriquecer a aprendizagem, os materiais são complementados com uma vasta gama de recursos multimédia (tais como resumos interativos, leituras suplementares ou infografias) para reforçar os conhecimentos e as competências. Desta forma, os alunos aprenderão de forma gradual e natural, sem terem de recorrer a esforços suplementares, como a memorização. 

Quer facilitar a retroalimentação instantânea? Com este certificado, identificará áreas a melhorar e oferecerá apoio personalizado" 

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

• O desenvolvimento de casos práticos apresentados por especialistas em Inteligência Artificial na Educação 
• Os conteúdos gráficos, esquemáticos e predominantemente práticos com que está concebido fornecem informações científicas 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 

Graças à revolucionária metodologia Relearning, integrará todos os conhecimentos de forma optimizada para alcançar com êxito os resultados que procura"

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.  

Irá promover a inovação e a melhoria contínua da educação através da utilização responsável da tecnologia"

Terá um curso avançado e único e será capaz de enfrentar os desafios do panorama educativo orientado para a Aprendizagem Automática"

Composto por 20 módulos, esta certificação distingue-se pela sua abordagem integral e especializada. A programação vai para além dos aspetos técnicos da IA na educação, aprofundando as considerações éticas, jurídicas e sociais associadas. Ao mesmo tempo, o programa de estudos fornecerá aos estudantes ferramentas tecnológicas de ponta, para que o seu trabalho como professores integre inovações como a Realidade Aumentada ou a Análise Preditiva. A certificação destacará também a atenção dada à personalização da aprendizagem e à melhoria contínua, aspectos fundamentais para a adaptabilidade no processo educativo.

Inclui casos clínicos visando aproximar ao máximo o desenvolvimento da especialização da realidade dos cuidados docente"

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. 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. 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 (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. 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. 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 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 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. 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. 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 na visão 
12.6.3. Vantagens dos modelos Transformers 

12.7. Transformers para a visão 

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

12.8. Biblioteca de Transformers de Hugging Face E 

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 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. Análise de dados e aplicação de técnicas de IA para a personalização do ensino 

16.1. Identificação, extração e preparação de dados educativos 

16.1.1. Aplicação do H2O.ai nos métodos de recolha e seleção de dados relevantes em contextos educativos 
16.1.2. Técnicas de limpeza e normalização de dados para análise pedagógica 
16.1.3. Importância da integridade e da qualidade dos dados na investigação no domínio da educação 

16.2. Análise e avaliação de dados educativos com IA para melhoria contínua na sala de aula 

16.2.1. Implementação do TensorFlow na interpretação de tendências e padrões educativos utilizando técnicas de aprendizagem automática 
16.2.2. Implementação do TensorFlow na interpretação de tendências e padrões educativos utilizando técnicas de aprendizagem automática 
16.2.3. Aplicação do Trinka na integração de feedback baseado em IA para a otimização do processo de ensino 

16.3. Definição de indicadores de desempenho académico a partir de dados educativos 

16.3.1. Estabelecimento de indicadores-chave para avaliar o desempenho dos alunos 
16.3.2. Avaliação comparativa de indicadores para identificar áreas de melhoria 
16.3.3. Correlação entre indicadores académicos e fatores externos utilizando IA 

16.4. Ferramentas de IA para monitorização da educação e tomada de decisões 

16.4.1. Sistemas de apoio à decisão baseados em tome.ai para administradores de ensino 
16.4.2. Utilização do Trello para planeamento e atribuição de recursos educativos 
16.4.3. Otimização dos processos educativos através da análise preditiva com Orange Data Mining 

16.5. Tecnologias e algoritmos de IA para análises preditivas dos dados de desempenho académico 

16.5.1. Fundamentos da modelos preditivos na educação 
16.5.2. Utilização de algoritmos de classificação e regressão para prever tendências educativas 
16.5.3. Estudos de casos de previsões bem sucedidas em contextos educativos 

16.6. Aplicação da análise de dados com IA para a prevenção e solução de problemas educativos 

16.6.1. Identificação precoce dos riscos académicos através da análise preditiva 
16.6.2. Estratégias de intervenção baseadas em dados para enfrentar os desafios educativos 
16.6.3. Avaliação do impacto das soluções baseadas em IA da DataRobot na educação 

16.7. Diagnóstico personalizado das dificuldades de aprendizagem a partir da análise de dados da IA 

16.7.1. Técnicas de IA para identificar estilos e dificuldades de aprendizagem com o IBM Watson Education 
16.7.2. Integração da análises de dados nos planos de apoio educativo individualizados 
16.7.3. Estudos de casos de diagnósticos melhorados pela utilização da IA 

16.8. Análise de dados e aplicação de IA para identificar necessidades educativas específicas 

16.8.1. Enfoque da IA para a deteção de necessidades educativas especiais com Gooroo 
16.8.2. Personalização das estratégias de ensino com base na análise de dados 
16.8.3. Avaliação do impacto da IA na inclusão educativa 

16.9. Personalização da aprendizagem com IA a partir da análise de dados de desempenho académico 

16.9.1. Criação de percursos de aprendizagem adaptativos utilizando o Smart Sparrow 
16.9.2. Implementação de sistemas de recomendação para recursos educativos 
16.9.3. Medição do progresso individual e ajustamentos em tempo real através do Squirrel Al Learning 

16.10. Segurança e privacidade no tratamento de dados educativos 

16.10.1. Princípios éticos e jurídicos na gestão de dados no domínio da educação 
16.10.2. Técnicas de proteção de dados e privacidade para sistemas educativos com o Google Cloud Security 
16.10.3. Estudos de casos de violações de segurança e o seu impacto na educação 

Módulo 17. Desenvolvimento de projetos de Inteligência Artificial na sala de aula    

17.1. Planear e Desenho de projetos de IA na educação com a Algor Education

17.1.1. Primeiros passos para planear o projeto  
17.1.2. Bases de conhecimento  
17.1.3. Desenho de projetos de IA na educação   

17.2. Ferramentas para o desenvolvimento de projetos educativos com IA  

17.2.1. Ferramentas para o desenvolvimento Projeto Educativo: TensorFlow Playground
17.2.2. Ferramentas para projetos educativos em História  
17.2.3. Ferramentas para Projetos Educativos em Matemática; Wolfram Alpha
17.2.4. Ferramentas para projetos educativos em Inglês: Grammarly

17.3. Estratégias de implementação de projetos de IA em sala de aula  

17.3.1. Quando implementar um projeto de IA  
17.3.2. Quando implementar um projeto de IA  
17.3.3. Estrategias a llevar a cabo   

17.4. Integração de projetos de IA em disciplinas específicas  

17.4.1. Matemática e IA: Thinkster math
17.4.2. História e IA  
17.4.3. Idiomas e IA: Deep L
17.4.4. Outros temas: Watson Studio

17.5. Projeto 1: Desenvolvimento de projetos educativos utilizando a aprendizagem automática com a Khan Academy

17.5.1. Primeiros passos  
17.5.2. Recolha de requisitos  
17.5.3. Ferramentas a utilizar  
17.5.4. Definição do projeto    

17.6. Projeto 2: Integração da IA no desenvolvimento de jogos educativos   

17.6.1. Primeiros passos  
17.6.2. Recolha de requisitos  
17.6.3. Ferramentas a utilizar  
17.6.4. Definição do projeto    

17.7. Projeto 3: Desenvolvimento de chatbots educativos para assistência aos estudantes 

17.7.1. Primeiros passos  
17.7.2. Recolha de requisitos  
17.7.3. Ferramentas a utilizar  
17.7.4. Definição do projeto   

17.8. Projeto 4: Integração de agentes inteligentes em plataformas educativas com Knewton

17.8.1. Primeiros passos  
17.8.2. Recolha de requisitos  
17.8.3. Ferramentas a utilizar  
17.8.4. Definição do projeto   

17.9. Avaliação e medição do impacto dos projetos de IA na educação com a Qualtrics

17.9.1. Benefícios de trabalho com IA na sala de aula  
17.9.2. Dados reais  
17.9.3. IA Na sala de aula   
17.9.4. Estatísticas da IA na educação   

17.10. Análise e melhoria contínua de projetos de IA na Educação com Edmodo Insights

17.10.1. Projetos atuais   
17.10.2. Posta em marcha  
17.10.3. O que nos reserva o futuro  
17.10.4. Transformando a Escola 360  

Módulo 18. Prática pedagógica com Inteligência Artificial generativa    

18.1. Tecnologias de IA generativa para utilização na Educação  

18.1.1. Mercado atual: Artbreeder, Runway ML e DeepDream Generator 
18.1.2. Tecnologias em uso  
18.1.3. O que está para vir  
18.1.4. O Futuro da sala de aula  

18.2. Aplicação de ferramentas de IA generativa no planeamento educativo  

18.2.1. Ferramentas de planeamento: Altitude Learning
18.2.2. Ferramentas e a sua aplicação  
18.2.3. Educação e IA  
18.2.4. Evolução   

18.3. Criação de materiais didáticos com IA generativa utilizando Story Ai, Pix2PIx e NeouralTalk2

18.3.1. IA e os seus usos na sala de aula  
18.3.2. Ferramentas para criar materiais didáticos  
18.3.3. Como trabalhar com as ferramentas  
18.3.4. Comandos  

18.4. Desarrollo de pruebas de evaluación mediante IA generativa con Quizgecko

18.4.1. A IA e as suas utilizações no desenvolvimento de testes de avaliação   
18.4.2. Ferramentas para o desenvolvimento testes de avaliação   
18.4.3. Como trabalhar com as ferramentas  
18.4.4. Comandos   

18.5. Melhoria da retroalimentação e da comunicação com a IA generativa  

18.5.1. IA na comunicação  
18.5.2. Aplicação de ferramentas no desenvolvimento da comunicação na sala de aula  
18.5.3. Vantagens e desvantagens   

18.6. Correção de atividades e testes de avaliação utilizando IA generativa com a IA do Gradescope

18.6.1. A IA e as suas utilizações na correção de atividades e testes de avaliação  
18.6.2. Ferramentas para a correção de atividades e testes de avaliação   
18.6.3. Como trabalhar com as ferramentas  
18.6.4. Comandos  

18.7. Geração de inquéritos de avaliação da qualidade do ensino utilizando IA generativa  

18.7.1. A IA e as suas utilizações na Geração de inquéritos de avaliação da qualidade do ensino utilizando IA   
18.7.2. Ferramentas para a Geração de inquéritos de avaliação da qualidade do ensino utilizando IA  
18.7.3. Como trabalhar com as ferramentas  
18.7.4. Comandos  

18.8. Integração de ferramentas de IA generativa em estratégias pedagógicas  

18.8.1. Aplicações de IA em estratégias pedagógicas  
18.8.2. Utilizações corretas   
18.8.3. Vantagens e desvantagens  
18.8.4. Ferramentas de IA generativa em estratégias pedagógicas: Gans 

18.9. Utilização da IA generativa para o design universal da aprendizagem  

18.9.1. IA generativa, porquê agora  
18.9.2. IA na aprendizagem  
18.9.3. Vantagens e desvantagens  
18.9.4. Aplicação de a IA na aprendizagem  

18.10. Avaliação da eficácia da IA generativa na educação  

18.10.1. Dados sobre a eficácia  
18.10.2. Projetos  
18.10.3. Objetivos do design  
18.10.4. Avaliação da eficácia da IA na educação   

Módulo 19. Inovações e tendências emergentes na IA para a Educação 

19.1. Ferramentas e tecnologias emergentes da IA para a educação  

19.1.1. Ferramentas obsoletas de IA  
19.1.2. Ferramentas atuais: ClassDojo e Seesaw
19.1.3. Ferramentas futuras   

19.2. Realidade Aumentada e Virtual na Educação  

19.2.1. Ferramentas de realidade aumentada  
19.2.2. Ferramentas de realidade virtual  
19.2.3. Aplicação de ferramentas e as suas utilizações  
19.2.4. Vantagens e desvantagens  

19.3. IA de conversação para apoio educativo e aprendizagem interativa com a IA da Wysdom e SnatchBot

19.3.1. IA conversacional, porquê agora  
19.3.2. IA na aprendizagem  
19.3.3. Vantagens e desvantagens  
19.3.4. Aplicação de a IA na aprendizagem  

19.4. Aplicação da IA para a melhoria da retenção de conhecimentos  

19.4.1. A IA como ferramenta de apoio  
19.4.2. Pautas a seguir   
19.4.3. Desempenho da IA na retenção de conhecimentos  
19.4.4. A IA e ferramentas de apoio  

19.5. Tecnologias de reconhecimento facial e emocional para o acompanhamento da participação e o bem-estar dos alunos aula   

19.5.1. Tecnologias de reconhecimento facial e emocional no mercado atual  
19.5.2. Usos  
19.5.3. Aplicações  
19.5.4. Margem de erro  
19.5.5. Vantagens e desvantagens  

19.6. Blockchain e a IA na educação para transformar a administração da educação e validar certificações   

19.6.1. O que é Blockchain  
19.6.2. Blockchain e as suas aplicações  
19.6.3. Blockchain como elemento transformador  
19.6.4. Administração educativa e Blockchain  

19.7. Ferramentas emergentes de IA para melhorar a experiência de aprendizagem com o Squirrel AI Learning

19.7.1. Projetos atuais   
19.7.2. Posta em marcha  
19.7.3. O que nos reserva o futuro  
19.7.4. Transformando a Escola 360  

19.8. Estratégias para o desenvolvimento de projetos-piloto com IA emergente  

19.8.1. Vantagens e desvantagens  
19.8.2. Estratégias a desenvolver  
19.8.3. Pontos-chave  
19.8.4. Projetos piloto  

19.9. Análise de Casos de Sucesso em Inovações de IA  

19.9.1. Projetos de inovação  
19.9.2. Aplicação de IA e os seus benefícios  
19.9.3. IA na sala de aula, casos de sucesso  

19.10. Futuro da IA na educação  

19.10.1. História da IA na educação  
19.10.2. Até onde vai a IA na sala de aula  
19.10.3. Projetos futuros  

Módulo 20. Ética e Legislação da Inteligência Artificial na Educação 

20.1. Identificação e tratamento ético de dados sensíveis no contexto educativo 

20.1.1. Princípios e práticas para o tratamento ético de dados sensíveis na educação 
20.1.2. Desafios na proteção da privacidade e confidencialidade dos dados dos estudantes 
20.1.3. Estratégias para garantir a transparência e o consentimento informado da recompilação de dados 

20.2. Impacto social e cultural da IA na educação 

20.2.1. Análise do efeito da IA na dinâmica social e cultural em contextos educativos. 
20.2.2. Exploração da forma como a IA para Acessibilidade da Microsoft pode perpetuar ou atenuar os preconceitos e as desigualdades sociais 
20.2.3. Avaliação da responsabilidade social dos criadores e educadores na implementação da IA 

20.3. Legislação e política de dados sobre a IA em contextos educativos 

20.3.1. Revisão das leis e regulamentos atuais em matéria de dados e privacidade aplicáveis à IA na educação 
20.3.2. Impacto das políticas de dados nas práticas educativas e na inovação tecnológica 
20.3.3. Desenvolvimento de políticas institucionais para a utilização ética da IA na educação com o AI Ethics Lab

20.4. Avaliação do impacto ético da IA 

20.4.1. Métodos para avaliar as implicações éticas das aplicações de IA na educação 
20.4.2. Desafios na medição do impacto social e ético da IA 
20.4.3. Criação de quadros éticos para orientar o desenvolvimento e a utilização da IA na educação 

20.5. Desafios e oportunidades da IA na educação 

20.5.1. Identificação dos principais desafios éticos e jurídicos na utilização da IA na educação 
20.5.2. Exploração das oportunidades para melhorar o ensino e a aprendizagem através do Squirrel AI Learning 
20.5.3. Equilibrio entre a inovação tecnológica e considerações éticas na educação 

20.6. Aplicação ética de soluções de IA no ambiente educativo 

20.6.1. Princípios para o desenho e implementação éticas de soluções de IA na educação 
20.6.2. Estudos de casos sobre aplicações éticas da IA em diferentes contextos educativos 
20.6.3. Estratégias para envolver todas as partes interessadas na tomada de decisões éticas sobre a IA 

20.7. IA, diversidade cultural e igualdade de género 

20.7.1. Análise do impacto da IA na promoção da diversidade cultural e da equidade de género na educação 
20.7.2. Estratégias para desenvolver sistemas de IA inclusivos e sensíveis à diversidade com o Teachable Machine da Google  
20.7.3. Avaliação da forma como a IA pode influenciar a representação e o tratamento de diferentes grupos culturais e de género 

20.8. Considerações éticas para Utilização de ferramentas a IA na Educação 

20.8.1. Orientações éticas para o desenvolvimento e utilização de ferramentas de IA na sala de aula 
20.8.2. Debate sobre o equilíbrio entre a automatização e a intervenção humana na educação 
20.8.3. Análise de casos em que a utilização da IA na educação levantou questões éticas significativas 

20.9. Impacto da IA na Acessibilidade educativa 

20.9.1. Exploração da forma como a IA pode melhorar ou limitar a acessibilidade na educação 
20.9.2. Análise de soluções da IA designadas para aumentar a inclusão e o acesso à educação para todos com o Google Read Along 
20.9.3. Desafios éticos na implementação de tecnologias de IA para melhorar a acessibilidade 

20.10. Estudos de casos globais em IA e educação 

20.10.1. Análise de estudos de casos internacionais sobre a utilização da IA na educação 
20.10.2. Comparação de abordagens éticas e jurídicas em diferentes contextos culturais da educação 
20.10.3. Lições aprendidas e melhores práticas de casos globais em IA e educação  

Ensino 100% online, sem horários fixos e com um programa de estudos disponível desde o primeiro dia. Increva-se já!”