A utilização da IA na Medicina Dentária irá melhorar a precisão dos diagnósticos e dos tratamentos. Do que está à espera para se inscrever?"

A Inteligência Artificial (IA) está a emergir como uma aliada inestimável na Medicina Dentária, reforçando a capacidade dos médicos dentistas para prestarem cuidados de qualidade, preditivos e centrados no paciente. Os algoritmos de aprendizagem automática podem analisar grandes conjuntos de dados, como radiografias, registos médicos e estudos genéticos, para identificar padrões discretos que podem passar despercebidos ao olho humano. Isto facilita a deteção precoce de doenças orais, o planeamento de tratamentos personalizados e a previsão de resultados.

Por esta razão, a TECHcriou este Master, que se destaca pela sua perspetiva abrangente e progressiva, concebido para que os estudantes se aprofundem em todas as facetas chave da integração da IA no campo da medicina dentária. Desta forma, os alunos irão abordar tudo, desde os fundamentos da IA e a sua utilização específica em diagnósticos e tratamentos, até às suas aplicações avançadas em impressão 3D, robótica, gestão clínica e análise de dados.

Para além disso, existe uma abordagem prática, que integra a IA de forma eficaz na prática dentária e prepara os profissionais para enfrentar desafios éticos, regulamentares e futuros. Serão ainda explorados os conhecimentos éticos, bem como as políticas e os regulamentos, garantindo que os especialistas atualizam as suas competências para liderar na era da IA avançada na Medicina Dentária. Será também analisada a otimização da experiência do paciente e da eficiência clínica, sem esquecer a preparação para a transformação digital na educação dentária.

Com o objetivo de qualificar especialistas em IA altamente competentes, a TECHconcebeu um Master completo baseado na metodologia exclusiva Relearning. Este sistema de aprendizagem ajudará os alunos a reforçar a sua compreensão, reiterando conceitos-chave. Só precisa de um dispositivo eletrónico com uma ligação à Internet para aceder aos conteúdos a qualquer altura. Sem a necessidade de frequência presencial ou de horários fixos, os profissionais podem conciliar a sua rotina diária com um Mestrado Próprio de alta qualidade.

Atualize-se com um Masteravançado e flexível! Obterá uma base sólida nos princípios da Inteligência Artificial na Medicina Dentária"

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

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

Aposte na TECH! Através deste Master 100% online, irá abordar o impacto do Big Data na Medicina Dentária, analisando os principais conceitos e aplicações"

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

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

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

Será capaz de interpretar imagens dentárias recorrendo a aplicações de IA, tudo graças aos recursos multimédia mais inovadores"

Beneficie dos estudos de casos que exemplificam a utilização eficaz da Inteligência Artificial em vários aspetos da Medicina Dentária"

O Master distingue-se pela sua singularidade ao abordar de forma abrangente e progressiva cada um dos principais aspetos da integração da Inteligência Artificial na Medicina Dentária. Desde os fundamentos da Machine Learning e da análise de dados, até às aplicações mais avançadas como a impressão 3D, a robótica e a gestão clínica, este Master proporcionará uma compreensão aprofundada da evolução tecnológica no domínio da medicina dentária. Assim, esta abordagem equilibrada entre teoria e prática irá preparar os profissionais para liderar a adoção responsável e eficaz da IA na Medicina Dentária, impulsionando a qualidade e precisão dos cuidados orais.

A TECHoferece-lhe uma educação única, preparando-o para adotar tecnologias avançadas, bem como para liderar a transformação digital e ética da prática da medicina dentária"

Módulo 1. Fundamentos da Inteligência Artificial

1.1. História da Inteligência Artificial 

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

1.2. Inteligência Artificial em jogos 

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

1.3. Redes neuronais 

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

1.4. Algoritmos genéticos

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

1.5. Tesauros, vocabulários, taxonomias

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

1.6. Web semântica

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

1.7. Sistemas periciais e DSS

1.7.1. Sistemas periciais 
1.7.2. Sistema de apoio à decisão

1.8. Chatbots e agentes virtuais

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

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

1.10.1. Compreendemos como detetar as emoções através de algoritmos
1.10.2. Criação de uma personalidade: Linguagem, expressões e conteúdo
1.10.3. Tendências da Inteligência Artificial
1.10.4. Reflexão

Módulo 2. Tipos e ciclo de vida do dado 

2.1. A estatística

2.1.1. Estatística: Estatística descritiva, inferências estatísticas
2.1.2. População, mostra indivíduo
2.1.3. Variáveis Definição, escalas de medida

2.2. Tipos de dados estatísticos

2.2.1. De acordo com o tipo

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

2.2.2. De acordo com a sua forma

2.2.2.1. Numérico
2.2.2.2. Texto 
2.2.2.3. Lógico

2.2.3. De acordo com a sua fonte

2.2.3.1. Primários
2.2.3.2. Secundários

2.3. Ciclo de vida dos dados

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

2.4. Etapas iniciais do ciclo

2.4.1. Definição de metas
2.4.2. Determinação de recursos necessários
2.4.3. Diagrama de Gantt
2.4.4. Estrutura de dados

2.5. Recolha de dados

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

2.6. Limpeza de dados

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

2.7. Análise de dados, interpretação e avaliação dos resultados

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

2.8. Armazém de dados (Datawarehouse)

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

2.9. Disponibilidade dos dados

2.9.1. Acesso
2.9.2. Utilidade
2.9.3. Segurança

2.10. Aspetos regulamentares

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

Módulo 3. O dado na Inteligência Artificial 

3.1. Ciência de dados

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

3.2. Dados, informação e conhecimento

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

3.3. Dos dados à informação

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

3.4. Extração de informação através da visualização

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

3.5. Qualidade dos dados

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

3.6. Dataset 

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

3.7. Desequilíbrio

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

3.8. Modelos sem supervisão

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

3.9. Modelos supervisionados 

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

3.10. Ferramentas e boas práticas

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

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

4.1. A Inferência estatística

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

4.2. Análise exploratória

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

4.3. Preparação de dados

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

4.4. Os valores perdidos

4.4.1. Tratamento de valores perdidos 
4.4.2. Métodos de imputação de máxima verosimilhança 
4.4.3. Imputação de valores perdidos utilizando a aprendizagem automática

4.5. O ruído dos dados

4.5.1. Classes de ruído e atributos 
4.5.2. Filtragem de ruído
4.5.3. O efeito do ruído

4.6. A maldição da dimensionalidade

4.6.1. Oversampling 
4.6.2. Undersampling 
4.6.3. Redução de dados multidimensionais

4.7. De atributos contínuos a discretos

4.7.1. Dados contínuos versus dados discretos 
4.7.2. Processo de discretização

4.8. Os dados

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

4.9. Seleção de instâncias

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

4.10. Pré-processamento de dados em ambientes Big Data 

Módulo 5. Algoritmo e complexidade na Inteligência Artificial 

5.1. Introdução às estratégias de design de algoritmos

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

5.2. Eficiência e análise dos algoritmos

5.2.1. Medidas de eficiência 
5.2.2. Medir o tamanho da entrada 
5.2.3. Medir o tempo de execução 
5.2.4. Caso pior, melhor e médio 
5.2.5. Notação assintótica 
5.2.6. Critérios de análise matemática de algoritmos não recursivos 
5.2.7. Análise matemática de algoritmos recursivos 
5.2.8. Análise empírica de algoritmos

5.3. Algoritmos de ordenação

5.3.1. Conceito de ordenação 
5.3.2. Ordenação da bolha 
5.3.3. Ordenação por seleção 
5.3.4. Ordenação por inserção 
5.3.5. Ordenação por mistura (Merge_Sort) 
5.3.6. Ordenação rápida (Quick_sort)

5.4. Algoritmos com árvores

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

5.5. Algoritmos com Heaps

5.5.1. Os Heaps 
5.5.2. O algoritmo Heapsort 
5.5.3. As filas de prioridade

5.6. Algoritmos com grafos

5.6.1. Representação 
5.6.2. Busca em amplitude 
5.6.3. Busca em profundidade 
5.6.4. Ordenação topológica

5.7. Algoritmos Greedy

5.7.1. A estratégia Greedy 
5.7.2. Elementos da estratégia Greedy 
5.7.3. Câmbio de moedas 
5.7.4. Problema do viajante 
5.7.5. Problema da mochila

5.8. Pesquisa de caminhos mínimos

5.8.1. O problema do caminho mínimo 
5.8.2. Arcos negativos e ciclos 
5.8.3. Algoritmo de Dijkstra

5.9. Algoritmos Greedy sobre grafos

5.9.1. A árvore de extensão mínima 
5.9.2. O algoritmo de Prim 
5.9.3. O algoritmo de Kruskal 
5.9.4. Análise de complexidade

5.10. Backtracking

5.10.1. O Backtracking 
5.10.2. Técnicas alternativas

Módulo 6. Sistemas inteligentes 

6.1. Teoria dos agentes

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

6.2. Arquiteturas de agentes

6.2.1. O processo de argumentação de um agente 
6.2.2. Agentes reativos 
6.2.3. Agentes dedutivos 
6.2.4. Agentes híbridos 
6.2.5. Comparativa

6.3. Informação e conhecimento

6.3.1. Distinção entre dados, informação e conhecimento 
6.3.2. Avaliação qualidade dos dados 
6.3.3. Métodos de recolha de dados 
6.3.4. Métodos de aquisição de informação 
6.3.5. Métodos de aquisição de conhecimento

6.4. Representação do conhecimento

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

6.5. Ontologias

6.5.1. Introdução aos metadados 
6.5.2. Conceito filosófico de ontologia 
6.5.3. Conceito informático de ontologia 
6.5.4. Ontologias de domínio e ontologias de nível superior 
6.5.5. Como construir uma ontologia?

6.6. Linguagens para ontologias e software para a criação de ontologias

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

6.7. A web semântica 

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

6.8. Outros modelos de representação do conhecimento

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

6.9. Avaliação e integração das representações do conhecimento

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

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

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

Módulo 7. Aprendizagem automática e mineração de dados 

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

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

7.2. Exploração e pré-processamento de dados

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

7.3. Árvore de decisão

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

7.4. Avaliação dos classificadores

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

7.5. Regras de classificação

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

7.6. Redes neuronais

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

7.7. Métodos bayesianos 

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

7.8. Modelos de regressão e modelos de resposta contínua

7.8.1. Regressão linear simples 
7.8.2. Regressão linear múltipla 
7.8.3. Regressão logística 
7.8.4. Árvores de regressão 
7.8.5. Introdução às máquinas de suporte vetorial (SVM) 
7.8.6. Medidas de adequação

7.9. Clustering

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

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

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

Módulo 8. Redes neuronais, a base da Deep Learning 

8.1. Aprendizagem profunda

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

8.2. Operações

8.2.1. Adição 
8.2.2. Produto 
8.2.3. Deslocalização

8.3. Camadas

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

8.4. Ligação de camadas e operações 

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

8.5. Construção da primeira rede neuronal

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

8.6. Treinador e Otimizador

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

8.7. Aplicação dos Princípios das Redes Neuronais

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

8.8. Dos neurónios biológicos aos neurónios artificiais

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

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

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

8.10. Hiperparâmetros de Fine tuning de Redes Neuronais

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

Módulo 9. Treino de redes neuronais profundas 

9.1. Problemas de Gradientes

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

9.2. Reutilização de camadas pré-treinadas

9.2.1. Treino de transferência de aprendizagem 
9.2.2. Extração de caraterísticas 
9.2.3. Aprendizagem profunda

9.3. Otimizadores

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

9.4. Programação da taxa de aprendizagem

9.4.1. Controlo de taxa sobre aprendizagem automática 
9.4.2. Ciclos de aprendizagem 
9.4.3. Termos de suavização

9.5. Sobreajuste

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

9.6. Orientações práticas

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

9.7. Transfer Learning

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

9.8. Data Augmentation

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

9.9. Aplicação Prática de Transfer Learning

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

9.10. Regularização 

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

Módulo 10. Personalização de Modelos e treino com TensorFlow 

10.1. TensorFlow

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

10.2. TensorFlow e NumPy

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

10.3. Personalização de modelos e algoritmos de treino

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

10.4. Funções e gráficos do TensorFlow

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

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

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

10.6. A API tfdata

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

10.7. O formato TFRecord

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

10.8. Camadas de pré-processamento do Keras

10.8.1. Utilização da API de pré-processamento do Keras 
10.8.2. Construção de pipelined de pré-processamento com o Keras 
10.8.3. Utilização da API de pré-processamento do Keras para o treino de modelos

10.9. O projeto TensorFlow Datasets

10.9.1. Utilização de TensorFlow Datasets para o carregamento de dados 
10.9.2. Pré-processamento de dados com o TensorFlow Datasets 
10.9.3. Utilização TensorFlow Datasets para o treino de modelos

10.10. Construção de uma Aplicação de Deep Learning com TensorFlow

10.10.1. Aplicação prática 
10.10.2. Construção de uma aplicação de Deep Learning com TensorFlow 
10.10.3. Treino de um modelo com o TensorFlow 
10.10.4. Utilizar a aplicação para previsão de resultados

Módulo 11. Deep Computer Vision com Redes Neuronais Convolucionais

11.1. A Arquitetura Visual Cortex

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

11.2. Camadas convolucionais

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

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

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

11.4. Arquitetura CNN 

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

11.5. Implementação de uma CNN ResNet usando o Keras

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

11.6. Utilização de modelos pré-treinados do Keras

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

11.7. Modelos pré-treinados para a aprendizagem por transferência

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

11.8. Classificação e localização em Deep Computer Vision

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

11.9. Deteção e seguimento de objetos

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

11.10. Segmentação semântica

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

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

12.1. Criação de texto utilizando RNN

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

12.2. Criação de conjuntos de dados de treino

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

12.3. Classificação da opiniões com RNN

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

12.4. Rede codificadora-descodificadora para tradução automática neural

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

12.5. Mecanismos de atenção

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

12.6. Modelos Transformers

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

12.7. Transformers para a visão

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

12.8. Biblioteca de Transformers de Hugging Face

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

12.9. Outras Bibliotecas de Transformers. Comparativa

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

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

12.10.1. Desenvolvimento de uma aplicação de processamento de linguagem natural com RNN e atenção 
12.10.2. Utilização de RNN, mecanismos de atenção e modelos Transformers na aplicação
12.10.3. Avaliação da aplicação prática 

Módulo 13. Autoencoders, GANs e Modelos de Difusão 

13.1. Representação de dados eficientes

13.1.1. Redução da dimensionalidade 
13.1.2. Aprendizagem profunda 
13.1.3. Representações compactas

13.2. Realização da PCA com um codificador automático linear incompleto

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

13.3. Codificadores automáticos empilhados

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

13.4. Autoencodificadores convolucionais

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

13.5. Redução do ruído dos codificadores automáticos

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

13.6. Codificadores automáticos dispersos

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

13.7. Codificadores automáticos variacionais

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

13.8. Geração de imagens MNIST de moda

13.8.1. Reconhecimento de padrões 
13.8.2. Criação de imagens 
13.8.3. Treino de redes neuronais profundas

13.9. Redes generativas antagónicas e modelos de difusão

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

13.10. Implantação dos Modelos

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

Módulo 14. Computação bioinspirada

14.1. Introdução à computação bioinspirada

14.1.1. Introdução à computação bioinspirada

14.2. Algoritmos de inspiração social

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

14.3. Algoritmos genéticos

14.3.1. Estrutura geral 
14.3.2. Implementações dos principais operadores

14.4. Estratégias de exploração do espaço para algoritmos genéticos

14.4.1. Algoritmo CHC 
14.4.2. Problemas multimodais

14.5. Modelos de computação evolutiva 

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

14.6. Modelos de computação evolutiva (II)

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

14.7. Programação evolutiva aplicada a problemas de aprendizagem

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

14.8. Problemas multiobjetivo

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

14.9. Redes neuronais (I)

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

14.10. Redes neuronais (II)

14.10.1. Casos de utilização de redes neuronais na investigação médica 
14.10.2. Casos de utilização de redes neuronais na economia 
14.10.3. Casos de utilização de redes neuronais na visão artificial

Módulo 15. Inteligência Artificial: Estratégias e aplicações

15.1. Serviços financeiros

15.1.1. As implicações da Inteligência Artificial (IA) nos serviços financeiros. Oportunidades e desafios
15.1.2. Casos de utilização
15.1.3. Potenciais riscos relacionados com a utilização de IA 
15.1.4. Potenciais desenvolvimentos/utilizações futuras da IA

15.2. Implicações da inteligência artificial no serviço de saúde

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

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

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

15.4. Retail

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

15.5. Indústria

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

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

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

15.7. Administração pública

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

15.8. Educação

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

15.9. Silvicultura e agricultura

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

15.10. Recursos Humanos

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

Módulo 16. Monitorização e controlo da saúde dentária através da IA 

16.1. Aplicações de IA para o controlo da saúde dentária do paciente

16.1.1. Conceção de aplicações móveis para a monitorização da higiene dentária 
16.1.2. Sistemas de IA para a deteção precoce de cáries e doenças periodontais 
16.1.3. Utilização da IA na personalização de tratamentos dentários 
16.1.4. Tecnologias de reconhecimento de imagem para diagnósticos dentários automatizados

16.2. Integração da informação clínica e biomédica como base para a monitorização da saúde dentária

16.2.1. Plataformas de integração de dados clínicos e radiográficos
16.2.2. Análise dos registos médicos para identificação de riscos dentários 
16.2.3. Sistemas de correlação entre dados biomédicos e condições dentárias 
16.2.4. Ferramentas para a gestão unificada das informações do paciente

16.3. Definição de indicadores para o controlo da saúde dentária do paciente

16.3.1. Estabelecimento de parâmetros de avaliação da saúde bucodental 
16.3.2. Sistemas de acompanhamento dos progressos dos tratamentos dentários 
16.3.3. Desenvolvimento de índices de risco de doença dentária
16.3.4. Métodos de IA para a previsão de futuros problemas dentários

16.4. Processamento de linguagem natural de registos dentários para a extração de indicadores

16.4.1. Extração automática de dados relevantes dos registos dentários 
16.4.2. Análise das notas clínicas para identificar tendências na saúde dentária 
16.4.3. Utilização da PNL para resumir registos médicos longos 
16.4.4. Sistemas de alerta precoce baseados na análise de textos clínicos

16.5. Ferramentas de IA para a monitorização e o controlo de indicadores de saúde dentária

16.5.1. Desenvolvimento de aplicações de monitorização da saúde e higiene orais 
16.5.2. Sistemas de alerta personalizados para os pacientes baseados na IA 
16.5.3. Ferramentas analíticas para a avaliação contínua da saúde dentária 
16.5.4. Utilização de wearables e sensores para monitorização dentária em tempo real

16.6. Desenvolvimento de dashboards para a monitorização de indicadores dentários

16.6.1. Criação de interfaces intuitivas para a monitorização da saúde dentária 
16.6.2. Integração de dados de diferentes fontes clínicas num único dashboard 
16.6.3. Ferramentas de visualização de dados para a monitorização de tratamentos 
16.6.4. Personalização dos dashboards de acordo com as necessidades do profissional de medicina dentária

16.7. Interpretação dos indicadores de saúde dentária e tomada de decisões

16.7.1. Sistemas de apoio à decisão clínica baseados em dados 
16.7.2. Análise preditiva para o planeamento de tratamentos dentários 
16.7.3. IA para interpretação de indicadores complexos de saúde bucodental 
16.7.4. Ferramentas para a avaliação da eficácia do tratamento

16.8. Geração de relatórios de saúde dentária utilizando ferramentas de IA

16.8.1. Automatização da criação de relatórios dentários pormenorizados 
16.8.2. Sistemas de geração de relatórios personalizados para pacientes 
16.8.3. Ferramentas de IA para resumir os resultados clínicos 
16.8.4. Integração de dados clínicos e radiológicos em relatórios automáticos

16.9. Plataformas com base em IA para a monitorização da saúde dentária pelo paciente

16.9.1. Aplicações para a automonitorização da saúde bucodental 
16.9.2. Plataformas de ensino dentário interativo baseadas em IA 
16.9.3. Ferramentas personalizadas de acompanhamento de sintomas e aconselhamento dentário 
16.9.4. Sistemas de gamificação para incentivar bons hábitos de higiene dentária

16.10. Segurança e privacidade no tratamento de informação dentária

16.10.1. Protocolos de segurança para a proteção dos dados do paciente 
16.10.2. Sistemas de cifragem e de anonimização na gestão dos dados clínicos 
16.10.3. Regulamentação e conformidade legal na gestão da informação dentária 
16.10.4. Educação e sensibilização para a privacidade dos profissionais e dos pacientes

Módulo 17. Diagnóstico e planeamento do tratamento dentário assistidos por IA 

17.1. IA no diagnóstico de doenças orais

17.1.1. Utilização de algoritmos de aprendizagem automática para identificar doenças orais 
17.1.2. Integração da IA em equipamento de diagnóstico para análise em tempo real 
17.1.3. Sistemas de diagnóstico assistidos por IA para melhorar a precisão 
17.1.4. Análise de sintomas e sinais clínicos através da IA para diagnósticos rápidos

17.2. Análise de imagens dentárias com IA

17.2.1. Desenvolvimento de software para interpretação automática de radiografias dentárias 
17.2.2. IA na deteção de anomalias em imagens de ressonância magnética oral 
17.2.3. Melhoria da qualidade das imagens dentárias através de tecnologias de IA 
17.2.4. Algoritmos de aprendizagem profunda para classificar condições dentárias em imagens

17.3. IA na deteção de cáries e patologias dentárias

17.3.1. Sistemas de reconhecimento de padrões para a identificação precoce de cáries 
17.3.2. IA para avaliação do risco de patologia dentária 
17.3.3. Tecnologias de visão por computador na deteção de doenças periodontais. 
17.3.4. Ferramentas de IA para monitorização e evolução da cárie

17.4. Modelação 3D e planeamento de tratamentos com IA

17.4.1. Utilização da IA para criar modelos 3D precisos da cavidade oral 
17.4.2. Sistemas de IA no planeamento de cirurgias dentárias complexas 
17.4.3. Ferramentas de simulação para prever os resultados dos tratamentos 
17.4.4. IA na personalização de próteses e aparelhos dentários 

17.5. Otimização de tratamentos ortodônticos com recurso à IA 

17.5.1. IA no planeamento e monitorização do tratamento ortodôntico 
17.5.2. Algoritmos para a previsão de movimentos dentários e ajustes ortodônticos 
17.5.3. Análise de IA para reduzir os tempos de tratamento ortodôntico 
17.5.4. Sistemas de monitorização remota e regulação de tratamento em tempo real 

17.6. Previsão de riscos em tratamentos dentários 

17.6.1. Ferramentas de IA para avaliação do risco em procedimentos dentários 
17.6.2. Sistemas de apoio à decisão para identificar potenciais complicações 
17.6.3. Modelos preditivos para antecipar reações a tratamentos 
17.6.4. Análise dos registos clínicos através da IA para personalizar tratamentos 

17.7. Personalização de planos de tratamento com IA 

17.7.1. A IA na adaptação do tratamento dentário às necessidades individuais 
17.7.2. Sistemas de recomendação de tratamentos baseados em IA 
17.7.3. Análise dos dados de saúde oral para planeamentos personalizados 
17.7.4. Ferramentas de IA para regular os tratamentos consoante a resposta do paciente 

17.8. Monitorização da saúde oral com tecnologias inteligentes 

17.8.1. Dispositivos inteligentes para a monitorização da higiene oral 
17.8.2. Aplicações móveis com IA para a monitorização da saúde dentária 
17.8.3. Wearables com sensores para detetar alterações na saúde oral 
17.8.4. Sistemas de alerta precoce baseados em IA para prevenir doenças orais 

17.9. IA na prevenção de doenças orais 

17.9.1. Algoritmos de IA para identificar fatores de risco de doenças orais 
17.9.2. Sistemas de educação e sensibilização para a saúde oral com IA 
17.9.3. Ferramentas de previsão para a prevenção precoce de problemas dentários 
17.9.4. IA na promoção de hábitos saudáveis para a prevenção oral 

17.10. Estudo de casos: Casos de sucesso no diagnóstico e planeamento com IA 

17.10.1. Análise de casos reais em que a IA melhorou o diagnóstico dentário 
17.10.2. Estudos de casos de sucesso sobre a aplicação da IA no planeamento de tratamentos 
17.10.3. Comparações de tratamentos com e sem a utilização de IA 
17.10.4. Documentação de melhorias na eficiência e eficácia clínicas graças à IA 

Módulo 18. Inovação com IA na Medicina Dentária 

18.1. Impressão 3D e fabrico digital na Medicina Dentária 

18.1.1. Utilização da impressão 3D para a criação de próteses dentárias personalizadas 
18.1.2. Fabrico de talas e alinhadores ortodônticos com recurso à tecnologia 3D 
18.1.3. Desenvolvimento de implantes dentários com recurso à impressão 3D 
18.1.4. Aplicação de técnicas de fabrico digital na restauração dentária 

18.2. Robótica nos procedimentos dentários 

18.2.1. Implementação de braços robóticos para cirurgias dentárias de precisão 
18.2.2. Utilização de robôs em procedimentos de endodontia e periodontia 
18.2.3. Desenvolvimento de sistemas robóticos para assistência em operações dentárias 
18.2.4. Integração da robótica no ensino prático da medicina dentária 

18.3. Desenvolvimento de materiais dentários com recurso à IA 

18.3.1. Utilização da IA para inovar os materiais de restauração dentária 
18.3.2. Análise preditiva para a durabilidade e a eficácia de novos materiais dentários 
18.3.3. IA na otimização das propriedades de materiais como as resinas e as cerâmicas 
18.3.4. Sistemas de IA para personalizar materiais de acordo com as necessidades do paciente 

18.4. Gestão da prática dentária com base na IA 

18.4.1. Sistemas de IA para uma gestão eficiente de marcações e horários 
18.4.2. Análise de dados para melhorar a qualidade dos serviços dentários 
18.4.3. Ferramentas de IA para a gestão de inventários em clínicas dentárias 
18.4.4. Utilização da IA para avaliação e melhoria contínua da prática dentária 

18.5. Teleodontologia e consultas virtuais 

18.5.1. Plataformas de teleodontologia para consultas à distância 
18.5.2. Utilização de tecnologias de videoconferência para diagnósticos remotos 
18.5.3. Sistemas de IA para avaliação preliminar online do estado dos dentes 
18.5.4. Ferramentas de comunicação segura entre pacientes e dentistas 

18.6. Automatização das tarefas administrativas nas clínicas dentárias 

18.6.1. Implementação de sistemas de IA para automatização da faturação e da contabilidade 
18.6.2. Utilização de software de IA na gestão dos registos dos pacientes 
18.6.3. Ferramentas de IA para a otimização dos fluxos de trabalho administrativos 
18.6.4. Sistemas de agendamento automático e de lembretes para consultas dentárias 

18.7. Análise de sentimento das opiniões dos pacientes 

18.7.1. Utilização de IA para avaliar a satisfação dos pacientes através de comentários online 
18.7.2. Ferramentas de processamento da linguagem natural para analisar or feedback dos pacientes 
18.7.3. Sistemas de IA para identificar áreas de melhoria nos serviços dentários 
18.7.4. Analisar as tendências e as perceções dos pacientes utilizando a IA 

18.8. IA no Marketing e na gestão das relações com os pacientes 

18.8.1. Implementação de sistemas de IA para personalizar as estratégias de marketing dentário 
18.8.2. Ferramentas de IA para a análise de comportamento do cliente 
18.8.3. Utilização da IA para gerir campanhas de marketing e promoções 
18.8.4. Sistemas de recomendação e fidelização de pacientes baseados em IA 

18.9. Segurança e manutenção do equipamento dentário com IA 

18.9.1. Sistemas de IA para monitorização e manutenção preditiva de equipamentos dentários 
18.9.2. Utilização da IA para garantir o cumprimento das normas de segurança 
18.9.3. Ferramentas de diagnóstico automatizadas para a deteção de falhas nos equipamentos 
18.9.4. Implementação de protocolos de segurança assistidos por IA nas práticas dentárias 

18.10. Integração da IA na educação e formação em medicina dentária 

18.10.1. Utilização de IA em simuladores para formação prática em medicina dentária 
18.10.2. Ferramentas de IA para a personalização da aprendizagem na medicina dentária 
18.10.3. Sistemas baseados em IA para avaliação e monitorização do progresso educativo 
18.10.4. Integração de tecnologias de IA no desenvolvimento de currículos e materiais didáticos 

Módulo 19. Análise avançada e processamento de dados na Medicina Dentária   

19.1. Big Data na Medicina Dentária: Conceitos e Aplicações  

19.1.1. A explosão de dados no âmbito da Medicina Dentária 
19.1.2. Conceito de Big Data 
19.1.3. Aplicações do Big Data na Medicina Dentária 

19.2. Mineração de dados em registos dentários  

19.2.1. Principais metodologias para a mineração de dados 
19.2.2. Integração de dados de registos dentários 
19.2.3. Deteção de padrões e anomalias nos registos dentários 

19.3. Técnicas avançadas de análise preditiva na saúde oral  

19.3.1. Técnicas de classificação para a análise da saúde oral 
19.3.2. Técnicas de regressão para a análise da saúde oral 
19.3.3. Deep Learning para a análise da saúde oral 

19.4. Modelos de IA para epidemiologia dentária   

19.4.1. Técnicas de classificação para a epidemiologia dentária 
19.4.2. Técnicas de regressão para a epidemiologia dentária 
19.4.3. Técnicas não supervisionadas para a epidemiologia dentária 

19.5. IA na gestão de dados clínicos e radiográficos   

19.5.1. Integração de dados clínicos para uma gestão eficaz com ferramentas de IA 
19.5.2. Transformação do diagnóstico radiográfico utilizando sistemas avançados de IA 
19.5.3. Gestão integrada de dados clínicos e radiográficos 

19.6. Algoritmos de aprendizagem automática na investigação dentária   

19.6.1. Técnicas de classificação na investigação dentária 
19.6.2. Técnicas de regressão na investigação dentária  
19.6.3. Técnicas não supervisionadas na investigação dentária 

19.7. Análise de redes sociais em comunidades de saúde oral   

19.7.1. Introdução à análise das redes sociais 
19.7.2. Análise de opiniões e sentimentos em redes sociais em comunidades de saúde oral  
19.7.3. Análise de tendências de redes sociais em comunidades de saúde oral  

19.8. IA na monitorização de tendências e padrões de saúde oral   

19.8.1. Deteção precoce de tendências epidemiológicas com IA 
19.8.2. Monitorização contínua dos padrões de higiene oral com sistemas de IA 
19.8.3. Previsão de alterações na saúde oral utilizando modelos de IA 

19.9. Ferramentas de IA para a análise de custos na Medicina Dentária   

19.9.1. Otimização de recursos e custos com ferramentas de IA 
19.9.2. Análise da eficiência e da relação custo-eficácia nas práticas dentárias com IA 
19.9.3. Estratégias de redução de custos baseadas em dados analisados por IA 

19.10. Inovações em IA para a investigação clínica dentária   

19.10.1. Implementação de tecnologias emergentes na investigação clínica dentária 
19.10.2. Melhoria da validação dos resultados da investigação clínica dentária com IA 
19.10.3. Colaboração multidisciplinar na investigação clínica pormenorizada por IA 

Módulo 20. Ética, regulação e o futuro da IA na Medicina Dentária   

20.1. Desafios éticos na utilização da IA na Medicina Dentária   

20.1.1. Ética na tomada de decisões clínicas assistidas por IA 
20.1.2. Privacidade do paciente em ambientes de medicina dentária inteligente 
20.1.3. Responsabilidade profissional e transparência nos sistemas de IA 

20.2. Considerações éticas na recolha e utilização de dados dentários 

20.2.1. Consentimento informado e gestão ética dos dados na medicina dentária 
20.2.2. Segurança e confidencialidade na gestão de dados sensíveis 
20.2.3. Ética na investigação com grandes conjuntos de dados na medicina dentária 

20.3. Equidade e parcialidade nos algoritmos de IA na medicina dentária 

20.3.1. Abordagem dos preconceitos nos algoritmos para garantir a equidade 
20.3.2. Ética na implementação de algoritmos preditivos na saúde oral 
20.3.3. Monitorização contínua para atenuar os preconceitos e promover a equidade 

20.4. Regulamentos e normas aplicáveis à IA dentária   

20.4.1. Conformidade regulamentar no desenvolvimento e utilização de tecnologias de IA 
20.4.2. Adaptação às alterações legais na implantação de sistemas de IA 
20.4.3. Colaboração com as autoridades reguladoras para garantir a conformidade 

20.5. IA e responsabilidade profissional na Medicina Dentária   

20.5.1. Desenvolvimento de normas éticas para os profissionais que utilizam a IA 
20.5.2. Responsabilidade profissional na interpretação dos resultados da IA 
20.5.3. Formação contínua em ética para os profissionais de saúde oral 

20.6. Impacto social da IA nos cuidados dentários 

20.6.1. Avaliação do impacto social para uma introdução responsável da IA 
20.6.2. Comunicação efectiva com os pacientes sobre as tecnologias de IA 
20.6.3. Participação da comunidade no desenvolvimento de tecnologias dentárias 

20.7. A IA e o acesso à assistência dentária   

20.7.1. Melhorar o acesso aos serviços dentários através das tecnologias de IA 
20.7.2. Responder aos desafios de acessibilidade com soluções de IA 
20.7.3. Equidade na distribuição de serviços dentários assistidos por IA 

20.8. IA e sustentabilidade em práticas dentárias   

20.8.1. Eficiência energética e redução de resíduos com a implementação da IA 
20.8.2. Estratégias de práticas sustentáveis melhoradas por tecnologias de IA 
20.8.3. Avaliação do impacto ambiental na integração de sistemas de IA 

20.9. Desenvolvimento de políticas na IA para o setor dentário   

20.9.1. Colaboração com instituições para o desenvolvimento de políticas éticas 
20.9.2. Criação de diretrizes de boas práticas na utilização da IA 
20.9.3. Participação ativa na formulação de políticas governamentais relacionadas com a IA 

20.10. Avaliação ética dos riscos/benefícios da IA na medicina dentária 

20.10.1. Análise do risco ético na implementação da tecnologias de IA 
20.10.2. Avaliação contínua do impacto ético nos cuidados dentários 
20.10.3. Benefícios a longo prazo e atenuação dos riscos na implantação de sistemas de IA  

Irá adquirir os conhecimentos mais atualizados sobre o panorama da Inteligência Artificial aplicada à Medicina Dentária"