Com este Master 100% online, compreenderá como a IA pode transformar a análise técnica e fundamental, optimizando as decisões de investimento com uma precisão que desafia a intuição humana” 

A utilização da Inteligência Artificial (IA) nas finanças intensificou-se com o desenvolvimento de algoritmos avançados de Machine Learning, que optimizam as estratégias de investimento e a análise de risco. As instituições financeiras estão a adotar a IA para automatizar operações, detetar fraudes em tempo real e personalizar recomendações de investimento para os seus clientes.

Assim nasceu este Master, que permitirá compreender de forma sólida a aplicação de técnicas avançadas de Inteligência Artificial para a análise técnica dos mercados. Assim, os profissionais poderão utilizar ferramentas modernas para a visualização e automatização de indicadores técnicos, bem como implementar modelos sofisticados, tais como redes neurais convolucionais para o reconhecimento de padrões financeiros.

Além disso, os especialistas familiarizar-se-ão com técnicas de Machine Learning e Deep Learning, bem como com o processamento de linguagem natural (PLN) para analisar demonstrações financeiras e outros documentos relevantes. Serão igualmente abordadas as metodologias de avaliação do risco e do crédito, a análise da sustentabilidade ESG e a deteção de fraudes financeiras.
Por último, será abordado o tratamento de grandes volumes de dados financeiros, a manipulação e a análise do Big Data com ferramentas avançadas, como o Hadoop e Spark. Além disso, serão exploradas a integração, a limpeza e a visualização de dados, bem como a segurança e a privacidade no tratamento de informações financeiras. Serão analisadas estratégias de trading algorítmico, incluindo a conceção e otimização de sistemas automatizados e a gestão de riscos.

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

Será capaz de lidar e analisar grandes volumes de dados financeiros, conceber estratégias de negociação algorítmicas eficazes e lidar com questões éticas e regulamentares complexas. 

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

• O desenvolvimento de estudos de caso apresentados por especialistas em Inteligência Artificial centrados na Bolsa de Valores e nos Mercados Financeiros
• Os conteúdos gráficos, esquemáticos e predominantemente práticos com que está concebido fornecem informações práticas sobre as disciplinas que são essenciais para a atividadeprofissional
• 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 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

Irá explorar métodos avançados como a aprendizagem por reforço para a negociação algorítmica e a modelização de séries temporais com LSTM, graças a uma extensa biblioteca de recursos multimédia inovadores” 

O corpo docente do programa inclui profissionais do sector que trazem a experiência do seu trabalho para esta formação, bem como especialistas reconhecidos das principais sociedades e universidades de prestígio.

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

O design deste programa foca-se na Aprendizagem Baseada em Problemas, através da qual o profissional deverá tentar resolver as diferentes situações da atividade profissional que surgem ao longo do curso. Para tal, contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos.

Terá a capacidade de realizar análises precisas e eficientes num ambiente de crescente complexidade e dinâmica dos mercados financeiros, através dos melhores materiais didácticos, na vanguarda da tecnologia e da educação"

Abordará a ética e a regulamentação na utilização da IA nas finanças, preparando-o para enfrentar os desafios éticos e regulamentares, bem como para desenvolver tecnologias de forma responsável no sector financeiro"

Esta capacitação académica oferecerá um conteúdo abrangente, concebido para abordar as complexidades do ambiente financeiro moderno através da utilização avançada de tecnologias de IA. Os especialistas irão explorar a análise técnica e fundamental dos mercados financeiros, aplicando ferramentas de Machine Learning e Deep Learning para otimizar as decisões de investimento e as estratégias de negociação. Serão também abordadas técnicas de processamento e visualização de grandes volumes de dados, bem como o desenvolvimento e implementação de sistemas algorítmicos de alta frequência. 

Centrar-se-á em questões críticas como a ética e a regulamentação na utilização da IA nas finanças, preparando-o para gerir desafios éticos e regulamentares, com a melhor universidade digital do mundo, de acordo com a Forbes: a TECH”

Módulo 1. Fundamentos da Inteligência Artificial

1.1. História da Inteligência Artificial

1.1.1. Quando se começa a falar de inteligência artificial?
1.1.2. Referências no cinema
1.1.3. Importância da inteligência artificial
1.1.4. Tecnologias que viabilizam e apoiam a inteligência artificial

1.2. Inteligência Artificial em jogos

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

1.3. Redes neuronais

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

1.4. Algoritmos genéticos

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

1.5. Tesauros, vocabulários, taxonomias

1.5.1. Vocabulários
1.5.2. Taxonomias
1.5.3. Tesaurus
1.5.4. Ontologias
1.5.5. Representação do conhecimento: web semântica

1.6. Web semântica

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

1.7. Sistemas periciais e DSS

1.7.1. Sistemas periciais
1.7.2. Sistema de apoio à decisão

1.8. Chatbots e assistentes virtuais

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

1.9. Estratégia de implementação de IA
1.10. Futuro da inteligência artificial

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

Módulo 2. Tipos e Ciclo de Vida do Dado

2.1. A Estatística

2.1.1. Estatística: estatística descritiva, inferências estatísticas
2.1.2. População, amostra indivíduo
2.1.3. Variáveis: Definição de medição

2.2. Tipos de dados estatísticos

2.2.1. De acordo com o tipo

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

2.2.2. De acordo com a sua forma

2.2.2.1. Numérico
2.2.2.2. Texto
2.2.2.3. Lógico

2.2.3. De acordo com a sua fonte

2.2.3.1. Primários
2.2.3.2. Secundários

2.3. Ciclo de vida dos dados

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

2.4. Etapas iniciais do ciclo

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

2.5. Recolha de dados

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

2.6. Limpeza de dados

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

2.7. Análise de dados, interpretação e avaliação dos resultados

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

2.8. Armazém de dados (Datawarehouse)

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

2.9. Disponibilidade dos dados

2.9.1. Acesso
2.9.2. Utilidade
2.9.3. Segurança

2.10. Aspetos regulamentares

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

Módulo 3. O dado na Inteligência Artificial

3.1. Ciência de dados

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

3.2. Dados, informação e conhecimento

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

3.3. Dos dados à informação

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

3.4. Extração de informação através da visualização

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

3.5. Qualidade dos dados

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

3.6. Dataset

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

3.7. Desequilíbrio

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

3.8. Modelos não supervisionados

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

3.9. Modelos supervisionados

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

3.10. Ferramentas e boas práticas

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

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

4.1. A inferência estatística

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

4.2. Análise exploratória

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

4.3. Preparação de dados

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

4.4. Os valores perdidos

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

4.5. O ruído dos dados

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

4.6. A maldição da dimensionalidade

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

4.7. De atributos contínuos a discretos

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

4.8. Os dados

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

4.9. Seleção de instâncias

4.9.1. Métodos para a seleção de instâncias
4.9.2. Seleção de protótipos
4.9.3. Métodos avançados para a seleção de instâncias
4.10. Pré-processamento de dados em ambientes Big Data

Módulo 5. Algoritmo e complexidade na Inteligência Artificial

5.1. Introdução às estratégias de desenho do algoritmos

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

5.2. Eficiência e análise dos algoritmos

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

5.3. Algoritmos de ordenação

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

5.4. Algoritmos com árvores

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

5.5. Algoritmos com Heaps

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

5.6. Algoritmos com Grafos

5.6.1. Representação
5.6.2. Caminho de largura
5.6.3. Caminho de profundidade
5.6.4. Ordenação topológica

5.7. Algoritmos Greedy

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

5.8. Pesquisa de caminhos mínimos

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

5.9. Algoritmos Greedy sobre Grafos

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

5.10. Backtracking

5.10.1. O Backtracking
5.10.2. Técnicas alternativas

Módulo 6. Sistemas inteligentes

6.1. Teoria dos agentes

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

6.2. Arquiteturas de agentes

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

6.3. Informação e conhecimento

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

6.4. Representação do conhecimento

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

6.5. Ontologias

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

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

6.6.1. 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 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

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 técnica dos mercados financeiros com IA

16.1. Análise e visualização de indicadores técnicos com Plotly e Dash

16.1.1. Implementação de gráficos interactivos com Plotly
16.1.2. Visualização avançada de séries cronológicas com Matplotlib
16.1.3. Criação de dashboards dinâmica em tempo real com o Dash

16.2. Otimização e automatização de indicadores técnicos com Scikit-learn

16.2.1. Automatização de indicadores com Scikit-learn
16.2.2. Otimização dos indicadores técnicos
16.2.3. Criar indicadores personalizados com o Keras

16.3. Reconhecimento de padrões financeiros com CNN

16.3.1. Utilizar a CNN no TensorFlow para identificar padrões em grafos
16.3.2. Melhora de modelos de reconhecimento com Transfer Learning
16.3.3. Validação de modelos de reconhecimento em mercados em tempo real

16.4. Estratégias para trading quantitativo com o QuantConnect

16.4.1. Construção de sistemas de trading algorítmicos com QuantConnect
16.4.2. Backtesting de estratégias com o QuantConnect
16.4.3. Integração de Machine Learning em estratégias para trading com QuantConnect

16.5. Trading algorítmico com Reinforcement Learning usando TensorFlow

16.5.1. Aprendizagem por reforço para trading
16.5.2. Criação de agentes de trading com TensorFlow Reinforcement Learning
16.5.3. Simulação e ajustamento de agentes no OpenAI Gym

16.6. Modelação de séries temporais com LSTM em Keras para previsão de preços

16.6.1. Aplicação de LSTM para previsão de preços
16.6.2. Implementação de modelos LSTM para séries cronológicas financeiras em Keras
16.6.3. Otimização e ajuste de parâmetros em modelos de séries temporais

16.7. Aplicação da Inteligência Artificial Explicável (XAI) nas finanças

16.7.1. Aplicação da XAI no sector financeiro
16.7.2. Aplicação do LIME a modelos de trading
16.7.3. Utilização do SHAP para análise da contribuição de caraterísticas em decisões de IA

16.8. High-Frequency Trading (HFT) optimizado com modelos de Machine Learning

16.8.1. Desenvolvimento de modelos ML para HFT
16.8.2. Implementação de estratégias HFT com TensorFlow
16.8.3. Simulação e avaliação de HFT em ambientes controlados

16.9. Análise de volatilidade utilizando Machine Learning

16.9.1. Aplicação de modelos inteligentes para prever a volatilidade
16.9.2. Implementação de modelos de volatilidade com PyTorch
16.9.3. Integração da análise da volatilidade na gestão do risco da carteira

16.10. Otimização de carteiras com algoritmos genéticos

16.10.1. Fundamentos dos algoritmos genéticos para a otimização dos investimentos nos mercados
16.10.2. Implementação de algoritmos genéticos para a seleção de carteiras
16.10.3. Avaliação das estratégias de otimização da carteira

Módulo 17. Análise fundamental dos mercados financeiros com IA

17.1. Modelação preditiva do desempenho financeiro com Scikit-Learn

17.1.1. Regressão linear e logística para previsões financeiras com Scikit-Learn
17.1.2. Utilizar redes neuronais com o TensorFlow para prever receitas e lucros
17.1.3. Validação de modelos de previsão com cross-validation utilizando Scikit-Learn

17.2. Avaliação de empresas com deep learning

17.2.1. Automatização do modelo de fluxo de caixa descontado (DCF) com TensorFlow
17.2.2. Modelos de avaliação avançados utilizando PyTorch
17.2.3. Integração e análise de modelos de avaliação múltipla com Pandas

17.3. Análise de demonstrações financeiras com PNL via ChatGPT

17.3.1. Extração de informações essenciais dos relatórios anuais com o ChatGPT
17.3.2. Análise de sentimento em relatórios de analistas e notícias financeiras com ChatGPT
17.3.3. Implementação de modelos de PNL com Chat GPT para a interpretação de textos financeiros 

17.4. Análise de risco e de crédito com Machine Learning

17.4.1. Modelos de pontuação de crédito utilizando SVM e árvores de decisão no Scikit-Learn
17.4.2. Análise do risco de crédito de empresas e obrigações com TensorFlow
17.4.3. Visualizar dados de risco com o Tableau

17.5. Análise de crédito com Scikit-Learn

17.5.1. Implementação de modelos de Scoring de créditos
17.5.2. Análise do risco de crédito com RandomForest em Scikit-Learn
17.5.3. Visualização avançada dos resultados do crédito com o Tableau

17.6. Avaliação da sustentabilidade ESG utilizando Data Mining

17.6.1. Métodos de extração de dados ESG
17.6.2. Modelação do impacto ESG com técnicas de regressão
17.6.3. Aplicações da análise ESG nas decisões de investimento

17.7. Avaliação comparativa do sector com Inteligência Artificial utilizando TensorFlow e Power BI

17.7.1. Avaliação comparativa das empresas que utilizam a AI
17.7.2. Modelação preditiva do desempenho setorial com TensorFlow
17.7.3. Implementação de dashboards sectoriais com o Power BI

17.8. Gestão de carteiras com otimização por IA

17.8.1. Otimização da carteira
17.8.2. Uso de técnicas de Machine Learning para otimização de carteiras com Scikit-Optimize
17.8.3. Implementação e avaliação da eficácia dos algoritmos na gestão de carteiras 

17.9. Deteção de fraudes financeiras com IA utilizando TensorFlow e Keras

17.9.1. Conceitos e técnicas básicos de deteção de fraudes com IA
17.9.2. Construir modelos de deteção com redes neurais no TensorFlow
17.9.3. Aplicação prática de sistemas de deteção de fraudes em transacções financeiras

17.10. Análise e modelação de fusões e aquisições com IA

17.10.1. Utilizar modelos preditivos de IA para avaliar fusões e aquisições
17.10.2. Simulação de cenários pós-fusão utilizando Machine Learning
17.10.3. Avaliar o impacto financeiro das fusões e aquisições com modelos inteligentes

Módulo 18. Processamento de dados financeiros em grande escala

18.1. Big Data no contexto financeiro

18.1.1. Principais caraterísticas do Big Data em finanças
18.1.2. Importância dos 5 Vs (Volume, Velocidade, Variedade, Veracidade, Valor) nos dados financeiros
18.1.3. Casos de uso de Big Data em análise de risco e conformidade

18.2. Tecnologias de armazenamento e gestão de grandes volumes de dados financeiros

18.2.1. Sistemas de bases de dados NoSQL para armazenamento financeiro
18.2.2. Uso de Data Warehouses e Data Lakes no setor financeiro
18.2.3. Comparativa entre soluções on-premise e baseadas na nuvem

18.3. Ferramentas de processamento em tempo real para dados financeiros

18.3.1. Introdução a ferramentas como o Apache Kafka e o Apache Storm
18.3.2. Aplicações de processamento em tempo real para deteção de fraudes
18.3.3. Vantagens do processamento em tempo real em trading algorítmico

18.4. Integração e limpeza de dados nas finanças

18.4.1. Métodos e ferramentas para integrar dados de várias fontes
18.4.2. Técnicas de limpeza de dados para garantir a qualidade e a exatidão
18.4.3. Desafios na normalização dos dados financeiros

18.5. Técnicas de extração de dados aplicadas aos mercados financeiros

18.5.1. Algoritmos de classificação e previsão em dados de mercado
18.5.2. Análise do sentimento nas redes sociais para prever os movimentos do mercado
18.5.3. Extração de dados para identificar padrões de trading e o comportamento dos investidores

18.6. Visualização avançada de dados para análise financeira

18.6.1. Ferramentas e software de visualização de dados financeiros
18.6.2. Conceção de painéis de controlo interactivos para acompanhar os mercados
18.6.3. O papel da visualização na comunicação da análise de risco

18.7. Utilização do Hadoop e dos ecossistemas conexos no sector financeiro

18.7.1. Principais componentes do ecossistema Hadoop e sua aplicação no sector financeiro
18.7.2. Casos de utilização do Hadoop para análise de transacções de grande volume
18.7.3. Benefícios e desafios da integração do Hadoop nas infra-estruturas financeiras existentes

18.8. Aplicações Spark na análise financeira

18.8.1. Spark para análise de dados em tempo real e em lote
18.8.2. Criação de modelos preditivos utilizando Spark MLlib
18.8.3. Integração do Spark com outras ferramentas de Big Data no sector financeiro

18.9. Segurança e privacidade dos dados no sector financeiro

18.9.1. Regras e regulamentos de proteção de dados (RGPD, CCPA)
18.9.2. Estratégias de encriptação e gestão de acesso para dados sensíveis
18.9.3. Impacto das violações de dados nas instituições financeiras

18.10. O impacto da computação em nuvem na análise financeira em grande escala

18.10.1. Vantagens da nuvem para a escalabilidade e eficiência da análise financeira
18.10.2. Comparação de fornecedores de serviços em nuvem e dos seus serviços específicos para o sector financeiro
18.10.3. Estudos de caso sobre a migração para a nuvem em grandes instituições financeiras

Módulo 19. Estrategias de Trading Algorítmico

19.1. Fundamentos do trading algorítmico

19.1.1. Estrategias de trading algorítmico
19.1.2. Tecnologias e plataformas essenciais para o desenvolvimento de trading
19.1.3. Vantagens e desafios do trading automatizado versus negociação manual

19.2. Conceção de sistemas para trading automatizado

19.2.1. Estrutura e componentes de um sistema de negociação automatizado
19.2.2. Programação de algoritmos: da ideia à implementação
19.2.3. Considerações sobre latência e hardware em sistemas de negociação

19.3. Backtesting e avaliação de trading

19.3.1. Metodologias para um backtesting eficaz de estratégias algorítmicas
19.3.2. A importância dos dados históricos de qualidade no backtesting
19.3.3. Indicadores-chave de desempenho a avaliar estrategias de trading

19.4. Otimização de estratégias com Machine Learning

19.4.1. Aplicação de técnicas de aprendizagem supervisionada na melhoria das estratégias
19.4.2. Utilização da otimização por enxame de partículas e de algoritmos genéticos
19.4.3. Desafios do sobreajuste na otimização de trading

19.5. Trading de Alta Frequência (HFT)

19.5.1. Princípios e tecnologias subjacentes aos HFT
19.5.2. Impacto das HFT na liquidez e volatilidade do mercado
19.5.3. Estratégias comuns de HFT e sua eficácia

19.6. Algoritmos de execução de ordens

19.6.1. Tipos de algoritmos de implementação e sua aplicação prática
19.6.2. Algoritmos para minimizar o impacto no mercado
19.6.3. Utilização de simulações para melhorar a execução das ordens

19.7. Estratégias de arbitragem nos mercados financeiros

19.7.1. Arbitragem estatística e fixação do preço das concentrações nos mercados
19.7.2. Arbitragem de índices e ETFs
19.7.3. Desafios técnicos e jurídicos da arbitragem no trading moderno

19.8. Gestão do risco na negociação algorítmica

19.8.1. Medidas de risco na negociação algorítmica
19.8.2. Integração de limites de risco e de stop-loss nos algoritmos
19.8.3. Riscos específicos do trading algorítmico e como mitigá-los

19.9. Aspectos regulamentares e conformidade em trading algorítmico

19.9.1. Regulamentos globais que afectam o trading algorítmico
19.9.2. Conformidade regulamentar e elaboração de relatórios num ambiente automatizado
19.9.3. Implicações éticas dol trading automatizado

19.10. Futuro do trading algorítmico e tendências emergentes

19.10.1. O impacto da Inteligência Artificial no desenvolvimento futuro do trading algorítmico
19.10.2. Novas tecnologias Blockchain e sua aplicação no trading algorítmico
19.10.3. Tendências na adaptabilidade e personalização de algoritmos de trading

Módulo 20. Aspectos éticos e regulamentares da IA nas finanças

20.1. Ética na Inteligência Artificial aplicada às finanças

20.1.1. Princípios éticos fundamentais para o desenvolvimento e utilização da IA nas finanças
20.1.2. Estudos de caso sobre dilemas éticos em aplicações de IA financeira
20.1.3. Desenvolver códigos de conduta éticos para os profissionais das tecnologias financeiras

20.2. Regulamentos globais que afectam a utilização da IA nos mercados financeiros

20.2.1. Panorâmica dos principais regulamentos financeiros internacionais sobre a IA
20.2.2. Comparação das políticas de regulamentação da IA entre jurisdições
20.2.3. Implicações da regulamentação da IA para a inovação financeira

20.3. Transparência e explicabilidade dos modelos de IA no sector financeiro

20.3.1. A importância da transparência nos algoritmos de IA para a confiança dos utilizadores 
20.3.2. Técnicas e ferramentas para melhorar a explicabilidade dos modelos de IA
20.3.3. Desafios da implementação de modelos interpretáveis em ambientes financeiros complexos

20.4. Gestão dos riscos e conformidade ética na utilização da IA

20.4.1. Estratégias de atenuação dos riscos associadas à implantação da IA no sector financeiro
20.4.2. Conformidade ética no desenvolvimento e aplicação de tecnologias de IA
20.4.3. Supervisão ética e auditorias de sistemas de IA em operações financeiras

20.5. Impacto social e económico da IA nos mercados financeiros

20.5.1. Efeitos da IA na estabilidade e eficiência dos mercados financeiros
20.5.2. A IA e o seu impacto no emprego e nas competências profissionais no sector financeiro
20.5.3. Benefícios sociais e riscos da automatização financeira em grande escala

20.6. Privacidade e proteção de dados em aplicações de IA financeira

20.6.1. Regulamentação da privacidade dos dados aplicável às tecnologias de IA no sector financeiro
20.6.2. Técnicas de proteção de dados pessoais em sistemas financeiros baseados em IA
20.6.3. Desafios na gestão de dados sensíveis em modelos preditivos e analíticos

20.7. Enviesamento algorítmico e equidade nos modelos financeiros da IA

20.7.1. Identificação e atenuação de enviesamentos em algoritmos de IA financeira
20.7.2. Estratégias para garantir a equidade nos modelos automáticos de tomada de decisões automática
20.7.3. Impacto do enviesamento algorítmico na inclusão financeira e na equidade

20.8. Desafios da supervisão regulamentar na IA financeira

20.8.1. Dificuldades de monitorização e controlo das tecnologias avançadas de IA
20.8.2. Papel das autoridades financeiras na supervisão contínua da IA
20.8.3. Necessidade de adaptação regulamentar face ao avanço da tecnologia de IA

20.9. Estratégias para o desenvolvimento responsável das tecnologias de IA no sector financeiro

20.9.1. Melhores práticas para o desenvolvimento sustentável e responsável da IA no sector financeiro
20.9.2. Iniciativas e frameworks para a avaliação ética dos projectos de IA no domínio financeiro
20.9.3. Colaboração entre reguladores e empresas para promover práticas responsáveis

20.10. Futuro da regulamentação da IA no sector financeiro

20.10.1. Tendências emergentes e desafios futuros na regulamentação da IA no sector financeiro
20.10.2. Preparar os quadros jurídicos para as inovações disruptivas na tecnologia financeira
20.10.3. Diálogo e cooperação internacionais para uma regulamentação eficaz e unificada da IA no sector financeiro

Receberá uma formação sólida e actualizada, combinando teoria avançada com aplicações práticas para liderar na intersecção da Inteligência Artificial e das finanças"