Graças a este programa 100% online, poderá tirar o máximo partido do Big Data e analisar as tendências que influenciam o desempenho dos activos financeiros” 

De acordo com um estudo realizado pela Associação Financeira Internacional, 70% das instituições que implementaram soluções de Inteligência Artificial melhoraram a precisão das suas análises económicas e optimizaram a gestão das suas carteiras. Perante esta realidade, cada vez mais empresas exigem a incorporação de profissionais capazes de manusear habilmente ferramentas emergentes como o Big Data, o Processamento de Linguagem Natural ou as Redes Neuronais Convolucionais para tomar decisões estratégicas mais informadas e melhorar a gestão do risco financeiro. Para tirar partido destas oportunidades de emprego, os especialistas precisam de ter uma vantagem competitiva que os diferencie dos outros candidatos.

Com este objetivo em mente, a TECH está a lançar um programa revolucionário de Inteligência Artificial no Departamento Financeiro. Concebido por especialistas de renome na área, o programa académico proporcionará aos profissionais competências avançadas para lidar com ferramentas avançadas que vão desde a extração de dados, o Deep Computer Vision até os modelos de Redes Neuronais Recorrentes. Os alunos formados estarão, assim, altamente qualificados para utilizar modelos preditivos na gestão do risco financeiro, otimizar tarefas fastidiosas como a gestão da tesouraria e até automatizar outros processos, como as auditorias internas. Além disso, o material didático abordará os métodos mais inovadores para otimizar as diferentes carteiras de investimento. Além disso, o programa de estudos oferecerá ferramentas avançadas para a conceção de visualizações complexas de dados económicos utilizando o Google Data Studio.

Além disso, a qualificação baseia-se numa metodologia revolucionária, o Relearning alimentada pela TECH. É um sistema de aprendizagem que consiste na reiteração progressiva de aspectos-chave, o que garante que os conceitos essenciais do programa de estudos permaneçam na mente dos licenciados. Além disso, o plano de estudos pode ser planeado numa base individual, uma vez que não existem calendários fixos ou calendários de avaliação. Na mesma linha, o Campus Virtual estará disponível 24 horas por dia e permitirá aos profissionais descarregar os materiais para consulta sempre que desejarem.

O estudante atingirá o seu pleno potencial no domínio da gestão financeira com a ajuda de recursos multimédia em formatos como resumos interactivos, vídeos explicativos e leituras especializadas”

Este Master de Inteligência Artificial no Departamento Financeiro conta com o conteúdo educativo mais completo e atualizado do mercado. As suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Intelig[encia Artificial
• O conteúdo gráfico, esquemático e eminentemente prático com o qual está concebido fornece informações completas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Os exercícios práticos onde o processo de autoavaliação pode ser efetuado a fim de melhorar a aprendizagem
• O seu foco especial em metodologias inovadoras
• As aulas teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com ligação à Internet 

Pretende incorporar as técnicas mais inovadoras de Processamento de Linguagem Natural na sua prática diária? Conclua este curso universitário em menos de um ano”

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.

Irá treinar eficazmente modelos de aprendizagem automática, que lhe permitirão prever vários riscos financeiros potenciais"

Terá acesso a um sistema de aprendizagem baseado na repetição, com um ensino natural e progressivo ao longo de todo o plano de estudos"

Através deste programa, os profissionais irão manusear as principais ferramentas da Inteligência Artificial para otimizar os processos financeiros e melhorar a tomada de decisões estratégicas.  O plano de estudos abordará aspectos como o ciclo de vida dos dados, os algoritmos e a formação de redes neurais profundas. Os alunos adquirirão as competências necessárias para utilizar modelos preditivos para gerir riscos financeiros, melhorar o planeamento em tarefas como a gestão de tesouraria e automatizar tarefas de auditoria. O curso também oferecerá técnicas modernas para otimizar carteiras de investimento e visualizar dados económicos complexos utilizando o Google Data Studio.

Conceberá soluções de automatização que aumentem a eficiência de tarefas essenciais como a contabilidade, a gestão de tesouraria e a auditoria interna”

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 de TensorFlow Datasets para o treino de modelos

10.10. Construção de uma Aplicação de Deep Learning com TensorFlow

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

Módulo 11. Deep Computer Vision com Redes Neuronais Convolucionais

11.1. A Arquitetura Visual Cortex

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

11.2. Camadas convolucionais

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

11.3. Camadas de agrupamento e implementação de camadas de agrupamento

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

11.4. Arquitetura CNN

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

11.5. Implementação de uma CNN ResNet- usando Keras

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

11.6. Utilização de modelos pré-treinados do Keras

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

11.7. Modelos pré-treinados para a aprendizagem por transferência

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

11.8. Classificação e Localização em Deep Computer Vision

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

11.9. Deteção e seguimento de objetos

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

11.10. Segmentação semântica

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

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

12.1. Geração de texto utilizando RNN

12.1.1. Treino de uma RNN para geração de texto
12.1.2. Geração de linguagem natural com RNN
12.1.3. Aplicações de geração de texto com RNN

12.2. Criação de conjuntos de dados de treino

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

12.3. Classificação da opiniões com RNN

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

12.4. Rede codificadora-descodificadora para a tradução automática neural

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

12.5. Mecanismos de atenção

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

12.6. Modelos Transformers

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

12.7. Transformers para a visão

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

12.8. Biblioteca de Transformers de Hugging Face

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. Automatização dos processos no departamento financeiro com Inteligência Artificial

16.1. Automatização de processos financeiros com Ia e Robotic Process Automation (RPA)

16.1.1. IA e RPA para automatização e robotização de processos
16.1.2. Plataformas RPA para processos financeiros: UiPath, Blue Prism, e Automation Anywhere
16.1.3. Avaliação dos casos de utilização da RPA nas finanças e ROI esperado

16.2. Processamento automatizado de facturas com IA com a Kofax

16.2.1. Configurar soluções de IA para processamento de facturas com a Kofax
16.2.2. Aplicação de técnicas de Machine Learning para a classificação das facturas
16.2.3. Automatização do ciclo de contas a pagar com tecnologias de IA

16.3. Automatização de pagamentos com plataformas de IA

16.3.1. Implementação de sistemas de pagamento automatizados com Stripe Radar e IA
16.3.2. Utilizar modelos preditivos de IA para uma gestão eficiente do dinheiro
16.3.3. Segurança nos sistemas de pagamento automático: Prevenção de fraudes com a AI

16.4. Reconciliação bancária com AI e Machine Learning

16.4.1. Automatização da reconciliação bancária utilizando IA com plataformas como o Xero
16.4.2. Implementação de Algoritmos de Machine Learning para melhorar a precisão
16.4.3. Estudos de casos: Melhorias de eficiência e redução de erros

16.5. Gestão do fluxo de caixa com Deep Learning e TensorFlow

16.5.1. Modelação preditiva de fluxos de caixa com redes LSTM utilizando TensorFlow
16.5.2. Implementação de modelos LSTM em Python para previsão financeira
16.5.3. Integração de modelos preditivos em ferramentas de planeamento financeiro

16.6. Automatização do inventário com análise preditiva

16.6.1. Utilização de técnicas de previsão para otimizar a gestão do inventário
16.6.2. Aplicação de modelação preditiva com o Microsoft Azure Machine Learning
16.6.3. Integração de sistemas de gestão de inventário com ERPs

16.7. Relatórios financeiros automatizados com o Power BI

16.7.1. Automatização de relatórios financeiros utilizando o Power BI
16.7.2. Desenvolvimento de dashboards dinâmicos para análise financeira em tempo real
16.7.3. Estudos de casos de melhorias na tomada de decisões financeiras com relatórios automatizados

16.8. Otimização de compras com o IBM Watson

16.8.1. Análise preditiva para otimização de compras com o IBM Watson
16.8.2. Modelos de AI para negociações e fixação de preços
16.8.3. Integração de recomendações de IA nas plataformas de compras

16.9. Apoio ao cliente com chatbots financeiros e Google DialogFlow

16.9.1. Implementação de chatbots financeiros com o Google Dialogflow
16.9.2. Integração de chatbots em plataformas de CRM para apoio financeiro
16.9.3. Melhoria contínua dos chatbots com base no feedback dos utilizadores

16.10. Auditoria financeira assistida pela AI

16.10.1. Aplicações de AI em auditorias internas: Análise das transacções
16.10.2. Implementação da AI para auditoria de conformidade e deteção de discrepâncias
16.10.3. Melhorar a eficiência da auditoria com tecnologias de IA

Módulo 17. Planeamento estratégico e tomada de decisões com inteligência artificial

17.1. Modelação preditiva para planeamento estratégico com Scikit-Learn

17.1.1. Modelação preditiva com Python e Scikit-Learn
17.1.2. Aplicação da análise de regressão na avaliação de projectos
17.1.3. Validação de modelos preditivos utilizando técnicas de validação cruzada em Python

17.2. Análise de cenários com simulações de Monte Carlo

17.2.1. Implementação de simulações de Monte Carlo com Python para análise de riscos
17.2.2. Utilizar a IA para automatizar e melhorar as simulações de cenários
17.2.3. Interpretação e aplicação dos resultados para a tomada de decisões estratégicas

17.3. Avaliação do investimento com recurso à AI

17.3.1. Técnicas de AI para avaliação de activos e empresas
17.3.2. Modelos de Machine Learning para estimativa de valores com Python
17.3.3. Análise de casos: Utilização da IA na avaliação de startups tecnológicas

17.4. Otimização das fusões e aquisições com Machine Learning e TensorFlow

17.4.1. Modelação preditiva para avaliar sinergias de fusões e aquisições com TensorFlow
17.4.2. Simulação de integrações pós-fusões e aquisições com modelos de AI
17.4.3. Utilização da PNL para análise automatizada de diligências devidas

17.5. Gestão de carteiras com algoritmos genéticos

17.5.1. Utilização de algoritmos genéticos para a otimização de carteiras
17.5.2. Implementação de estratégias de seleção e atribuição com Python
17.5.3. Analisar a eficácia das carteiras optimizadas por IA

17.6. Inteligência artificial para o planeamento das sucessões

17.6.1. Utilizar a IA para identificar e desenvolver talentos
17.6.2. Modelos preditivos para planeamento de sucessões utilizando Python
17.6.3. Melhoria da gestão da mudança através da integração da AI

17.7. Desenvolvimento de estratégias de mercado com IA e TensorFlow

17.7.1. Aplicação de técnicas de Deep Learning para análise de mercado
17.7.2. Uso de TensorFlow e Keras para modelar as tendências do mercado
17.7.3. Desenvolvimento de estratégias de entrada no mercado com base em insights de AI

17.8. Competitividade e análise da concorrência com IA e IBM Watson

17.8.1. Controlo das competências através da PNL e Machine Learning
17.8.2. Análise competitiva automatizada com o IBM Watson
17.8.3. Implementação de estratégias competitivas derivadas da análise da AI

17.9. Negociações estratégicas assistidas por IA

17.9.1. Aplicação de modelos de AI na preparação de negociações
17.9.2. Utilização de simuladores de negociação baseados em IA para formação
17.9.3. Avaliação do impacto da AI nos resultados das negociações

17.10. Implementação de projectos de AI na estratégia financeira

17.10.1. Planeamento e gestão de projectos de AI
17.10.2. Utilização de ferramentas de gestão de projectos, como o Microsoft Project
17.10.3. Apresentação de estudos de casos e análise do sucesso e da aprendizagem

Módulo 18. Técnicas avançadas de otimização financeira com OR-Tools

18.1. Introdução à otimização financeira

18.1.1. Conceitos básicos de otimização
18.1.2. Ferramentas e técnicas de otimização financeira
18.1.3. Aplicações de otimização financeira

18.2. Otimização das carteiras de investimento

18.2.1. Modelos de Markowitz para otimização de carteiras
18.2.2. Otimização da carteira com restrições
18.2.3. Implementação de modelos de otimização com OR-Tools em Python

18.3. Algoritmos genéticos em finanças

18.3.1. Introdução aos algoritmos genéticos
18.3.2. Aplicação de algoritmos genéticos na otimização financeira
18.3.3. Exemplos práticos e estudos de casos

18.4. Programação linear e não linear em finanças

18.4.1. Fundamentos da programação linear e não linear
18.4.2. Aplicações na gestão de carteiras e otimização de recursos
18.4.3. Ferramentas para resolver problemas de programação linear

18.5.  Otimização estocástica em finanças

18.5.1. Conceitos de otimização estocástica
18.5.2. Aplicações em gestão de riscos e derivados financeiros
18.5.3. Modelos e técnicas de otimização estocástica

18.6. Otimização robusta e sua aplicação em finanças

18.6.1. Fundamentos da otimização robusta
18.6.2. Aplicações em ambientes financeiros incertos
18.6.3. Estudos de casos e exemplos de otimização robusta

18.7. Otimização multiobjectivo em finanças

18.7.1. Introdução à otimização multiobjectivo
18.7.2. Aplicações em diversificação e afetação de activos
18.7.3. Técnicas e ferramentas para a otimização multi-objetivo

18.8. Machine Learning para a otimização financeira

18.1.1. Aplicação de técnicas de Machine Learning na otimização
18.1.2. Algoritmos de otimização baseados em Machine Learning
18.1.3. Implementação e estudos de casos

18.9. Ferramentas de otimização Python e OR-Tools

18.9.1. Bibliotecas e ferramentas de otimização Python (SciPy, OR-Tools)
18.9.2. Aplicação prática de problemas de otimização
18.9.3. Exemplos de aplicações financeiras

18.10. Projectos e aplicações práticas de otimização financeira

18.10.1. Desenvolvimento de projectos de otimização financeira
18.10.2. Implementação de soluções de otimização no sector financeiro
18.10.3. Avaliação e apresentação dos resultados do projeto

Módulo 19. Análise e visualização de dados financeiros com Plotly e Google Data Studio

19.1. Fundamentos da análise de dados financeiros

19.1.1. Introdução à análise de dados
19.1.2. Ferramentas e técnicas de análise de dados financeiros
19.1.3. Importância da análise de dados em finanças

19.2. Técnicas de análise exploratória de dados financeiros

19.2.1. Análise descritiva dos dados financeiros
19.2.2. Visualizar dados financeiros com Python e R
19.2.3. Identificação de padrões e tendências em dados financeiros

19.3.  Análise de séries temporais financeiras

19.3.1. Fundamentos de séries temporais
19.3.2. Modelos de séries cronológicas para dados financeiros
19.3.3. Análise e previsão de séries cronológicas

19.4. Análise de correlação e causalidade em finanças

19.4.1. Métodos de análise de correlação
19.4.2. Técnicas de identificação de relações causais
19.4.3. Aplicações em análise financeira

19.5. Visualização avançada de dados financeiros

19.5.1. Técnicas avançadas de visualização de dados
19.5.2. Ferramentas de visualização interactiva (Plotly, Dash)
19.5.3. Casos de utilização e exemplos práticos

19.6. Análise de clusters em dados financeiros

19.6.1. Introdução à análise de agrupamentos
19.6.2. Aplicações na segmentação de mercados e clientes
19.6.3. Ferramentas e técnicas para análise de agrupamentos

19.7. Redes e análise de redes em finanças

19.7.1. Fundamentos da análise de redes
19.7.2. Aplicações da análise gráfica em finanças
19.7.3. Ferramentas de análise de redes (NetworkX, Gephi)

19.8. Análise de texto e de sentimentos em finanças

19.8.1. Processamento de linguagem natural (PNL) em finanças
19.8.2. Análise de sentimentos nas notícias e nas redes sociais
19.8.3. Ferramentas e técnicas de análise de texto

19.9. Ferramentas de visualização e análise de dados financeiros com IA

19.9.1. Bibliotecas de análise de dados Python (Pandas, NumPy)
19.9.2. Ferramentas de visualização em R (ggplot2, Shiny)
19.9.3. Aplicação prática da análise e da visualização

19.10. Projectos e aplicações práticas de análise e visualização

19.10.1. Desenvolvimento de projectos de análise de dados financeiros
19.10.2. Implementação de soluções de visualização interactiva
19.10.3. Avaliação e apresentação dos resultados do projeto

Módulo 20. Inteligência Artificial para a gestão do risco financeiro com TensorFlow  e Scikit-learn

20.1. Fundamentos da gestão do Riscos financeiros

20.1.1. Noções básicas de gestão de riscos
20.1.2. Tipos de riscos financeiros
20.1.3. Importância da gestão do risco nas finanças

20.2. Modelos de risco de crédito com IA

20.2.1. Técnicas de machine learning para a avaliação do risco de crédito
20.2.2. Modelos de scoring de crédito (scikit-learn)
20.2.3. Implementação de modelos de risco de crédito com Python

20.3. Modelos de risco de mercado com IA

20.3.1. Análise e gestão do risco de mercado
20.3.2. Aplicação da modelação preditiva ao risco de mercado
20.3.3. Implementação de modelos de risco de mercado

20.4. Risco operacional e sua gestão com a IA

20.4.1. Conceitos e tipos de risco operacional
20.4.2. Aplicação de técnicas de IA para a gestão do risco operacional
20.4.3. Ferramentas e exemplos práticos

20.5. Modelos de risco de liquidez com IA

20.5.1. Fundamentos do risco de liquidez
20.5.2. Técnicas de machine learning para a análise do risco de liquidez
20.5.3. Implementação prática de modelos de risco de liquidez

20.6. Análise de risco sistémico com AI

20.6.1. Conceitos de risco sistémico
20.6.2. Aplicações de IA na avaliação do risco sistémico
20.6.3. Estudos de casos e exemplos práticos

20.7. Otimização da carteira com considerações de risco

20.7.1. Técnicas de otimização da carteira
20.7.2. Incorporação de medidas de risco na otimização
20.7.3. Ferramentas de otimização da carteira

20.8. Simulação de riscos financeiros

20.8.1. Métodos de simulação para a gestão do risco
20.8.2. Aplicação de simulações de Monte Carlo em finanças
20.8.3. Implementação de simulações com Python

20.9. Avaliação e controlo contínuos dos riscos

20.9.1. Técnicas de avaliação contínua dos riscos
20.9.2. Ferramentas de monitorização e comunicação de riscos
20.9.3. Implementação de sistemas de monitorização contínua

20.10. Projectos e aplicações práticas na gestão do risco

20.10.1. Desenvolvimento de projectos de gestão do risco financeiro
20.10.2. Implementar soluções de IA para a gestão do risco
20.10.3. Avaliação e apresentação dos resultados do projeto

Este programa permitir-lhe-á progredir de forma imparável na sua carreira de diretor financeiro. Inscreva-se já!"