Graças a este Master 100% online, irá adquirir competências tecnológicas avançadas, através da IA, para otimizar a gestão de talentos e melhorar a eficiência operacional na sua organização”

A Inteligência Artificial (IA) está a revolucionar o departamento de Recursos Humanos (RH), melhorando a eficiência na gestão de talentos e na tomada de decisões. As ferramentas baseadas em IA, como os chatbots e o software de análise de sentimentos, permitem uma interação mais fácil com os funcionários e ajudam a identificar necessidades antes de se tornarem problemas.

Assim nasceu este Master, graças ao qual os profissionais serão capazes de melhorar a eficiência operacional na administração de pessoal, automatizando tarefas como a afetação de recursos e a gestão de salários. Além disso, será explorada em profundidade a análise preditiva para antecipar as necessidades de pessoal e a integração de sistemas para garantir uma conformidade perfeita.

Serão também dominadas ferramentas avançadas para automatizar a análise dos CV e a classificação dos candidatos, bem como para realizar entrevistas virtuais assistidas por Inteligência Artificial. Abordará também técnicas para eliminar preconceitos no recrutamento, garantindo um processo de recrutamento mais justo e preciso, aumentando a retenção e a adequação dos candidatos selecionados.

Por fim, exploraremos a forma como a Inteligência Artificial pode otimizar a gestão de talentos numa organização, identificando e retendo os principais funcionários, personalizando os percursos de desenvolvimento de carreira e realizando análises de competências para detetar lacunas de competências. Além disso, será abordada a implementação de programas virtuais de mentoria e coaching, avaliações do potencial de liderança e estratégias de gestão da mudança.

Desta forma, a TECH implementou um programa universitário exaustivo, totalmente em linha, de modo a que os licenciados apenas necessitem de um dispositivo eletrónico com ligação à Internet para aceder aos materiais didácticos, evitando problemas como a deslocação a um centro físico e a adaptação a um horário pré-estabelecido. Além disso, inclui a revolucionária metodologia Relearning, que consiste na repetição de conceitos-chave para uma assimilação óptima dos conteúdos assimilação dos conteúdos.

Estará preparado para liderar a transformação digital nos RH, implementando soluções inovadoras que automatizam processos, eliminam preconceitos no recrutamento e melhoram o desenvolvimento profissional dos trabalhadores”

Este Master em Inteligência Artificial no Departamento de Recursos Humanos 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 Inteligência Artificial
• Os conteúdos gráficos, esquemáticos e predominantemente práticos com que está concebido fornecem informações práticas sobre as disciplinas que são essenciais para a atividade 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

Melhorará a eficiência operacional na administração do pessoal e dos salários, automatizando tarefas cruciais como a atribuição de recursos e a gestão de benefícios. Do que está à espera para se inscrever?"

O corpo docente do programa inclui profissionais do sector que trazem para esta formação a experiência do seu trabalho, bem como especialistas reconhecidos de sociedades de referência e de 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 familiarizar-se com ferramentas que lhe permitirão automatizar a análise de CV, filtrar e classificar candidatos e realizar entrevistas virtuais com o apoio da IA. Com todas as garantias de qualidade da TECH!

Aposte na TECH! Identificará e reterá os principais colaboradores, personalizará os percursos de desenvolvimento de carreira e aplicará a IA para efetuar análises de competências e detetar lacunas de competências"

Ao contrário de outros programas, este curso combinará uma sólida base teórica com uma formação prática na aplicação de tecnologias avançadas. Analisará a forma de utilizar a IA para melhorar a administração do pessoal, otimizar os processos de recrutamento, gerir o talento, realizar avaliações de desempenho precisas e monitorizar o ambiente de trabalho. Além disso, os profissionais serão capazes de enfrentar os desafios contemporâneos em matéria de RH, melhorando a eficiência, a tomada de decisões e garantindo uma gestão justa e transparente.

Com a rápida evolução da IA no local de trabalho, posicionar-se-á na vanguarda da mudança organizacional, equipando-o para liderar a transformação digital nas organizações em que trabalha”

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
4.9.4. 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. Trigémeos 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. Administração de Recursos Humanos e de Folhas de Pagamento com IA

16.1. Inteligência Artificial para a Diversidade e Inclusão no Local de Trabalho

16.1.1. Análise da diversidade utilizando o IBM Watson para detetar tendências e preconceitos
16.1.2. Ferramentas de IA para detetar e corrigir preconceitos nos processos de RH
16.1.3. Avaliar o impacto das políticas de inclusão através da análise de dados

16.2. Fundamentos da administração do pessoal com IA

16.2.1. Automatização dos processos de aquisição e contratação onboarding
16.2.2. Utilização de sistemas de gestão de dados do pessoal baseados em IA
16.2.3. Melhorar a experiência dos trabalhadores através de plataformas inteligentes

16.3. Tecnologias de IA para os salários

16.3.1. Sistemas de IA para a contabilização automática dos salários
16.3.2. Gestão inteligente dos lucros com plataformas como a Gusto
16.3.3. Deteção de fraudes e erros nos salários através de algoritmos de IA

16.4. Otimizar a atribuição de recursos com a IA

16.4.1. Planeamento da força de trabalho com as ferramentas preditivas da Kronos
16.4.2. Modelos de IA para otimização de turnos e atribuição de tarefas
16.4.3. Análise da carga de trabalho e atribuição de recursos com o Power BI

16.5. IA na conformidade regulamentar e legal dos RH

16.5.1. Automatização do cumprimento das políticas laborais
16.5.2. Sistemas de IA para garantir equidade e transparência nos RH
16.5.3. Gestão de contratos e regulamentação com o IBM Watson Legal Advisor

16.6. Análise preditiva na gestão do pessoal

16.6.1. Modelação preditiva para a retenção de trabalhadores com IA da Retain
16.6.2. Análise de sentimentos nas comunicações internas
16.6.3. Previsão das necessidades de formação e desenvolvimento

16.7. Automatizar a gestão de benefícios com IA

16.7.1. Gestão de benefícios através de plataformas inteligentes como a Zenefits
16.7.2. Personalização dos pacotes de benefícios através da IA
16.7.3. Otimização dos custos de lucro através da análise de dados

16.8. Integração de sistemas de RH com IA

16.8.1. Sistemas integrados de gestão da força de trabalho com o Salesforce Einstein
16.8.2. Interface e usabilidade em sistemas de RH baseados em IA
16.8.3. Segurança e privacidade dos dados em sistemas incorporados

16.9. Formação apoiada pela IA e desenvolvimento do pessoal

16.9.1. Sistemas de aprendizagem adaptativos e personalizados
16.9.2. Plataformas de e-Learning impulsionadas por IA
16.9.3. Avaliação e monitorização do desempenho através de tecnologias inteligentes

16.10. Gestão de crises e mudanças com IA nos RH

16.10.1. Utilizar a IA para uma gestão eficaz da mudança organizacional
16.10.2. Ferramentas preditivas para preparação para crises com a Predictive Layer
16.10.3. Análise de dados para avaliação e adaptação de estratégias de RH em tempos de crise

Módulo 17. Processos de seleção e inteligência artificial

17.1. Introdução à aplicação da Inteligência Artificial na seleção de pessoal

17.1.1. Definição de Inteligência Artificial no contexto dos recursos humanos. Entrar
17.1.2. Importância da aplicação da IA nos processos de seleção
17.1.3. Vantagens da utilização da IA nos processos de seleção

17.2. Automatização de tarefas no processo de recrutamento

17.2.1. Utilizar a IA para automatizar os anúncios de emprego
17.2.2. Implementação de chatbots para responder às perguntas mais frequentes dos candidatos
17.2.3. Ferramentas. XOR

17.3. Análise de currículos com IA

17.3.1. Utilização de algoritmos de IA para analisar e avaliar currículos. Talview
17.3.2. Identificação automática das competências e da experiência relevantes para o cargo
17.3.3. Vantagens e desvantagens

17.4. Filtragem e classificação dos candidatos

17.4.1. Aplicação de IA para filtragem automática de candidatos com base em critérios específicos Vervoe
17.4.2. Classificar os candidatos de acordo com a sua aptidão para o emprego utilizando técnicas de aprendizagem automática
17.4.3. Utilização de IA para personalização dinâmica dos critérios de filtragem de acordo com os requisitos do posto de trabalho

17.5. Reconhecimento de padrões nas redes sociais e plataformas profissionais

17.5.1. Utilizar a IA para analisar os perfis dos candidatos nas redes sociais e nas plataformas profissionais
17.5.2. Identificação de padrões e tendências comportamentais relevantes para a definição de objectivos
17.5.3. Avaliar a presença em linha e a influência digital dos candidatos utilizando ferramentas de IA

17.6. Entrevistas virtuais assistidas por IA

17.6.1. Implementação de sistemas de entrevista virtual com análise da linguagem e das emoções Talentoday
17.6.2. Avaliação automática das respostas dos candidatos utilizando técnicas de processamento de linguagem natural
17.6.3. Desevolvimento de feedback automatizado e personalizado para os candidatos com base na análise de IA das entrevistas

17.7. Avaliação das aptidões e competências

17.7.1. Utilização de ferramentas de avaliação baseadas em IA para medir as competências técnicas e transversais OutMatch
17.7.2. Análise automática dos testes e exercícios de avaliação efectuados pelos candidatos. Harver
17.7.3. Correlação dos resultados da avaliação com o sucesso no local de trabalho utilizando a análise preditiva da IA

17.8. Eliminação do viés de seleção

17.8.1. Aplicar a IA para identificar e atenuar os preconceitos inconscientes no processo de seleção
17.8.2. Implementação de algoritmos de IA imparciais e justos na tomada de decisões
17.8.3. Formação e ajustamento contínuo dos modelos de IA para garantir a equidade na seleção do pessoal

17.9. Previsão da adequação e da retenção

17.9.1. Utilização de modelos de IA preditivos para prever a adequação e a probabilidade de retenção dos candidatos. Hiretual
17.9.2. Análise de dados históricos e métricas de desempenho para identificar padrões de sucesso
17.9.3. Modelos de IA para simular cenários de emprego e o seu impacto na retenção de candidatos

17.10. Ética e transparência na seleção da IA

17.10.1. Considerações éticas sobre a utilização da IA nos processos de recrutamento
17.10.2. Garantir a transparência e a explicabilidade dos algoritmos de IA utilizados nas decisões de contratação
17.10.3. Desenvolvimento de políticas de auditoria e análise de decisões automatizadas

Módulo 18. A IA e a sua aplicação na gestão de talentos e no desenvolvimento profissional

18.1. Introdução à aplicação da IA na gestão de talentos e no desenvolvimento de carreiras

18.1.1. Evolução histórica da IA na gestão de talentos e como transformou o sector
18.1.2. Definição de Inteligência Artificial no contexto dos recursos humanos
18.1.3. Importância da gestão de talentos e do desenvolvimento de carreiras. Glint

18.2. Automatização dos processos de gestão de talentos

18.2.1. Utilizar a IA para automatizar tarefas administrativas na gestão de talentos
18.2.2. Implementar sistemas de gestão de talentos baseados em IA
18.2.3. Avaliação da eficiência operacional e redução de custos através da automatização com IA

18.3. Identificar e reter talentos com a IA

18.3.1. Utilizar algoritmos de IA para identificar e reter talentos na organização
18.3.2. Análise preditiva para a deteção de trabalhadores com elevado potencial de crescimento
18.3.3. Integração da IA com sistemas de gestão de RH para monitorização e desenvolvimento contínuos do desempenho

18.4. Personalização do desenvolvimento profissional. Leader Amp

18.4.1. Implementação de programas personalizados de desenvolvimento profissional baseados na IA
18.4.2. Utilizar algoritmos de recomendação para sugerir oportunidades de aprendizagem e crescimento
18.4.3. Correspondência entre percursos de desenvolvimento de carreira e previsões de evolução do mercado de trabalho utilizando a IA

18.5. Análise das lacunas de competências e aptidões

18.5.1 Utilizar a IA para analisar as aptidões e competências actuais dos trabalhadores
18.5.2. Identificar lacunas de competências e necessidades de formação através da análise de dados
18.5.3. Implementação de programas de formação em tempo real com base em recomendações automáticas de IA

18.6. Mentoring e coaching virtual

18.6.1. Implementação de sistemas de tutoria virtual assistidos por IA. Crystal
18.6.2. Uso de chatbots e assistentes virtuais para fornecer coaching personalizado
18.6.3. Avaliação do impacto do coaching virtual através da análise de dados e feedback automatizado de IA

18.7. Reconhecimento dos resultados e do desempenho

18.7.1. Utilização de sistemas de reconhecimento de resultados baseados em IA para motivar os trabalhadores. BetterUp
18.7.2. Análise automática do desempenho e da produtividade dos trabalhadores com recurso à IA
18.7.3. Desenvolver um sistema de recompensa e reconhecimento baseado em IA

18.8. Avaliação do potencial de liderança

18.8.1. Aplicação de técnicas de IA para avaliar o potencial de liderança dos trabalhadores
18.8.2. Identificação de líderes emergentes e desenvolvimento de programas de liderança personalizados
18.8.3. Utilizar simulações baseadas em IA para formar e avaliar competências de liderança

18.9. Gestão da mudança e adaptabilidade organizacional

18.9.1. Análise preditiva para antecipar as necessidades de mudança e promover a resiliência organizacional
18.9.2. Planeamento da mudança organizacional através da IA
18.9.3. Utilizar a IA para gerir a mudança organizacional e promover a adaptabilidade. Cognitivo

18.10. Ética e responsabilidade na gestão de talentos com IA

18.10.1. Considerações éticas sobre a utilização da IA na gestão de talentos e no desenvolvimento de carreiras. Reflektive
18.10.2. Garantir a equidade e a transparência dos algoritmos de IA utilizados na tomada de decisões em matéria de gestão de talentos
18.10.3. Implementação de auditorias para monitorizar e ajustar os algoritmos de IA para garantir práticas éticas

Módulo 19. Avaliações de desempenho

19.1. Introdução à aplicação da IA nas avaliações de desempenho

19.1.1. Definição de Inteligência Artificial e o seu papel na avaliação do desempenho. 15Five:
19.1.2. Importância da utilização da IA para melhorar a objetividade e a eficiência das avaliações
19.1.3. Limitações da IA nas avaliações de desempenho

19.2. Automatização dos processos de avaliação

19.2.1. Utilização da IA para automatizar a recolha e análise de dados nas avaliações de desempenho. Peakon
19.2.2. Implementação de sistemas de avaliação automatizados baseados em IA
19.2.3. Estudos de sucesso sobre automatização com IA

19.3. Análise de dados e métricas de desempenho

19.3.1. Utilizar algoritmos de IA para analisar dados e tendências de desempenho
19.3.2. Identificar as principais métricas e KPIs utilizando técnicas avançadas de análise de dados
19.3.3. Formação em análise de dados de IA

19.4. Avaliação contínua e feedback em tempo real

19.4.1. Implementação de sistemas de avaliação contínua assistidos por IA. Lattice
19.4.2. Uso de chatbots e ferramentas de feedback em tempo real para fornecer feedback aos empregados
19.4.3. Impacto do feedback baseado em IA

19.5. Identificação dos pontos fortes e das áreas a melhorar

19.5.1. Aplicar a IA para identificar os pontos fortes e fracos dos trabalhadores
19.5.2. Análise automática de competências e aptidões utilizando técnicas de aprendizagem automática Workday Performance Management
19.5.3. Ligação ao desenvolvimento profissional e ao planeamento

19.6. Deteção de tendências e padrões de desempenho

19.6.1. Utilização da IA para detetar tendências e padrões no desempenho dos trabalhadores. TAlentSoft
19.6.2. Análise preditiva para antecipar potenciais problemas de desempenho e tomar medidas proactivas
19.6.3. Visualização avançada de dados e painéis de controlo

19.7. Personalização dos objectivos e dos planos de desenvolvimento

19.7.1. Implementação de sistemas de definição de objectivos personalizados baseados em IA. Reflektive
19.7.2. Utilização de algoritmos de recomendação para sugerir planos de desenvolvimento individualizados
19.7.3. Impacto a longo prazo dos objectivos personalizados

19.8. Eliminação de preconceitos nas avaliações

19.8.1. Aplicação da IA para identificar e atenuar o enviesamento nas avaliações de desempenho
19.8.2. Aplicação de algoritmos justos e equitativos nos processos de avaliação
19.8.3. Formação em ética da IA para avaliadores

19.9.  Segurança e proteção de dados nas avaliações de IA

19.9.1. Considerações éticas e jurídicas sobre a utilização de dados pessoais nas avaliações de desempenho da IA. LEver
19.9.2. Garantir a privacidade e a segurança das informações dos trabalhadores em sistemas de avaliação baseados em IA
19.9.3. Implementação de protocolos de acesso aos dados

19.10. Melhoria contínua e adaptabilidade do sistema

19.10.1. Utilização de feedback e análise de dados para melhorar continuamente os processos de avaliação.
19.10.2. Adaptar os sistemas de avaliação à evolução das necessidades e dos objectivos da organização
19.10.3. Comité de revisão do ajustamento das métricas

Módulo 20. Monitorizar e melhorar o clima de trabalho com a IA

20.1. Aplicação da IA na gestão do clima laboral

20.1.1. Definição e relevância do clima laboral
20.1.2. Visão geral da IA na gestão do clima no local de trabalho
20.1.3. Benefícios da utilização da IA para monitorizar o clima no local de trabalho

20.2. Ferramentas de IA para recolha de dados sobre o trabalho

20.2.1. Sistemas de feedback em tempo real com o IBM Watson
20.2.2. Plataformas de inquérito automatizadas
20.2.3. Sensores e wearables para a recolha de dados físicos e ambientais

20.3. Análise de sentimentos com IA

20.3.1. Fundamentos da análise de sentimentos
20.3.2. Uso de Google Cloud Natural Language para analisar emoções em comunicações escritas
20.3.3. Aplicação da análise de sentimentos em mensagens de correio eletrónico e redes sociais empresariais

20.4. Machine Learning para a identificação de padrões de comportamento

20.4.1. Clustering com K-means em Python para segmentar os comportamentos de trabalho
20.4.2. Reconhecimento de padrões em dados comportamentais
20.4.3. Prever tendências no ambiente de trabalho

20.5. A IA na deteção proactiva de problemas laborais

20.5.1. Modelação preditiva para identificar riscos de conflito
20.5.2. Sistemas de alerta precoce baseados na IA
20.5.3. Detetar o assédio e a discriminação através da análise de texto com o spaCy

20.6. Melhorar a comunicação interna com a IA

20.6.1. Chatbots para a comunicação interna
20.6.2. Análise de redes de IA para melhorar a colaboração utilizando o Gephi
20.6.3. Ferramentas de IA para personalizar as comunicações internas

20.7. Gestão da mudança com apoio da IA

20.7.1. Simulações de IA para prever os impactos da mudança organizacional com AnyLogic
20.7.2. Ferramentas de IA para gerir a resistência à mudança
20.7.3. Modelos de IA para otimizar as estratégias de mudança

20.8. Avaliação e melhoria contínua do clima de trabalho com a AI

20.8.1. Sistemas de monitorização contínua do clima de trabalho
20.8.2. Algoritmos de análise da eficácia das intervenções
20.8.3. IA para personalizar os planos de melhoria do clima de trabalho

20.9. Integração da IA e da psicologia organizacional

20.9.1. Teorias psicológicas aplicadas à análise da IA
20.9.2. Modelos de IA para compreender a motivação e a satisfação no trabalho
20.9.3. Ferramentas de IA para apoiar o bem-estar emocional dos trabalhadores

20.10. Ética e privacidade na utilização da IA para monitorizar o clima no local de trabalho

20.10.1. Considerações éticas sobre a monitorização do trabalho de parto
20.10.2. Privacidade dos dados e conformidade regulamentar
20.10.3. Gestão de dados transparente e responsável 

Aplicarás tecnologías avanzadas en la administración de personal, los procesos de selección, la gestión del talento, las evaluaciones de desempeño y la monitorización del clima laboral”