Poderá conceber experiências de utilizador personalizadas e intuitivas através deste programa 100% online”

A Inteligência Computacional ajuda as instituições a melhorar a produtividade no desenvolvimento de software. As suas ferramentas têm a capacidade de tratar dados não estruturados, aprender com experiências passadas e adaptar-se a mudanças em ambientes dinâmicos. Além disso, a IA pode prever potenciais problemas de aplicação antes de estes ocorrerem, permitindo que os profissionais tomem medidas preventivas para evitar problemas dispendiosos no futuro. Neste contexto, as principais empresas informáticas internacionais procuram ativamente recrutar especialistas em Arquitetura de Software para QA Testing.

Por conseguinte, a TECH implementa um programa inovador para que os programadores tirem o máximo partido da otimização e da gestão do desempenho nas ferramentas de IA. Concebido por especialistas de renome, o programa de estudos abordará os algoritmos de programação para desenvolver produtos com sistemas inteligentes. Adicionalmente, o programa abordará as extensões essenciais para o Visual Studio Code, o editor de código fonte mais utilizado atualmente. Além disso, os materiais de formação abordarão a integração da IA na gestão com bases de dados para detetar potenciais falhas e criar test unitários. Trata-se de um Master que possui uma diversidade de conteúdos audiovisuais em múltiplos formatos e uma rede de simulações reais para aproximar o desenvolvimento do programa à realidade da prática informática.

A fim de atingir os objetivos de aprendizagem propostos, este programa é ministrado através de uma metodologia de ensino em online. Desta forma, os profissionais poderão conciliar perfeitamente o seu trabalho com os seus estudos. Além disso, o estudante beneficiará de um corpo docente de primeira classe e de materiais académicos multimédia de grande rigor pedagógico, tais como aulas magistrais, resumos interativos e exercícios práticos. O único requisito para aceder ao Campus Virtual é que os alunos tenham um dispositivo eletrónico com acesso à Internet, mesmo que seja o telemóvel.

Obterá uma perspetiva holística sobre a forma como a Aprendizagem Automática afeta e melhora todas as fases do desenvolvimento de software”

Este Master em Inteligência Artificial na Programação conta com o conteúdo educacional mais completo e atualizado do mercado. As suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Inteligência Artificial em Programação
• Os conteúdos gráficos, esquemáticos e predominantemente práticos com que está concebido fornecem informações científicas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Os exercícios práticos onde o processo de autoavaliação pode ser efetuado a fim de melhorar a aprendizagem
• O seu foco especial em metodologias inovadoras
• As aulas teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com conexão à Internet

Pretende aplicar Modelos Transformers para o processamento de linguagem natural na sua prática? Consegui-lo graças a este inovador programa”

O corpo docente do programa inclui profissionais do setor 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 aprofundar o ciclo de vida do Testing, desde a criação de casos de teste até à deteção de bugs”

O Relearning permitir-lhe-á aprender com menos esforço e mais rendimento, envolvendo-o mais na sua especialização profissional”

Este Master proporcionará aos estudantes uma abordagem holística, que lhes dará uma vantagem significativa no desenvolvimento informático e os dotará de competências específicas. Para tal, a formação irá desde a preparação do ambiente de desenvolvimento até à otimização do software y la implementación de IA en proyectos reales. O programa de estudos aprofundará aspectos como a conceção de no-code de interfaces, a utilização do ChatGPT para otimizar códigos ou a aplicação da Aprendizagem Automática em QA Testing. Desta forma, os alunos formados implementarão soluções inovadoras de forma eficaz em várias aplicações, tais como projectos web e móveis.

Atualize os seus conhecimentos sobre Inteligência Artificial em Programação através de conteúdos multimédia inovadores”

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. Caraterísticas de uma representação do conhecimento

6.5. Ontologias

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

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

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

6.7. A web semântica

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

6.8. Outros modelos 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. Caraterísticas 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 caraterísticas
9.2.3. Aprendizagem profunda

9.3. Otimizadores

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

9.4. Programação da taxa de aprendizagem

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

9.5. Sobreajuste

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

9.6. Orientações práticas

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

9.7. Transfer Learning

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

9.8. Data Augmentation

9.8.1. Transformações de imagem
9.8.2. 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 caraterísticas
9.9.3. Aprendizagem profunda

9.10. Regularização

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

Módulo 10. Personalização de Modelos e treino com TensorFlow

10.1. TensorFlow

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

10.2. TensorFlow e NumPy

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

10.3. Personalização de modelos e algoritmos de treino

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

10.4. Funções e gráficos do TensorFlow

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

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

11.7. Modelos pré-treinados para a aprendizagem por transferência

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

11.8. Classificação e Localização em Deep Computer Vision

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

11.9. Deteção e seguimento de objetos

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

11.10. Segmentação semântica

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

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

12.1. 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 compatas

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. Melhorar a produtividade no Desenvolvimento de software com IA

16.1. Preparar um ambiente de desenvolvimento adequado

16.1.1. Seleção de ferramentas essenciais para o desenvolvimento com IA
16.1.2. Configuração das ferramentas selecionadas
16.1.3. Implementação de pipelines CI/CD adaptados a projetos com IA
16.1.4. Gestão eficiente de dependências e versões em ambientes de desenvolvimento

16.2. Extensões imprescindíveis de IA para o Visual Studio Code

16.2.1. Exploração e seleção de extensões de IA para o Visual Studio Code
16.2.2. Integração de ferramentas de análise estática e dinâmica na IDE
16.2.3. Automatização de tarefas repetitivas com extensões específicas
16.2.4. Personalização do ambiente de desenvolvimento para melhorar a eficiência

16.3. Design No-code de Interfaces de Utilizador com Flutterflow

16.3.1. Princípios de design No-code e a sua aplicação em interfaces de utilizador
16.3.2. Incorporação de elementos de IA no design de interfaces visuais
16.3.3. Ferramentas e plataformas para a criação No-code de interfaces inteligentes
16.3.4. Avaliação e melhoria contínua de interfaces No-code com IA

16.4. Otimização do código utilizando o ChatGPT

16.4.1. Identificar código duplicado
16.4.2. Refatorar
16.4.3. Criar códigos legíveis
16.4.4. Compreender o que o código faz
16.4.5. Melhoria dos nomes de variáveis e funções
16.4.6. Criação de documentação automática

16.5. Gestão de repositórios com IA utilizando o ChagGPT

16.5.1. Automatização dos processos de controlo de versões com técnicas de IA
16.5.2. Deteção e resolução automática de conflitos em ambientes de colaboração
16.5.3. Análise preditiva de alterações e tendências em repositórios de código
16.5.4. Melhorias na organização e categorização dos repositórios utilizando a IA

16.6. Integração da IA na gestão de bases de dados com o AskYourDatabase

16.6.1. Otimização de consultas e desempenho utilizando técnicas de IA
16.6.2. Análise preditiva dos padrões de acesso à base de dados
16.6.3. Implementação de sistemas de recomendação para otimizar a estrutura da base de dados
16.6.4. Monitorização e deteção proativa de potenciais problemas na base de dados

16.7. Procura de falhas e criação de testes unitários com IA usando o ChatGPT

16.7.1. Geração automática de casos de teste utilizando técnicas de IA
16.7.2. Deteção precoce de vulnerabilidades e erros utilizando a análise estática com IA
16.7.3. Melhora da cobertura dos testes através da identificação de áreas críticas pela IA

16.8. Pair Programming com GitHub Copilot

16.8.1. Integração e utilização efectiva do GitHub Copilot em sessões de Pair Programming
16.8.2. Integração Melhoras na comunicação e a colaboração dos desenvolvedores com o GitHub Copilot
16.8.3. Integração Estratégias para tirar o máximo partido das sugestões de código geradas pelo GitHub Copilot
16.8.4. Integração Estudos de Caso e boas práticas em Pair Programming assistido por IA

16.9. Tradução automática entre linguagens de programação utilizando o ChatGPT

16.9.1. Ferramentas e serviços de tradução automática específicos para linguagens de programação
16.9.2. Adaptação de algoritmos de tradução automática a contextos de desenvolvimento
16.9.3. Melhora a interoperabilidade entre diferentes linguagens através da tradução automática
16.9.4. Avaliação e atenuação dos potenciais desafios e limitações na tradução automática

16.10. Ferramentas de IA recomendadas para melhorar a produtividade

16.10.1. Análise comparativa das ferramentas de IA para o desenvolvimento de software
16.10.2. Integração das ferramentas de IA em fluxos de trabalho
16.10.3. Automatização de tarefas de rotina com ferramentas de IA
16.10.4. Avaliação e seleção de ferramentas com base no contexto e nos requisitos do projeto

Módulo 17. Arquitetura de software com IA

17.1. Otimização e gestão do desempenho em ferramentas com IA com a ajuda do ChatGPT

17.1.1. Análise e perfilagem de desempenho em ferramentas com IA
17.1.2. Estratégias de otimização de algoritmos e modelos de IA
17.1.3. Implementação de técnicas de caching e paralelização para melhorar o desempenho
17.1.4. Ferramentas e metodologias para a monitorização contínua do desempenho em tempo real

17.2. Escalabilidade em aplicações de IA usando o ChatGPT

17.2.1. Design de arquitecturas escaláveis para aplicações de IA
17.2.2. Implementação de técnicas de particionamento e distribuição de carga
17.2.3. Gestão de fluxos de trabalho e carga de trabalho em sistemas escaláveis
17.2.4. Estratégias para a expansão horizontal e vertical em ambientes com demanda variável

17.3. Manutenibilidade de aplicações com IA usando o ChatGPT

17.3.1. Princípios de design para facilitar a manutenibilidade em projetos de IA
17.3.2. Estratégias de documentação específicas para modelos e algoritmos de IA
17.3.3. Implementação de testes unitários e de integração para facilitar a manutenção
17.3.4. Métodos para a refatoração e melhoria contínua em sistemas com componentes de IA

17.4. Design de sistemas de grande escala

17.4.1. Princípios arquitetónicos para o design de sistemas de grande escala
17.4.2. Desagregação de sistemas complexos em microserviços
17.4.3. Implementação de padrões de design específicos para sistemas distribuídos
17.4.4. Estratégias para a gestão da complexidade em arquiteturas de grande escala com componentes de IA

17.5. Armazenamento de dados de grande escala para ferramentas de IA

17.5.1. Seleção de tecnologias de armazenamento de dados escaláveis
17.5.2. Design de esquemas de bases de dados para a gestão eficiente de grandes volumes de dados
17.5.3. Estratégias de particionamento e replicação em ambientes de armazenamento de dados massivos
17.5.4. Implementação de sistemas de gestão de dados para garantir a integridade e disponibilidade em projetos com IA

17.6. Estruturas de dados com IA usando o ChatGPT

17.6.1. Adaptação de estruturas de dados clássicas para o seu uso em algoritmos de IA
17.6.2. Design e otimização de estruturas de dados específicas com o ChatGPT
17.6.3. Integração de estruturas de dados eficientes em sistemas com processamento intensivo de dados
17.6.4. Estratégias para a manipulação e armazenamento de dados em tempo real em estruturas de dados com IA

17.7. Algoritmos de programação para produtos com IA

17.7.1. Desenvolvimento e implementação de algoritmos específicos para aplicações com IA
17.7.2. Estratégias de seleção de algoritmos conforme o tipo de problema e os requisitos do produto
17.7.3. Adaptação de algoritmos clássicos para a sua integração em sistemas de inteligência artificial
17.7.4. Avaliação e comparação de desempenho entre diferentes algoritmos em contextos de desenvolvimento com IA

17.8. Padrões de design para desenvolvimento com IA

17.8.1. Identificação e aplicação de padrões de design comuns em projetos com componentes de IA
17.8.2. Desenvolvimento de padrões específicos para a integração de modelos e algoritmos em sistemas existentes
17.8.3. Estratégias de implementação de padrões para melhorar a reutilização e manutenibilidade em projetos de IA
17.8.4. Casos de estudo e boas práticas na aplicação de padrões de design em arquiteturas com IA

17.9. Implementação de clean architecture usando o ChatGPT

17.9.1. Princípios e conceitos fundamentais de Clean Architecture
17.9.2. Adaptação de Clean Architecture para projetos com componentes de IA
17.9.3. Implementação de camadas e dependências em sistemas com arquitetura limpa
17.9.4. Benefícios e desafios da implementação de Clean Architecture no desenvolvimento de software com IA

17.10. Desenvolvimento de software seguro em aplicações web com DeepCode

17.10.1. Princípios de segurança no desenvolvimento de software com componentes de IA
17.10.2. Identificação e atenuação de potenciais vulnerabilidades nos modelos e algoritmos de IA
17.10.3. Implementação de práticas de desenvolvimento seguro em aplicações web com funcionalidades de Inteligência Artificial
17.10.4. Estratégias para a proteção de dados sensíveis e a prevenção de ataques em projetos com IA

Módulo 18. Projetos Web com IA

18.1. Preparar o Ambiente de Trabalho para o Desenvolvimento Web com IA

18.1.1. Configuração de ambientes de desenvolvimento web para projetos com inteligência artificial
18.1.2. Seleção e preparação de ferramentas essenciais para o desenvolvimento web com IA
18.1.3. Integração de bibliotecas e frameworks específicos para projetos web com inteligência artificial
18.1.4. Implementação das melhores práticas na configuração de ambientes de desenvolvimento colaborativos

18.2. Criação de Workspace para projetos de IA

18.2.1. Design e organização eficaz de workspaces para projectos web com componentes de inteligência artificial
18.2.2. A utilização de ferramentas de gestão de projetos e de controlo de versões no workspace
18.2.3. Estratégias para a colaboração e comunicação eficientes na equipa de desenvolvimento
18.2.4. Adaptação do workspace às necessidades específicas dos projetos web com IA

18.3. Padrões de Design em Produtos com GitHub Copilot

18.3.1. Identificação e aplicação de padrões de design comuns em interfaces de utilizador com elementos de inteligência artificial
18.3.2. Desenvolvimento de padrões específicos para melhorar a experiência do utilizador em projetos web com IA
18.3.3. Integração de padrões de design na arquitetura geral de projetos web com Inteligência Artificial
18.3.4. Avaliação e seleção de padrões de design adequados conforme o contexto do projeto

18.4. Desenvolvimento Frontend com GitHub Copilot

18.4.1. Integração de modelos de IA na camada de apresentação de projetos web
18.4.2. Desenvolvimento de interfaces de utilizador adaptativas com elementos de inteligência artificial
18.4.3. Implementação de funcionalidades de processamento de linguagem natural (PLN) no Frontend
18.4.4. Estratégias para a otimização do desempenho no desenvolvimento Frontend com IA

18.5. Criação de Base de Dados usando GitHub Copilot

18.5.1. Seleção de tecnologias de bases de dados para projetos web com inteligência artificial
18.5.2. Design de esquemas de bases de dados para armazenar e gerir dados relacionados com IA
18.5.3. Implementação de sistemas de armazenamento eficientes para grandes volumes de dados gerados por modelos de IA
18.5.4. Estratégias para a segurança e proteção de dados sensíveis em bases de dados de projetos web com IA

18.6. Desenvolvimento Backend com GitHub Copilot

18.6.1. Integração de serviços e modelos de IA na lógica de negócios do Backend
18.6.2. Desenvolvimento de APIs e endpoints específicos para a comunicação entre o Frontend e os componentes de IA
18.6.3. Implementação de lógica de processamento de dados e tomada de decisões no Backend com Inteligência Artificial
18.6.4. Estratégias para a escalabilidade e desempenho no desenvolvimento Backend de projetos web com IA

18.7. Optimizar o Processo de Desdobramento do Seu Website

18.7.1. Automatização de processos de construção e desdobramento de projetos web com o ChatGPT
18.7.2. Implementação de pipelines de CI/CD adaptados a aplicações web com GitHub Copilot
18.7.3. Estratégias para a gestão eficiente de versões e atualizações em desdobramentos contínuos
18.7.4. Monitorização e análise pós-desdobramento para a melhoria contínua do processo

18.8. IA na Computação em Nuvem

18.8.1. Integração de serviços de inteligência artificial em plataformas de computação em nuvem
18.8.2. Desenvolvimento de soluções escaláveis e distribuídas utilizando serviços de nuvem com capacidades de IA
18.8.3. Estratégias para a gestão eficiente de recursos e custos em ambientes de nuvem com aplicações web com IA
18.8.4. Avaliação e comparação de fornecedores de serviços em nuvem para projetos web com Inteligência Artificial

18.9. Criação de um Projeto com IA para Ambientes LAMP com a ajuda do ChatGPT

18.9.1. Adaptação de projetos web baseados na pilha LAMP para incluir componentes de Inteligência Artificial
18.9.2. Integração de bibliotecas e frameworks específicos para IA em ambientes LAMP
18.9.3. Desenvolvimento de funcionalidades de IA que complementam a arquitetura LAMP tradicional
18.9.4. Estratégias para a otimização e manutenção em projetos web com IA em ambientes LAMP

18.10. Criação de um Projeto com IA para Ambientes MEVN usando o ChatGPT

18.10.1. Integração de tecnologias e ferramentas da pilha MEVN com componentes de Inteligência Artificial
18.10.2. Desenvolvimento de aplicações web modernas e escaláveis em ambientes MEVN com capacidades de IA
18.10.3. Implementação de funcionalidades de processamento de dados e aprendizagem automática em projetos MEVN
18.10.4. Estratégias para a melhoria do desempenho e da segurança em aplicações web com IA em ambientes MEVN

Módulo 19. Aplicações móveis com IA

19.1. Preparação do Ambiente de Trabalho para Desenvolvimento Móvel com IA

19.1.1. Configuração de ambientes de desenvolvimento móvel para projetos com Inteligência Artificial
19.1.2. Seleção e preparação de ferramentas específicas para o desenvolvimento de aplicações móveis com IA
19.1.3. Integração de bibliotecas e frameworks de IA em ambientes de desenvolvimento móvel
19.1.4. Configuração de emuladores e dispositivos reais para testar aplicações móveis com componentes de inteligência artificial

19.2. Criação de um Workspace com GitHub Copilot

19.2.1. Integração do GitHub Copilot em ambientes de desenvolvimento móvel
19.2.2. Utilização eficaz do GitHub Copilot para a geração de código em projetos de IA
19.2.3. Estratégias para colaboração de desenvolvedores ao usar o GitHub Copilot no workspace
19.2.4. Boas práticas e limitações no uso do GitHub Copilot no desenvolvimento de aplicações móveis com IA

19.3. Configuração do Firebase

19.3.1. Configuração inicial de um projeto no Firebase para o desenvolvimento móvel
19.3.2. Integração do Firebase em aplicações móveis com funcionalidades de Inteligência Artificial
19.3.3. Uso de serviços do Firebase como base de dados, autenticação e notificações em projetos com IA
19.3.4. Estratégias para a gestão de dados e eventos em tempo real em aplicações móveis com Firebase

19.4. Conceitos de Clean Architecture, DataSources, Repositories

19.4.1. Princípios fundamentais de Clean Architecture no desenvolvimento móvel com IA
19.4.2. Implementação de camadas de DataSources e Repositories com o GitHub Copilot
19.4.3. Design e estruturação de componentes em projetos móveis com o GitHub Copilot
19.4.4. Benefícios e desafios da implementação de Clean Architecture em aplicações móveis com IA

19.5. Criação de Ecrã de Autenticação com GitHub Copilot

19.5.1. Design e desenvolvimento de interfaces de utilizador para ecrãs de autenticação em aplicações móveis com IA
19.5.2. Integração de serviços de autenticação com Firebase na ecrã de início de sessão
19.5.3. Uso de técnicas de segurança e proteção de dados no ecrã de autenticação
19.5.4. Personalização e adaptação da experiência de utilizador no ecrã de autenticação

19.6. Criação de Dashboard e Navegação com GitHub Copilot

19.6.1. Design e desenvolvimento de Dashboards com elementos de Inteligência Artificial
19.6.2. Implementação de sistemas de navegação eficientes em aplicações móveis com IA
19.6.3. Integração de funcionalidades de IA no Dashboard para melhorar a experiência do utilizador

19.7. Criação de Ecrã com Listagem usando GitHub Copilot

19.7.1. Desenvolvimento de interfaces de utilizador para ecrãs com listagens em aplicações móveis com IA
19.7.2. Integração de algoritmos de recomendação e filtragem no ecrã de listagem
19.7.3. Uso de padrões de design para a apresentação eficaz de dados na listagem
19.7.4. Estratégias para o carregamento eficiente de dados em tempo real no ecrã com listagem

19.8. Criação de Ecrã de Detalhes com GitHub Copilot

19.8.1. Design e desenvolvimento de interfaces de utilizador detalhadas para a apresentação de informação específica
19.8.2. Integração de funcionalidades de IA para enriquecer o ecrã de detalhes
19.8.3. Implementação de interações e animações no ecrã de detalhes
19.8.4. Estratégias para a otimização do desempenho no carregamento e visualização de detalhes em aplicações móveis com IA

19.9. Criação de Ecrã de Configurações com GitHub Copilot

19.9.1. Desenvolvimento de interfaces de utilizador para configuração e ajustes em aplicações móveis com IA
19.9.2. Integração de ajustes personalizados relacionados com componentes de inteligência artificial
19.9.3. Implementação de opções de personalização e preferências no ecrã de configurações
19.9.4. Estratégias de usabilidade e clareza na apresentação das opções no ecrã de settings

19.10. Criar ícones, Splash e Recursos Gráficos para a Sua App com IA

19.10.1. Conceção e criação de ícones atrativos para representar a aplicação móvel com IA
19.10.2. Desenvolvimento de ecrãs iniciais (splash) com elementos visuais impressionantes
19.10.3. Seleção e adaptação de recursos gráficos para melhorar a estética da aplicação móvel
19.10.4. Estratégias para a consistência e branding visual nos elementos gráficos da aplicação com IA

Módulo 20. IA para QA Testing

20.1. Ciclo de Vida dos Testing

20.1.1. Descrição e compreensão do ciclo de vida de testing no desenvolvimento de software
20.1.2. Fases do ciclo de vida de testing e a sua importância para a garantia da qualidade
20.1.3. Integração da inteligência artificial em diferentes fases do ciclo de vida de testing
20.1.4. Estratégias para a melhoria contínua do ciclo de vida de testing através da utilização da IA

20.2. Casos de Teste e Detecção de Bugs com a ajuda do ChatGPT

20.2.1. Design e redação eficazes de casos de teste no contexto da QA Testing
20.2.2. Identificação de bugs e erros durante a execução de casos de teste
20.2.3. Aplicação de técnicas de deteção precoce de bugs através de análise estática
20.2.4. Uso de ferramentas de inteligência artificial para identificação automática de bugs em casos de teste

20.3. Tipos de Testing

20.3.1. Exploração de diferentes tipos de testing no domínio da  QA
20.3.2. Testes unitários, de integração, funcionais e de aceitação: características e aplicações
20.3.3. Estratégias para a seleção e combinação adequada de tipos de testes em projetos com ChatGPT
20.3.4. Adaptação de tipos de testes convencionais a projetos com ChatGPT

20.4. Criar um Plano de Testes

20.4.1. Design e estruturação de um plano de testes integral
20.4.2. Identificação de requisitos e cenários de teste em projetos com IA
20.4.3. Estratégias para o planeamento de testes manuais e automatizados
20.4.4. Avaliação e ajuste contínuo do plano de testes com base no desenvolvimento do projeto

20.5. Deteção e Notificação Bugs com IA

20.5.1. Implementação de técnicas de deteção automática de bugs mediante algoritmos de aprendizagem automática
20.5.2. Uso do ChatGPT para a análise dinâmica de código à procura de possíveis erros
20.5.3. Estratégias para a geração automática de relatórios detalhados sobre bugs detetados usando o ChatGPT
20.5.4. Colaboração eficaz entre equipas de desenvolvimento e QA na gestão de bugs identificados por IA

20.6. Criação de Testes Automatizados com IA

20.6.1. Desenvolvimento de scripts de teste automatizados para projetos usando o ChatGPT
20.6.2. Integração de ferramentas de automatização de testes baseadas em IA
20.6.3. Uso do ChatGPT para a geração dinâmica de casos de teste automatizados
20.6.4. Estratégias para a execução eficiente e manutenção de testes automatizados em projetos com IA

20.7. API Testing

20.7.1. Conceitos fundamentais de API testing e a sua importância em QA
20.7.2. Desenvolvimento de testes para a verificação de APIs em ambientes usando o ChatGPT
20.7.3. Estratégias para a validação de dados e resultados em testes de APIs com o ChatGPT
20.7.4. Uso de ferramentas específicas para o testing de APIs em projetos com inteligência artificial

20.8. Ferramentas de IA para a web Testing

20.8.1. Exploração de ferramentas de inteligência artificial para automatização de testes em ambientes web
20.8.2. Integração de tecnologias de reconhecimento de elementos e de análise visual na web testing
20.8.3. Estratégias para a deteção automática de alterações e problemas de desempenho em aplicações web utilizando o ChatGPT
20.8.4. Avaliação de ferramentas específicas para melhorar a eficiência nos web testing com IA

20.9. Mobile Testing Através da IA

20.9.1. Desenvolvimento de estratégias de testing para aplicações móveis com componentes de inteligência artificial
20.9.2. Integração de ferramentas de testing específicas para plataformas móveis baseadas em IA
20.9.3. Uso do ChatGPT para a deteção de problemas no desempenho de aplicações móveis
20.9.4. Estratégias para a validação de interfaces e funções específicas de aplicações móveis através de IA

20.10. Ferramentas de QA com IA

20.10.1. Exploração de ferramentas e plataformas de QA que incorporam funcionalidades de Inteligência Artificial
20.10.2. Avaliação de ferramentas para a gestão e execução eficiente de testes em projetos com IA
20.10.3. Uso do ChatGPT para a geração e otimização de casos de teste
20.10.4. Estratégias para a seleção e adoção eficaz de ferramentas de QA com capacidades de IA

Esta capacitação permitir-lhe-á progredir na sua carreira profissional de forma confortável”