Com este Master 100% online, compreenderá as tecnologias mais avançadas em IA, dominando ferramentas e técnicas de ponta para melhorar a eficiência e a precisão na tradução e interpretação” 

A Inteligência Artificial (IA) está a transformar rapidamente o campo da tradução e da interpretação, com avanços significativos na precisão e na eficiência destes processos. Ferramentas como o Google Translate e DeepL utilizam redes neuronais avançadas para fornecer traduções em tempo real e captar nuances linguísticas complexas. Ao mesmo tempo, as tecnologias emergentes estão a facilitar a comunicação instantânea entre falantes de línguas diferentes através de aplicações de interpretação em tempo real.  

Foi assim que nasceu este Master, que se debruçará sobre os fundamentos dos modelos linguísticos, explorando desde as abordagens tradicionais até às mais avançadas da IA. Neste sentido, serão abordados o reconhecimento do discurso e a análise de sentimentos, dotando os profissionais das ferramentas necessárias para implementar estas tecnologias em contextos práticos e enfrentar os desafios emergentes neste domínio. 

A tradução automática neuronal (NMT) e o processamento de linguagem natural (PNL) serão também explorados, utilizando ferramentas e plataformas especializadas que permitem a tradução instantânea. Incluirá também uma avaliação crítica da qualidade das traduções em tempo real e uma reflexão sobre os aspectos éticos e sociais associados à sua aplicação.  

Por último, será abordado o desenvolvimento e a otimização de plataformas de reconhecimento da fala, bem como a forma de criar  chatbots utilizando a IA, aplicando técnicas de processamento da linguagem natural para melhorar a interação multilingue e a experiência do utilizador. Além disso, abordará os desafios éticos e sociais que surgem nestes domínios, assegurando que os peritos se comportam de forma eficaz e ética. 

Desta forma, a TECH criou um programa universitário completo e totalmente em linha, que permite aos licenciados aceder aos materiais didácticos através de um dispositivo eletrónico com ligação à Internet. Isto elimina a necessidade de se deslocar para um centro físico e de cumprir um horário fixo. Além disso, incorpora a metodologia revolucionária Relearning, que se baseia na repetição de conceitos-chave para se conseguir uma melhor compreensão do conteúdo. 

Implementará soluções inovadoras, como a tradução automática em tempo real e sistemas de reconhecimento de voz, uma vantagem competitiva num mercado de trabalho em constante mudança. 

Este Master em Inteligência Artificial na Tradução e Interpretação 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 prática profissional 
• Os exercícios práticos onde o processo de autoavaliação pode ser efetuado a fim de melhorar a aprendizagem 
• O seu foco especial em metodologias inovadoras 
• As aulas teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com ligação à Internet 

Os alunos serão imersos numa exploração exaustiva dos modelos linguísticos, desde as abordagens tradicionais às modernas, graças a uma extensa biblioteca de recursos multimédia inovadores” 

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

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

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

Abordará os princípios da tradução automática neuronal (NMT) e do processamento de linguagem natural (PNL), incluindo a utilização de ferramentas e plataformas especializadas.  Do que está à espera para se inscrever?"

Analisará a integração de modelos de tradução automática e de recursos linguísticos, bem como a experiência do utilizador na interface destas ferramentas. Com todas as garantias de qualidade da TECH!

Este Master distingue-se pela sua abordagem global, que abrangerá tanto os fundamentos linguísticos tradicionais como a aplicação de tecnologias avançadas de IA. Assim, os profissionais adquirirão competências para enfrentar os desafios contemporâneos da tradução e da interpretação, aprendendo a utilizar ferramentas e plataformas de IA que optimizam estes processos. Incluirá também o domínio de tecnologias emergentes, como a interpretação automática e o desenvolvimento de chatbots multilingues, posicionando os licenciados na vanguarda da tecnologia e preparando-os para liderar num ambiente digital e global.  

Este programa oferecer-lhe-á uma formação única, combinando os conhecimentos clássicos da linguística com as últimas inovações da Inteligência Artificial, apoiada pela revolucionária metodologia Relearning” 

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 por voz e por texto 
1.8.2. Partes fundamentais para o desenvolvimento de um assistente: Intents, 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, escalas 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. Qualitativos: Dados binominais, 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. Mineração 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 (Quick_Sort)

5.4. Algoritmos com árvores

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

5.5. Algoritmos com Heaps

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

5.6. Algoritmos com Grafos

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

5.7. Algoritmos Greedy

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

5.8. Pesquisa de caminhos mínimos

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

5.9. Algoritmos Greedy sobre Grafos

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

5.10. Backtracking

5.10.1. O Backtracking
5.10.2. Técnicas alternativas

Módulo 6. Sistemas inteligentes

6.1. Teoria dos agentes

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

6.2. Arquiteturas de agentes

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

6.3. Informação e conhecimento

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

6.4. Representação do conhecimento

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

6.5. Ontologias

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

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

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

6.7. A web semântica

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

6.8. Outros modelos representação do conhecimento

6.8.1. Vocabulários
6.8.2. Visão global
6.8.3. Taxonomias
6.8.4. Tesaurus
6.8.5. Folksonomias
6.8.6. Comparativo
6.8.7. Mapas mentais

6.9. Avaliação e integração das representações do conhecimento

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

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

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

Módulo 7. Aprendizagem automática e mineração de dados

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

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

7.2. Exploração e pré-processamento de dados

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

7.3. Árvore de decisão

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

7.4. Avaliação dos classificadores

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

7.5. Regras de classificação

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

7.6. Redes neurais

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

7.7. Métodos bayesianos

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

7.8. Modelos de regressão e modelos de resposta contínua

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

7.9. Clustering

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

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

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

Módulo 8. As redes neuronais, a base da Deep Learning

8.1. Aprendizagem profunda

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

8.2. Operações

8.2.1. Adição
8.2.2. Produto
8.2.3. Transferência

8.3. Camadas

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

8.4. Ligação de Camadas e Operações

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

8.5. Construção da primeira rede neuronal

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

8.6. Treinador e Otimizador

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

8.7. Aplicação dos Princípios das Redes Neuronais

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

8.8. Dos neurónios biológicos aos neurónios artificiais

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

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

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

8.10. Hiperparâmetros de Fine tuning de Redes Neuronais

8.10.1. Seleção da função de ativação
8.10.2. Estabelecer o 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 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 TensorFlow Datasets
10.9.3. Uso de TensorFlow Datasets para o treino de modelos

10.10. Construção de uma aplicação de Deep Learning com TensorFlow

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

Módulo 11. Deep Computer Vision com Redes Neuronais Convolucionais

11.1. A Arquitetura Visual Cortex

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

11.2. Camadas convolucionais

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

11.3. Camadas de agrupamento e implementação de camadas de agrupamento

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

11.4. Arquitetura CNN

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

11.5. Implementação de uma CNN ResNet- usando Keras

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

11.6. Utilização de modelos pré-treinados do Keras

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

11.7. Modelos pré-treinados para a aprendizagem por transferência

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

11.8. Classificação e Localização em Deep Computer Vision

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

11.9. Deteção e seguimento de objetos

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

11.10. Segmentação semântica

11.10.1. Aprendizagem profunda para a segmentação semântica
11.10.1. Deteção de bordas
11.10.1. 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 nos serviços financeiros Oportunidades e desafios
15.1.2. Casos de utilização 
15.1.3. Riscos potenciais relacionados com a utilização da Inteligência Artificial
15.1.4. Potenciais desenvolvimentos/utilizações futuras da Inteligência Artificial

15.2. Implicações da inteligência artificial no serviço de saúde 

15.2.1. Implicações da Inteligência Artificial no sector da saúde. Oportunidades e desafios 
15.2.2. Casos de utilização

15.3. Riscos relacionados com a utilização da inteligência artificial nos serviços de saúde

15.3.1. Riscos potenciais relacionados com a utilização da Inteligência Artificial
15.3.2. Potenciais desenvolvimentos/utilizações futuras da Inteligência Artificial

15.4. Retail 

15.4.1. Implicações da Inteligência Artificial no Retail Oportunidades e desafios 
15.4.2. Casos de utilização 
15.4.3. Riscos potenciais relacionados com a utilização da Inteligência Artificial 
15.4.4. Potenciais desenvolvimentos/utilizações futuras da Inteligência Artificial

15.5. Indústrias 

15.5.1. Implicações da Inteligência Artificial na indústria Oportunidades e desafios
15.5.2. Casos de utilização

15.6. Riscos potenciais relacionados com a utilização da Inteligência Artificial na indústria   

15.6.1. Casos de utilização
15.6.2. Riscos potenciais relacionados com a utilização da Inteligência Artificial
15.6.3. Potenciais desenvolvimentos/utilizações futuras da Inteligência Artificial

15.7. Administração pública 

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

15.8. Educação 

15.8.1. Implicações da Inteligência Artificial na educação. Oportunidades e desafios
15.8.2. Casos de utilização 
15.8.3. Riscos potenciais relacionados com a utilização da Inteligência Artificial 
15.8.4. Potenciais desenvolvimentos/utilizações futuras da Inteligência Artificial

15.9. Silvicultura e agricultura 

15.9.1. Implicações da Inteligência Artificial para a silvicultura e a agricultura. Oportunidades e desafios 
15.9.2. Casos de utilização
15.9.3. Riscos potenciais relacionados com a utilização da Inteligência Artificial
15.9.4. Potenciais desenvolvimentos/utilizações futuras da Inteligência Artificial

15.10. Recursos Humanos 

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

Módulo 16. Modelação linguística e aplicação de IA 

16.1. Modelos clássicos da linguística e sua relevância para a IA 

16.1.1. Gramática geradora e transformadora 
16.1.2. Teoria linguística estrutural 
16.1.3. Teoria da gramática formal 
16.1.4. Aplicações dos modelos clássicos na IA 

16.2. Modelos probabilísticos em linguística e sua aplicação em IA 

16.2.1. Modelos ocultos de Markov (HMM) 
16.2.2. Modelos estatísticos da língua 
16.2.3. Algoritmos de aprendizagem supervisionada e não supervisionada 
16.2.4. Aplicações no reconhecimento de voz e processamento de texto 

16.3. Modelos baseados em regras e sua implementação em IA. GPT 

16.3.1. Gramáticas formais e sistemas de regras 
16.3.2. Representação do conhecimento e lógica computacional 
16.3.3. Sistemas periciais e motores de inferência 
16.3.4. Aplicações em sistemas de diálogo e assistentes virtuais 

16.4. Modelos de aprendizagem profunda em linguística e sua utilização na IA 

16.4.1. Redes neurais convolucionais para processamento de texto 
16.4.2. Redes neuronais recorrentes e LSTM para modelação de sequências 
16.4.3. Modelos de cuidados e transformadores. APERTIUM 
16.4.4. Aplicações em tradução automática, geração de texto e análise de sentimentos 

16.5. Representações linguísticas distribuídas e seu impacto na IA 

16.5.1. Word embeddings e modelos de espaço vetorial 
16.5.2. Representações distribuídas de frases e documentos 
16.5.3. Modelos de saco de palavras e modelos de linguagem contínua 
16.5.4. Aplicações na recuperação de informação, clustering de documentos e recomendação de conteúdos  

16.6. Modelos de tradução automática e sua evolução na IA. Lilt 

16.6.1. Modelos de tradução estatísticos e baseados em regras 
16.6.2. Avanços na tradução automática neural 
16.6.3. Abordagens híbridas e modelos multilingues 
16.6.4. Aplicações em serviços de tradução e localização de conteúdos em linha 

16.7. Modelos de análise de sentimentos e sua utilidade na IA 

16.7.1. Métodos de classificação de sentimentos 
16.7.2. Deteção de emoções em textos 
16.7.3. Análise das opiniões e comentários dos utilizadores 
16.7.4. Aplicações para as redes sociais, análise do feedback dos produtos e apoio ao cliente  

16.8. Modelos de geração de linguagem e sua aplicação em IA. TransPerfect Globallink 

16.8.1. Modelos autoregressivos de geração de texto 
16.8.2. Geração de texto condicional e controlado 
16.8.3. Modelos de geração de linguagem natural baseados em GPT 
16.8.4. Aplicações em digitação automática, resumo de textos e conversação inteligente 

16.9. Modelos de reconhecimento do discurso e sua integração na IA 

16.9.1. Métodos de extração de caraterísticas de áudio 
16.9.2. Modelos de reconhecimento de fala baseados em redes neurais 
16.9.3. Melhorias na precisão e robustez do reconhecimento de voz 
16.9.4. Aplicações em assistentes virtuais, sistemas de transcrição e dispositivos controlados por voz 
16.10. Desafios e futuro dos modelos linguísticos na IA 

16.10.1. Desafios na compreensão da linguagem natural 

16.10.2. Limitações e preconceitos nos modelos linguísticos actuais 
16.10.3. Investigação e tendências futuras na modelização linguística da IA 
16.10.4. Impacto em futuras aplicações, como a Inteligência Artificial Geral (IAG) e a compreensão da linguagem humana SmartCAt 

Módulo 17. IA e Tradução em tempo real 

17.1. Introdução à tradução em tempo real com IA 

17.1.1. Definição e conceitos básicos 
17.1.2. Importância e aplicações em vários contextos 
17.1.3. Desafios e oportunidades 
17.1.4. Ferramentas como o Fluently ou o Voice Tra 

17.2. Fundamentos da Inteligência Artificial na tradução 

17.2.1. Breve introdução à inteligência artificial 
17.2.2. Aplicações específicas na tradução 
17.2.3. Modelos e algoritmos relevantes 

17.3. Ferramentas de tradução em tempo real baseadas em IA 

17.3.1. Descrição das principais ferramentas disponíveis 
17.3.2. Comparação de funcionalidades e caraterísticas 
17.3.3. Casos de utilização e exemplos práticos 

17.4. Modelos de tradução automática neural (NMT). SDL language Cloud 

17.4.1. Princípios e funcionamento dos modelos NMT 
17.4.2. Vantagens em relação às abordagens tradicionais 
17.4.3. Desenvolvimento e evolução dos modelos NMT 

17.5. Processamento de linguagem natural (PNL) na tradução em tempo real. SayHi TRanslate 

17.5.1. Noções básicas de PNL relevantes para a tradução 
17.5.2. Técnicas de pré-processamento e pós-processamento 
17.5.3. Melhorar a coerência e a coesão do texto traduzido 

17.6. Modelos de tradução multilingues e multimodais 

17.6.1. Modelos de tradução que suportam várias línguas 
17.6.2. Integração de modalidades como o texto, a voz e as imagens 
17.6.3. Desafios e considerações na tradução multilingue e multimodal 

17.7. Avaliação da qualidade na tradução em tempo real com IA 

17.7.1. Métricas de avaliação da qualidade da tradução 
17.7.2. Métodos de avaliação automática e humana. iTranslate Voice 
17.7.3. Estratégias para melhorar a qualidade da tradução 

17.8. Integração de ferramentas de tradução em tempo real em ambientes profissionais 

17.8.1. Utilização de ferramentas de tradução no trabalho quotidiano 
17.8.2. Integração com sistemas de gestão de conteúdos e de localização 
17.8.3. Adaptação das ferramentas às necessidades específicas dos utilizadores 

17.9. Desafios éticos e sociais na tradução de IA em tempo real 

17.9.1. Vieses e discriminação na tradução automática 
17.9.2. Privacidade e segurança dos dados do utilizador 
17.9.3. Impacto na diversidade linguística e cultural 

17.10. Futuro da tradução em tempo real baseada em IA. Applingua 

17.10.1. Tendências emergentes e desenvolvimentos tecnológicos 
17.10.2. Perspectivas futuras e possíveis aplicações inovadoras 
17.10.3. Implicações para a comunicação global e a acessibilidade linguística 

Módulo 18. Ferramentas e plataformas de tradução assistida por IA 

18.1. Introdução às ferramentas e plataformas de tradução assistida por IA 

18.1.1. Definição e conceitos básicos 
18.1.2. Breve história e evolução 
18.1.3. Importância e vantagens da tradução profissional 

18.2. Principais ferramentas de tradução assistida por IA 

18.2.1. Descrição e funcionalidades das principais ferramentas do mercado 
18.2.2. Comparação de caraterísticas e preços 
18.2.3. Casos de utilização e exemplos práticos 

18.3. Plataformas de tradução assistida por IA no domínio profissional. Wordfast 

18.3.1. Descrição das plataformas populares de tradução assistida por IA 
18.3.2. Funcionalidades específicas para equipas e agências de tradução 
18.3.3. Integração com outros sistemas e ferramentas de gestão de projectos 

18.4. Modelos de tradução automática implementados em ferramentas TAIA 

18.4.1. Modelos estatísticos de tradução 
18.4.2. Modelos neurais de tradução 
18.4.3. Avanços na tradução automática neuronal (NMT) e o seu impacto nas ferramentas TAIA 

18.5. Integração dos recursos linguísticos e das bases de dados nas ferramentas TAIA 

18.5.1. Utilização de corpora e bases de dados linguísticos para melhorar a exatidão da tradução 
18.5.2. Integração de dicionários e glossários especializados 
18.5.3. Importância do contexto e da terminologia específica na tradução assistida por IA 

18.6. Interface do utilizador e experiência do utilizador em ferramentas TAIA 

18.6.1. Conceção e usabilidade das interfaces de utilizador 
18.6.2. Personalização e definições de preferências 
18.6.3. Acessibilidade e apoio multilingue nas plataformas TAIA 

18.7. Avaliação da qualidade na tradução assistida por IA 

18.7.1. Métricas de avaliação da qualidade da tradução 
18.7.2. Avaliação automatizada vs. humana 
18.7.3. Estratégias para melhorar a qualidade da tradução assistida por IA 

18.8. Integração das ferramentas TAIA no fluxo de trabalho do tradutor 

18.8.1. Incorporação das ferramentas TAIA no processo de tradução 
18.8.2. Fluxo de trabalho optimizado e maior produtividade 
18.8.3. Colaboração e trabalho de equipa em ambientes de tradução assistida por IA 

18.9. Desafios éticos e sociais na utilização de ferramentas TAIA 

18.9.1. Vieses e discriminação na tradução automática 
18.9.2. Privacidade e segurança dos dados do utilizador 
18.9.3. Impacto na diversidade linguística e cultural 

18.10. Futuro das ferramentas e plataformas de tradução assistida por IA.Wordbee 

18.10.1. Tendências emergentes e desenvolvimentos tecnológicos 
18.10.2. Perspectivas futuras e possíveis aplicações inovadoras 
18.10.3. Implicações para a formação e o desenvolvimento profissional no domínio da tradução 

Módulo 19. Integração das tecnologias de reconhecimento da fala na interpretação automática 

19.1. Introdução à integração das tecnologias de reconhecimento do discurso na interpretação automática 

19.1.1. Definição e conceitos básicos 
19.1.2. Breve história e evolução. Kaldi 
19.1.3. Importância e benefícios no domínio da interpretação 

19.2. Princípios do reconhecimento do discurso para interpretação automática 

19.2.1. Como funciona o reconhecimento de voz 
19.2.2. Tecnologias e algoritmos utilizados 
19.2.3. Tipos de sistemas de reconhecimento de voz 

19.3. Desenvolvimento e aperfeiçoamento de tecnologias de reconhecimento de voz 

19.3.1. Desenvolvimentos tecnológicos recentes. Speech Recognition 
19.3.2. Melhorias na precisão e na velocidade 
19.3.3. Adaptação a diferentes sotaques e dialectos 

19.4. Plataformas e ferramentas de reconhecimento de fala para interpretação automática 

19.4.1. Descrição das principais plataformas e ferramentas disponíveis 
19.4.2. Comparação de funcionalidades e caraterísticas 
19.4.3. Casos de utilização e exemplos práticos. Speechmatics 

19.5. Integração de tecnologias de reconhecimento de voz em sistemas de interpretação automática 

19.5.1. Conceção e implementação de sistemas de interpretação automática com reconhecimento de voz 
19.5.2. Adaptação a diferentes ambientes e interpretação de situações 
19.5.3. Considerações técnicas e de infra-estruturas 

19.6. Otimizar a experiência do utilizador na interpretação automática com reconhecimento de voz 

19.6.1. Conceção da interface do utilizador intuitiva e fácil de utilizar 
19.6.2. Personalização e definições de preferências. OTTER.ai 
19.6.3. Acessibilidade e apoio multilingue nos sistemas de interpretação automática 

19.7. Avaliação da qualidade da interpretação automática com reconhecimento de voz 

19.7.1. Métricas de avaliação da qualidade da interpretação 
19.7.2. Avaliação automatizada vs. humana 
19.7.3. Avaliação da qualidade da interpretação automática com reconhecimento de voz 

19.8. Desafios éticos e sociais na utilização de tecnologias de reconhecimento da fala na interpretação automática 

19.8.1. Privacidade e segurança dos dados do utilizador 
19.8.2. Vieses e discriminação no reconhecimento do discurso 
19.8.3. Impacto na profissão de intérprete e na diversidade linguística e cultural 

19.9. Aplicações específicas da interpretação automática com reconhecimento de voz 

19.9.1. Interpretação em tempo real em ambientes empresariais e comerciais 
19.9.2. Interpretação à distância e telefónica com reconhecimento de voz 
19.9.3. Interpretação em eventos e conferências internacionais 

19.10. Futuro da integração das tecnologias de reconhecimento da fala na interpretação automática 

19.10.1. Tendências emergentes e desenvolvimentos tecnológicos. CMU Sphinx 
19.10.2. Perspectivas futuras e possíveis aplicações inovadoras 
19.10.3. Implicações para a comunicação global e a eliminação das barreiras linguísticas

Módulo 20. Conceção de interfaces e Chatbots Multilingue através de ferramentas de IA 

20.1. Fundamentos das interfaces multilingues 

20.1.1. Princípios de conceção para o multilinguismo: usabilidade e acessibilidade com IA 
20.1.2. Tecnologias-chave: utilização de TensorFlow e PyTorch para o desenvolvimento de interfaces 
20.1.3. Estudo de caso: análise de interfaces bem sucedidas com recurso à IA 

20.2. Introdução aos chatbots com IA 

20.2.1. Evolução dos chatbots: do simples ao orientado para a IA 
20.2.2. Comparação de chatbots: regras vs. modelos baseados em IA 
20.2.3. Componentes de chatbots orientada para a IA: utilização de Natural Language Understanding (NLU) 

20.3. Arquiteturas de chatbots multilingue com IA 

20.3.1. Conceber arquitecturas escaláveis com o IBM Watson 
20.3.2. Integração de chatbots em plataformas com o Microsoft Bot Framework 
20.3.3. Atualização e manutenção com ferramentas de IA 

20.4. Processamento de linguagem natural (PNL) para chatbots 

20.4.1. Parsing e análise semântica com o Google BERT 
20.4.2. Formação de modelos linguísticos com OpenAI GPT 
20.4.3. Aplicação de ferramentas de PLN como o spaCy em chatbots 

20.5. Desenvolvimento de chatbots com frameworks de IA 

20.5.1. Implementação com o Google Dialogflow 
20.5.2. Criar e treinar fluxos de diálogo com o IBM Watson 
20.5.3. Personalização avançada utilizando APIs de IA como o Microsoft LUIS 

20.6. Gestão da conversação e do contexto em chatbots 

20.6.1. Modelos de estado com Rasa para chatbots 
20.6.2. Estratégias de gestão da conversação com Deep Learning 
20.6.3. Resolução de ambiguidades e correcções em tempo real utilizando a IA 

20.7. Conceção UX/UI para chatbots de IA multilingues 

20.7.1. Conceção centrada no utilizador utilizando a análise de dados de IA 
20.7.2. Adaptação cultural com ferramentas de localização automática 
20.7.3. Testes de usabilidade com simulações baseadas em IA 

20.8. Integração de  chatbots em vários canais com IA 

20.8.1. Desenvolvimento omnicanal com TensorFlow 
20.8.2. Estratégias de integração seguras e privadas com tecnologias de IA 
20.8.3. Considerações de segurança com algoritmos criptográficos de IA 

20.9. Análise de dados e otimização de chatbots 

20.9.1. Utilização de plataformas de análise, como o Google Analytics, para chatbots 
20.9.2. Otimização do desempenho com algoritmos de aprendizagem automática 
20.9.3. Aprendizagem automática para um aperfeiçoamento contínuo do chatbot 

20.10. Arquiteturas de chatbots multilingue com IA 

20.10.1. Definição de projectos com ferramentas de gestão da IA 
20.10.2. Implementação técnica utilizando TensorFlow ou PyTorch 
20.10.3. Avaliação e ajustamento com base em Machine Learning e feedback de usuários

Te equiparás con competencias para enfrentar los retos contemporáneos en traducción e interpretación, aprendiendo a utilizar herramientas y plataformas de IA que optimicen estos procesos”