Inteligência Artificial

• Fundamentos científicos da felicidade no ambiente de trabalho, com base na neurociência, psicologia positiva e economia do bem-estar.
• Relações entre engajamento, clima organizacional e alta performance.
• Estratégias para o desenvolvimento de resiliência, inteligência emocional e adaptabilidade em contextos corporativos.
• Mindfulness aplicado ao bem-estar no trabalho: benefícios, mitos e equívocos.
• Construção de culturas organizacionais voltadas à felicidade como diferencial competitivo e fator de retenção de talentos.
• Abordagem preventiva do estresse e burnout em cenários de transformação digital e alta performance.

• Conceito de inteligência competitiva.
• Conceitos envolvidos em inteligência competitiva: dado-informação-inteligência-conhecimento.
• O processo de IC: gestão; estratégia de atuação da organização; necessidades de informação da organização; coleta de informação; análise das informações.

• Teoria da linguagem, modelagem estatística com tokenização, bag of words, n-gramas, TF-IDF, word2vec, uso de redes neurais convolucionais, redes neurais recorrentes e LSTM, seq2seq e reconhecimento de voz.

• Da função de decisão à rede: Neurônios e conexões.
• Aplicações de redes neurais;
• As principais arquiteturas de redes neurais: MLP;
• Convolucionais;
• Recorrentes;
• LSTM;
• Hopfield;
• Redes Neurais de aprendizagem profunda: Conceito;
• Aplicações;
• DBN (Deep Belief Network) ;
• Deep Auto-Encoders;
• GANs (Generative Adversarial Networks);
• Principais ferramentas de construção de redes neurais e de aprendizagem profunda;

• Os serviços de nuvem para criação de aplicações de aprendizado de máquina;
• Serviços para o ciclo de vida do Machine Learning;
• Serviços cognitivos gerenciados; sistemas distribuidos e paralelos de aprendizado de máquina na nuvem;
• MLOps - integração, entrega e treinamento contínuo de modelos aprendizado de máquina na nuvem;
• Edge machine learning.

• Princípios básicos da experiência de usuário aplicados no desenvolvimento de iniciativas de inteligência artificial.
• Comportamento do consumidor e fundamentos em metodologia de pesquisa, desenho centrado no usuário e estratégias para a divisão de tarefas humano-máquina.

• Introdução ao Aprendizado de Máquina (Machine Learning).
• Conceitos básicos de: Sistemas Especialistas, Algoritmos de Aprendizado Supervisionado, Algoritmos de Aprendizado Não-supervisionado, Classificação (Naive Bayes, Arvores, Florestas, SVM, Regressão Logistica, KNN) e Regressão (Linear, Logistica), Sistemas de recomendação, Aprendizado por Reforço (Reinforcement Learning), Introdução às Redes Neurais e Deep Learning, Processo de decisão de Markov (MDP) e Processamento de Texto e Análise de Sentimentos.
• Principais aplicações de Aprendizado de Máquina.
• Introdução às Principais linguagens de programação e frameworks utilizados em Aprendizado de Máquina.

• Técnicas de processamento de imagem: filtros, transformadas, operações morfológicas, segmentação, métodos gulosos, detectores de bordas;
• Técnicas convolucionais; extração e detecção de características;
• Aplicação de Aprendizado de Máquina no processo de visão computacional;
• Ferramentas de visão computacionais utilizadas no mercado;
• Serviços cognitivos de visão computacionais.

Qualidade de dados, tratamento e preparação de dados, ferramentas e técnicas de processamento de dados, visualização da Informação, arquiteturas de interação, métodos e técnicas de organização e visualização de dados, dashboard design, ferramentas para visualização de dados.