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.