Importância da comunicação!!!

Comunicação magnética é a arte de atrair e manter a atenção das pessoas, criando uma conexão forte e engajadora através de técnicas de linguagem corporal, tom de voz, uso de histórias e adequação da mensagem ao público. É um tipo de comunicação que busca despertar o interesse e a empatia, tornando o comunicador mais influente e persuasivo, tanto na vida profissional quanto pessoal. Principais características da comunicação magnética: Atenção e Interesse: Despertar a atenção e o interesse do público-alvo, fazendo-o sentir-se engajado com a mensagem. Conexão: Estabelecer um laço de conexão e empatia com as pessoas, tornando a comunicação mais pessoal e eficaz. Impacto: Deixar uma impressão duradoura, com a capacidade de atrair, reter e influenciar pessoas. Como desenvolver a comunicação magnética: Linguagem Corporal: Manter uma postura firme e gestos seguros, e um olhar atento, para que o corpo confirme a mensagem transmitida. Tom de Voz: Colocar energia e emoção na voz, utilizando ritmo e verdade para dar mais impacto às palavras. Storytelling: Utilizar histórias e metáforas para transmitir mensagens de forma clara, envolvente e mais fácil de conectar do que apenas argumentos lógicos. Empatia: Adequar a mensagem ao público-alvo, considerando suas necessidades e expectativas para criar maior conexão. Valores: Transmitir seus valores, o que constrói confiança e torna as pessoas mais propensas a confiar e se conectar com o comunicador. Apresentação: Cuidar da imagem pessoal, escolhendo tons e estilos congruentes com a verdade que deseja comunicar. Entrega de Valor: Sempre buscar ir além do esperado, tratando cada tarefa ou missão como a mais importante. A comunicação magnética é uma habilidade que pode ser aprendida e aprimorada com treino e prática constante.

Dica de livro sobre políticas públicas!!!

Você não conhece o PDDE? O Programa Dinheiro Direto na Escola (PDDE) está presente em mais de 123 mil escolas em nosso país. O PDDE tem o propósito de contribuir para o provimento das necessidades prioritárias dos estabelecimentos educacionais para a garantia de seu funcionamento e para a promoção de melhorias em sua infraestrutura física e pedagógica, bem como incentivar a autogestão escolar e o exercício da cidadania com a participação da comunidade no controle social. Este livro engaja em reflexões necessárias e atuais sobre a gestão de recursos nas políticas públicas de financiamento educacionais. Você será desafiado a refletir, além da gestão dos recursos do PDDE, sobre temas como: Accountability, prestação de contas, descentralização, insegurança e medo dos gestores, bem como controle social. No final do livro, você vai encontrar uma proposta de indicador para identificar a gestão com vulnerabilidade na execução dos recursos, bem como uma proposta inovadora de capacitação que adota técnicas da metodologia ativa, que poderá auxiliar na formação dos profissionais que atuam na gestão de recursos e amenizar principalmente o medo que muitos profissionais têm ao executar os recursos públicos. Esta obra é indicada principalmente para gestores responsáveis pela execução do PDDE e demais profissionais que estudam ou trabalham com programas das políticas públicas educacionais. Com carinho. Lu Franck

Provérbio do dia!!!

¹ O que ama a instrução ama o conhecimento, mas o que odeia a repreensão é estúpido. Provérbios 12:1

MASP - SP

Sugestão de filme: Moneyball - O homem que mudou o jogo

Moneyball - O homem que mudou o jogo O filme norte-americano Moneyball, lançado em 2012, (aqui no Brasil recebeu o título O homem que mudou o jogo) é um ótimo exemplo de como a correta escolha dos atributos pode determinar o sucesso de muitos projetos de ciência de dados. Pôster do filme . O filme conta uma história real de como o time de beisebol Oakland A's usa ciência de dados para auxiliar na contratação de jogadores. O ponto chave é mostrar como o diretor técnico da equipe dos Oakland A's descobriu que a porcentagem de chegada na base e a porcentagem de rebatidas de um jogador são atributos melhores para prever o sucesso ofensivo de um jogador do que as estatísticas tradicionais do beisebol como a média de rebatidas. Ou seja, o uso de atributos diferentes para descrever os jogadores deu ao Oakland A's um modelo de beisebol diferente e melhor do que os outros times, o que permitiu identificar jogadores subvalorizados e competir com franquias maiores usando um orçamento menor. O sucesso do Oakland A's com ciência de dados revolucionou o beisebol e é um exemplo claro de como a ciência de dados pode dar a uma organização uma vantagem em um espaço de mercado altamente competitivo.

Machine learning - O que é isso?

Machine learning é o campo de estudo que desenvolve algoritmos que os computadores usam com o propósito de identificar e extrair padrões dos dados.

Deep learning - O que é isso?

Deep learning, ou aprendizagem profunda, é uma subárea do machine learning (aprendizagem automática) que utiliza redes neurais artificiais com múltiplas camadas para imitar a forma como o cérebro humano aprende. Ao processar grandes volumes de dados através destas camadas, o deep learning permite que os computadores reconheçam padrões complexos, aprendam a identificar imagens, entender a linguagem e tomar decisões, tudo com um alto nível de acerto e sem a necessidade de programação explícita para cada tarefa. Como funciona Redes Neurais Profundas: São inspiradas na estrutura do cérebro humano, com "neurónios" artificiais organizados em camadas. Múltiplas Camadas: Os dados são processados através de diversas camadas não lineares. Cada camada aprende e extrai características diferentes dos dados, construindo um conhecimento mais aprofundado à medida que a informação avança. Aprendizagem a partir de Dados: Os sistemas de deep learning aprendem a partir de uma grande quantidade de exemplos, em vez de serem programados com regras específicas. Aplicações práticas O deep learning tornou possíveis avanços significativos em diversas áreas da Inteligência Artificial (IA), incluindo: Visão computacional: Reconhecimento de imagens, como identificar tipos de tumores em análises médicas ou o período estilístico de uma pintura. Processamento de Linguagem Natural (PLN): Compreensão e geração de texto, como a voz em assistentes virtuais. Previsão e classificação: Análise de dados para prever resultados de negócios, como a evolução de vendas. Recomendação: Melhoria de sistemas de recomendação em serviços de streaming. Diferença do Machine Learning Machine Learning: É um campo mais amplo da IA onde os sistemas aprendem a partir de dados, mas muitas vezes dependem de dados estruturados e rotulados. Deep Learning: É um tipo específico de machine learning que utiliza redes neurais com muitas camadas (profundas) para aprender com dados não estruturados, como imagens, texto e som, e para identificar padrões de forma mais complexa. Fonte: Internet (2025)