Análise de Dados (Data Analysis)

Nível do curso:Avançado

Duração: 80h

Descrição

– Análise de dados:

é um processo de inspeção, limpeza, transformação e modelagem de dados com o objetivo de descobrir informações úteis, informar conclusões e apoiar a tomada de decisões. A análise de dados tem múltiplas facetas e abordagens, abrangendo diversas técnicas sob uma variedade de nomes, e é usada em diferentes domínios dos negócios, ciências e ciências sociais. Desempenha um papel tornando a tomada de decisões mais científicas e ajudando no processo de operar com mais eficácia.

Plano Pedagógico

Visualizar

Pré-requisito

Python

Aprendizado Teórico Complementar

Playlist do PhD Francisco A. Rodrigues – USP

Playlist do Dr. Alexandre L. M. Levada – USP
- Introdução a Teoria dos Grafos
- Reconhecimento de Padrões

Preparando o Ambiente

Para saber sobre as ferramentas, público alvo, e outras informações, acesse nossas Perguntas Frequentes (itens H e I).

Certificação

Após a conclusão do curso, ficará disponível o botão para a emissão do certificado.

Course Curriculum

Nivelamento

Python…para quem está começando
Fundamentos básicos de computação
Introdução à Teoria das Probabilidades
Métodos baseados em árvores
Regularização
Reamostragem
Classificação

Módulo I

01 – Como reindexar DataFrames Pandas
02 – Como renomear o cabeçalho da coluna em um DataFrame Pandas
03 – Como renomear o cabeçalho de multiplas coluna num DataFrame Pandas
04 – Como substituir múltiplos valores num DataFrame Pandas
05 – Como salvar um DataFrame Pandas para arquivo CSV
06 – Como pesquisar um valor dentro de uma coluna de DataFrame Pandas?
07 – Como pesquisar um valor dentro de uma coluna de DataFrame Pandas?
08 – Como reindexar DataFrames Pandas
09 – Como pesquisar um valor dentro de uma linha (Row) de um DataFrame Pandas
10 – Como ordenar as linhas dentro de um DataFrame Pandas
11 – Como fazer a montagem de Strings em Pandas
12 – Como utilizar a biblioteca “Seaborn” para visualizar um dataframe Pandas
13 – Como utilizar o Pandas “dataframe & series” para representar o processo de limpeza, estruturação e enriquecimento de dados brutos – “data wrangling”
14 – Como gerar gráfico de Barras usando Dataframe Pandas
15 – Como utilizar “Series Temporais” em Pandas
16 – Como gerar “Series Temporais” (cronológicas) usando Pandas e Seaborn
17 – Como gerar um gráfico de dispersão usando “Pandas e Seaborn”
18 – Como gerar Gráfico de Barra agrupado – “grouped BAR”
19 – Como plotar Gráficos de Pizza
20 – Como gerar um “Gráfico de Barra empilhado”
21 – Como determinar e plotar o coeficiente de correlação de Pearson
22 – Como determinar e plotar a correlação de Spearman

Módulo II

23 – Como reduzir a dimensionalidade de uma “matriz esparsa”
24 – Como reduzir a dimensionalidade usando PCA – “Principal Component Analysis”
25 – Como extrair características (features) usando PCA
27 – Como selecionar caracteristicas usando qui-quadrado: “chi-squared”
26 – Como selecionar caracteristicas usando “ANOVA F-values”
28 – Como remover características altamente correlacionadas – “highly correlated features”
29 – Como fazer a eliminação recursiva de características – “recursive feature”
30 – Como fazer a eliminação recursiva de características- “feature” (DecisionTreeRegressor)
31 – Como fazer a eliminação recursiva de características pela analise da Variância
32 – Como dividir dados: Treino e Teste usando “sklearn”
33 – Como verificar a acurácia de um Modelo utilizando a validação cruzada
34 – Como verificar a precisão de um Modelo (F1 Score) utilizando a validação cruzada
35 – Como verificar a precisão de um Modelo utilizando a validação cruzada
36 – Como verificar “Recall” de um Modelo utilizando a validação cruzada
37 – Como verificar a pontuação AUC do modelo utilizando a validação cruzada
38 – Como verificar a “pontuação Media” do modelo utilizando a validação cruzada
39 – Como gerar relatório de classificação e matriz de confusão
40 – Como plotar uma curva de aprendizagem de máquina
41 – Como plotar a “Curva ROC”
42 – Como plotar a Validação da Curva com algoritmo “Random Forest”
43 – Como sintonizar hiper-parâmetros com algoritmo “GridSearchCV”
44 – Como sintonizar hiper-parâmetros com algoritmo “Random Search”
45 – Como selecionar modelo com o algoritmo (GridSearchCV) – “Grid Search”
46 – Como otimizar hiper-parâmetros de um modelo de Regressão Logística usando algoritmo “Grid Search”
47 – Como otimizar hiper-parâmetros de um modelo “DecisionTree” usando algoritmo “GridSearchCV”
48 – Como criar e otimizar a “baseline” de um modelo de Regressão Linear
49 – Como criar e otimizar a “baseline” de um modelo de Regressão Ridge – “Ridge Regression”
50 – Criar e otimizar a “baseline” de um modelo de Regressão Lasso – “Lasso Regression”
51 – Criar e otimizar a “baseline” de um modelo de Regressão ElasticNet – “ElasticNet Regression”

4.67(6 Ratings)

R$550,00

Level

Avançado
Total Enrolled

92
Duration

80 horas
Last Updated

28 de janeiro de 2025
Certificate

Certificate of completion

Categorias

Categorias Data Analysis

Compartilhe

4.7

Total 6 Ratings

5 Ratings

0 Rating

1 Ratings

0 Rating

Adhinan Carvalho

1 semana atrás

Foi uma ótima escolha.

Bernardo Gomes

2 semanas atrás

Gostei bastante do curso no começo, porem acho que os arquivos que auxiliam no Python devia conter mais explicações, resumo do código etc. Tirando isso foi de grande ajuda. Parabéns aos envolvidos.

Fernando Trevisan

2 semanas atrás

Foi completo

Randrel Ferreira

7 meses atrás

Gostei do curso, agora é colocar e prática.

Anaís Araújo

9 meses atrás

Materiais bem explicativos

João

2 anos atrás

Ótimo curso!