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”

5.00(1 Ratings)

R$550,00

Level

Avançado
Total Enrolled

30
Duration

80 hours
Last Updated

2 de maio de 2024
Certificate

Certificate of completion

Categorias

Categorias Data Analysis

Compartilhe

5.0

Total 1 Rating

1 Ratings

0 Rating

João

1 ano atrás

Ótimo curso!