Formação Ciência de Dados

Nível do curso:Avançado

Duração: 400h

Descrição

Ciência de dados (em inglês: Data Science) é uma área interdisciplinar voltada para o estudo e a análise de dados econômicos, financeiros e sociais, estruturados e não-estruturados, que visa a extração de conhecimento, detecção de padrões e/ou obtenção de insights para possíveis tomadas de decisão. Ciência de dados enquanto campo existe há, pelo menos, 30 anos; porém ganhou mais destaque nos últimos anos devido a alguns fatores como o surgimento e popularização de grandes bancos de dados e o desenvolvimento de áreas como Machine Learning. Cientistas de Dados podem trabalhar no setor privado, por exemplo, transformando grande quantidade de dados brutos em insights de negócios, auxiliando empresas em tomadas de decisões para atingir melhores resultados ou na academia e terceiro setor como pesquisadores quantitativos interdisciplinares.

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

Playlist da Dra. Cibele Russo – USP
- Visualização e Exploração de Dados
- Análise Multivariada e Aprendizado Não-Supervisionado

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

01 – Pré-processamento de Dados (Data Preprocessing)

01 – Como carregar dados de habitação, via sklearn (Boston)
02 – Como criar dados simulados para regressão
03 – Como criar dados simulados para classificação
04 – Como criar dados simulados para armazenamento em cluster
05 – Como preparar um fluxo de trabalho de aprendizado de máquina
06 – Como converter recursos categóricos em recursos numéricos
07 – Como imputar rótulos de classe ausentes
08 – Como imputar rótulos de classes ausentes usando método “vizinho próximo”
09 – Como excluir instâncias com valores ausentes
10 – Como fazer operações numéricas
11 – Como encontrar outliers
12 – Como codificar recursos categóricos ordinais
13 – Como lidar com classes de desequilíbrio com redução da resolução
14 – Como trabalhar com classes de desbalanceadas
15 – Como lidar com outliers
16 – Como imputar valores ausentes com médias
17 – Codificação com vários rótulos
18 – Codificação com recursos nominais categóricos
19 – Como processar recursos categóricos
20 – Como redimensionar recursos
21 – Como padronizar recursos
22 – Como padronizar dados “IRIS”
23 – Como dividir dados DateTime (“features”) para criar vários recursos
24 – Como calcular a diferença entre datas
25 – Como codificar os dias da semana
26 – Como tratar valores ausentes em uma série temporal
27 – “lagged time-series” (tempo de latência, muito usadas em análises econômicas)
28 – Como selecionar DateTime dentro de um intervalo
29 – Como lidar com “Janelas de Tempo”
30 – Como selecionar DateTime dentro de um intervalo (AM, PM)
31 – Como trabalhar itens em uma lista

02 – Trabalhando Dados com Pandas (DataFrame & Pandas)

01 – Como converter STRING para DateTime
02 – Como usar “CONTINUE e BREAK”
03 – Como criar e deletar arquivos
04 – Como trabalhar conceitos de data e hora
05 – Como trabalhar dicionários
06 – Como encontrar MIN, MAX em um dicionário
07 – Como indexar e fatiar matrizes
08 – Como iterar uma lista usando “if-else”
09 – Como iterar em múltiplas listas
10 – Como usar a função “Lambda”
11 – Como fazer operações matemáticas
12 – Como aplicar funções de Grupo em um DataFrame
13 – Como fazer análise de dados em um DataFrame
14 – Como pré-processar dados “string” em um DataFrame
15 – Como converter variáveis categóricas em variáveis numéricas
16 – Como converter variáveis categóricas “string” em variáveis numéricas
17 – Como inserir uma nova coluna com base na condição
18 – Como criar uma nova coluna com base em uma condição
19 – Como criar tabulações cruzadas a partir de um dicionário
20 – Como deletar duplicatas em um DataFrame
21 – Como obter estatísticas descritivas de um DataFrame
22 – Como apagar “ROW” – linha e “COLUMN” – coluna em um DataFrame
23 – Como filtrar num DataFrame
24 – Como encontrar o maior valor em um DataFrame
25 – Como agrupar “linhas” num DataFrame
26 – Como criar listas partindo de um Dicionário
27 – Como apresentar os dados de forma hierárquica
28 – Como fazer “JOIN” e “MERGE” num DataFrame
29 – Como listar valores únicos (unique) num DataFrame
30 – Como mapear valores em um DataFrame
31 – Como lidar com valores ausentes em um DataFrame
32 – Como calcular a MÉDIA MÓVEL em um DatFrame
33 – Como normalizar uma coluna de DataFrame
34 – Como criar um “Pivot table” usando DataFrame
35 – Como formatar dados “string” numa coluna DataFrame
36 – Como tornar “randômico” um DataFrame

03 – Análise de Dados (Data Analysis)

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
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
26 – Como selecionar caracteristicas usando “ANOVA F-values”
27 – Como selecionar caracteristicas usando qui-quadrado: “chi-squared”
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”

04 – Classificação, Clusterização e Regressão (Classification, Clustering, Regression)

01 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Regressão”
02 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Classificação Binária”
03 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Regressão”
04 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Classificação”
05 – Como fazer Agrupamento Aglomerativo – “Agglomerative Clustering”
06 – Como fazer Clusterização com o algoritmo KMeans – “KMeans Clustering”
07 – Como fazer Clusterização baseado em afinidade
08 – Como fazer Clusterização baseado no algoritmo DBSCAN – “DBSCAN Clustering”
09 – Como fazer Clusterização baseada na abordagem do deslocamento médio (MinShift)
10 – Como utilizar a Árvore de Classificação e Regressão
11 – Como utilizar o algoritmo classificador e regressor – AdaBoost
12 – Como utilizar o algoritmo classificador e regressor – RandomForest
13 – Como utilizar o algoritmo classificador e regressor – GradientBoosting
14 – Como usar o classificador e regressor MLP – Perceptron Multicamadas
15 – Como usar o classificador e regressor “XgBoost” – reforço gradual (Gradient boosting)
16 – Como usar o classificador e regressor “CatBoost”
17 – Como usar o classificador e regressor – “LightGBM”
18 – Como usar o classificador e regressor “SVM” – Support Vector Machine
19 – Como importar arquivos CSV
20 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Multiclass Classification
21 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Naive Bayes
22 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Nearest Neighbors
23 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – LDA e QDA
24 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Tree Model
25 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Bagging) model
26 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Boosting) model
27 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Diferentes “Boosting models”
28 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Visualizar Tree Model
29 – Como utilizar a métrica de classificação
30 – Como utilizar o Métrico de Regressão
31 – Como comparar algoritmos de classificação do “sklearn”
32 – Como implementar o conjunto de votação – “Ensemble Model”
33 – Como salvar modelos treinados
34 – Como visualizar uma Arvore “XGBoost”
35 – Como visualizar a importância das características “XGBoost”
36 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem
37 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem
38 – Como paralelizar a execução de “XGBoost” e validação cruzada (cross validation)
39 – Como otimizar o número de árvores no XGBoost

05 – Visualização de Dados (Data Visualisation)

01 – Como fazer e plotar Autocorrelação (ACF) e Autocorrelação Parcial (PACF)
02 – Como plotar grafico de Pizza com destacamento
03 – Como plotar divergentes textos
04 – Como plotar divergências de escala
05 – Como gerar gráfico de Densidade
06 – Como Traçar Múltiplas Séries Temporais com diferentes escalas usando o eixo Y secundário
07 – Como plotar “BoxPlot”
08 – Como plotar Correlograma – “Correllogram”
09 – Como plotar Correlação cruzada – “Cross Correlation”
10 – Como plotar Curvas de Densidade com Histograma
11 – Como plotar Decomposição de Série Temporal
12 – Como plotar decomposição de Series Temporais
13 – Plotar Gráfico de dispersão com linha de regressão linear de melhor ajuste
14 – Plotar Gráfico de Área
15 – Como plotar gráfico de Barras
16 – Plotar grafico de Bolha – “Bubble Plot”
17 – Como plotar gráfico de Cascata – “Waterfall”
18 – Plotar gráfico de Pares – “Pairwise Plot” (Lotes em par)
19 – Como plotar um gráfico do tipo “TreeMap”
20 – Plotar Histograma Empilhado
21 – Plotar Histograma para Variáveis Contínuas
22 – Plotar Histogramas Marginais – “Marginal Boxplot”
23 – Como plotar “Lollipop” com Marcadores
24 – Como plotar uma pirâmide populacional
25 – Como plotar um grafico do tipo “Scatter Plot”
26 – Plotar Séries Temporais com Anotações de Picos e Vales
27 – Como plotar um gráfico de barras ordenado
28 – Como criar o “Cylinder Plot”
29 – Como criar o “Joy Plot”
30 – Mapa “Lollipop” para Quilometragem de Auto-Estradas
31 – Como plotar gráfico de Pizza
32 – Como plotar Quilometragem em Auto-Estrada por Classe de Veículo
33 – “Data Visualisation” para “Business Analyst” – Como fazer uma Plotagem de “dado sazonal”
34 – Como plotar uma Análise de Consumo – “Black Friday”

06 – Projeto Final

2.00(4 Ratings)

R$1.500,00

Level

Avançado
Total Enrolled

121
Duration

400 hours
Last Updated

21 de novembro de 2024
Certificate

Certificate of completion

Categorias

Categorias Classification, Clustering, Data Analysis, Data Frame, Data Visualisation, Pandas, Preprocessing, Regression

Compartilhe

2.0

Total 4 Ratings

1 Ratings

0 Rating

3 Ratings

Wagner Ferreira

3 semanas atrás

Pagar pra ver vídeos aleatórios do YouTube e Prints de tela de um Jupyter Notebook....

Fernando Antonio

3 meses atrás

Curso com pouco aula (video e documentação )

Augusto Marinho Teixeira de Sousa

6 meses atrás

SÉRIO QUE O CURSO TODO (COM EXCEÇÃO DO NIVELAMENTO QUE É O ÚNICO QUE NÃO USA PRINT DE TELA) USA SÓ PRINT DA TELA DO PYTHON!? GENTE, UM ABSURDO ESSE CURSO! PAGUEI ACHANDO QUE TERIAM APOSTILAS, VÍDEO AULAS ETC, MAS O CIRSO TODO É SÓ PRINT E NÃO EXPLICA COMO FAZER DE FATO AS COISAS! ESTOU ARREPENDIDO!

João

2 anos atrás

Ótimo curso!