Formação Ciência de Dados (Data Science)

Sobre a Formação

Domine as técnicas de preparar, coletar, analisar e processar grandes volumes de dados e use-os de forma estratégica ao extrair insights significativos nas melhores tomadas de decisões para seus negócios com uso de tecnologias de Inteligência Artificial atualmente empregadas na Indústria 4.0.

Esteja pronto para a nova economia digital e para as oportunidades do mercado. O que ninguém ensina nos cursos tradicionais, você aprende aqui. Adquira todo embasamento teórico e prático para atuar com autonomia e segurança.

A tomada de decisões orienta a direção e o desenvolvimento das empresas. Os responsáveis por esse processo devem estar capacitados para realizá-lo com confiança, usando ferramentas e dados que eliminem o acaso e garantam o sucesso. A Ciência de Dados (Data Science), ramo da Inteligência Artificial, foi criado para ajudar a responder a essa necessidade - ser a tecnologia na tomada de decisões.

Venha conhecer os recursos de Inteligência Artificial e capacidade para implementar outras estruturas computacionais de modo 100% EaD e assíncrono.

O curso foi desenvolvido com metodologia Hands On - "mão na massa" ou "aprender fazendo".

É totalmente prático, com teoria complementar e tópicos que, durante todo processo de ensino, os alunos são desafiados em uma série de cenários cada vez mais complexos, uma intensa experiência imersiva em linguagem de programação (python) extremamente aplicável a situações do mundo real.

Desenvolva-se no mundo da Inteligência Artificial com a Formação Ciência de Dados (Data Science).

Informações Gerais

O que você vai aprender

• Criar vetores ou matrizes

• Criar matrizes esparsas

• Redimensionar array "Numpy"

• Converter dicionários em matrizes

• Inverter matriz ou "nArray"

• Calcular diagonal da matriz

• Calcular determinante de uma matriz

• Transformar matriz em vetor

• Calcular: média, desvio padrão e variância

• Encontrar classificação de uma matriz (rank)

• Máximos e mínimos de uma matriz

• Adicionar valor numérico a um elemento de matriz

• Calcular produto de dois (02) vetores

• Adicionar, subtrair, multiplicar e dividir – valor numérico para cada elemento da matriz

• Adicionar e subtrair entre duas (02) matrizes

• Ler características de um dicionario

• Carregar e trabalhar dados via sklearn (dataset Boston)

• Criar dados simulados para regressão

• Criar dados simulados para classificação

• Criar dados simulados para armazenamento em cluster

• Preparar um fluxo de trabalho de aprendizado de máquina

• Converter recursos (características) categóricos em recursos numéricos

• Imputar rótulos de classes ausentes

• Imputar rótulos de classes ausentes usando método "vizinho próximo"

• Excluir instâncias com valores ausentes

• Como fazer operações numéricas

• Como encontrar outliers

• Codificar recursos categóricos ordinais

• Lidar com classes de desequilíbrio com redução da resolução

• Como lidar com classes de desbalanceadas

• Como lidar com outliers

• Imputar valores ausentes com médias

• Codificação com vários rótulos

• Codificação com recursos nominais categóricos

• Processar recursos categóricos

• Redimensionar recursos

• Padronizar recursos

• Padronizar dados "IRIS"

• Dividir dados DateTime ("features") para criar vários recursos

• Calcular a diferença entre datas

• Codificar os dias da semana

• Tratar valores ausentes em uma série temporal

• Como introduzir o tempo "LAG" (lagged time-series)

• Como lidar com "Janelas de Tempo"

• Selecionar DateTime dentro de um intervalo

• Selecionar DateTime [formato (PM) ou (AM)] dentro de um intervalo

• Como trabalhar itens em uma lista

• Análise de Componentes Principais (PCA)

• Análise da Variância (ANOVA)

• Curva Característica de Operação do Receptor (Curva ROC)

• Trabalhar os Hiperparâmetros

• Descrever a relação entre uma variável Y e uma X

• Uso da biblioteca "Seaborn"

• Criar e otimizar modelo para regressão e classificação

• Utilizar "Nearest Neighbours" para regressão e classificação

• Fazer agrupamento aglomerativo (Agglomerative Clustering)

• Fazer clusterização com o "Kmeans"

• Fazer clusterização baseado em afinidade

• Utilizar "DBSCAN Clustering"

• Utilizar a abordagem do deslocamento médio (MinShift)

• Utilizar a arvore de classificação e regressão

• Utilizar algoritmo de aprendizado de máquina "AdaBoost"

• Utilizar algoritmo de aprendizado de máquina "RandomForest"

• Utilizar algoritmo de aprendizado de máquina "GradientBoosting"

• Utilizar classificador e regressor multicamadas – "MLP - Multi Layer Perceptron"

• Utilizar classificador e regressor de reforço gradual "XgBoost"

• Utilizar classificador e regressor "CatBoost"

• Utilizar classificador e regressor "LightGBM"

• Utilizar classificador e regressor "SVM"

• 50%

  8x de R$ 55,31

  R$ 885,00

  R$ 442,50

  ---

  ---

  Clique aqui se você deseja contratação corporativa.