Curso prático de Análise de Dados (Data Analisys)
No curso de Análise de Dados (Data Analisys) você se qualifica para o processo de inspeção, limpeza, transformação e modelagem de dados, apoiando a 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 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.
Avance no mundo da Inteligência Artificial com Análise de Dados (Data Analisys).
Vem conosco e entre em modo IA-Labs.
Início do curso: Imediato após a confirmação do pagamento.
Nível: Intermediário.
Carga horária: 80 horas.
100% da carga horária do curso é ofertada na modalidade a Distância - EaD (online), ou seja, sem aula presencial, no formato autoinstrucional (sem o acompanhamento do tutor).
Duração: Você terá 180 dias para concluir o curso após a realização da matrícula. (Após este período o seu acesso será suspenso).
Certificado: O concluinte que obtiver aproveitamento mínimo de 60% receberá o certificado de Análise de Dados (Data Analisys), no e-mail cadastrado, em até 05 dias.
Horário de realização: Na modalidade EaD você tem a flexibilidade de estudar de acordo com a sua disponibilidade, de dia e horário para estudo. Por meio de uma plataforma de ensino, será disponibilizado pelo IA-Labs o material didático (conteúdo apostilado, vídeos para aprendizado teórico complemenar e/ou ilustrações personalizadas, entre outros).
Após a realização da matrícula o curso estará disponível em Portal IA-Labs e os dados de acesso encaminhados para o e-mail informado na matrícula.
Para concluir o curso você deverá realizar o estudo do material (didático e teórico complemenar) e concluir um questionário base “Quizz”, com desempenho mínimo de 60%.
- Análise de Componentes Principais (PCA): é um procedimento matemático que utiliza uma transformação ortogonal (ortogonalização de vetores) para converter um conjunto de observações de variáveis possivelmente correlacionadas num conjunto de valores de variáveis linearmente não correlacionadas chamadas de componentes principais;
- Análise da Variância (ANOVA): é um método para testar a igualdade de três ou mais médias populacionais, baseado na análise das variâncias amostrais. Os dados amostrais são separados em grupos segundo uma característica (fator) que permite distinguir diferentes populações umas das outras;
- Curva Característica de Operação do Receptor (Curva ROC): é uma representação gráfica que ilustra o desempenho (ou performance) de um sistema classificador binário à medida que o seu limiar de discriminação varia;
- Hiperparâmetros: são atributos que controlam o treinamento do modelo de machine learning: com eles podemos tornar o modelo mais preparado para resolver um determinado problema da vida real. Eles previnem o modelo de aprender apenas com os dados mostrados (overfitting e underfitting), tornando-o capaz de generalizar para outras situações possíveis;
- Modelos de Regressão: são amplamente usados em diversas aplicações para descrever a relação entre uma variável resposta Y e uma variável explicativa x.
De forma detalhada:
- Reindexar dataframes
- Substituir múltiplos valores usando biblioteca computacional Pandas
- Plotar dataframes com biblioteca computacional Seaborn
- Limpeza, estruturação e enriquecimento de dados brutos – “Data Wrangling”
- Plotar gráfico de barras usando dataframes Pandas
- Utilizar séries temporais em Pandas
- Gerar séries temporais com Pandas e Seaborn
- Gerar “grouped bar”
- Determinar e plotar coeficientes de correlação
- Reduzir dimensionalidade de matriz esparsa
- Usar PCA (Principal Component Analysis) para reduzir dimensionalidade
- Extrair características usando PCA
- Usar “ANOVA F-values” para selecionar características
- Usar “Chi Squared” para selecionar características (features)
- Remover características altamente correlacionadas
- Verificar acurácia de um modelo com validação cruzada
- Verificar “pontuação AUC” de um modelo
- Plotar curva de aprendizado de máquina
- Plotar “curva ROC”
- Usar o algoritmo “Random Forest”
- Sintonizar hiper-parâmetros com algoritmo “GridSearchCV” e “Random Search”
- Otimizar hiper-parâmetros de um modelo de Regressão Logística
- Otimizar hiper-parâmetros de um modelo de Árvore de Decisão (Random Forest)
- Criar e otimizar “baseline” de um modelo de Regressão Linear
- Criar e otimizar “baseline” de um modelo de Regressão Ridge
- Criar e otimizar “baseline” de um modelo de Regressão Lasso e “ElasticNet”
Informações adicionaisQual importancia da análise de dados?
A 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. No mundo dos negócios de hoje, a análise de dados desempenha um papel tornando a tomada de decisões mais científicas e ajudando as empresas a operar com mais eficácia. Assim, a análise de dados é um processo de obtenção de dados brutos, e posterior conversão dos mesmos em informações úteis para a tomada de decisão dos usuários. Os dados são coletados e analisados para responder a perguntas, testar hipóteses ou refutar hipóteses.