Curso prático de Análise de Dados (Data Analisys)

Sobre o Curso

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 Analysis).

Informações Gerais

O que você vai aprender

O curso abrange diversos tópicos essenciais para análise de dados:

Conceitos Principais:

• Análise de Componentes Principais (PCA)

• Análise da Variância (ANOVA)

• Curva Característica de Operação do Receptor (Curva ROC)

• Hiperparâmetros

• Modelos de Regressão

Habilidades Técnicas:

• 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 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”

Pré-requisitos

Conhecimentos em linguagem de programação python.

Público-alvo

Iniciantes em programação, estudantes ou profissionais de tecnologia, como também todos os profissionais que tenham interesse nas trilhas de Inteligencia Artificial, na área da Ciência de Dados.

Como Funciona

• Horário flexível de estudo de acordo com sua disponibilidade

• Material didático disponibilizado na plataforma (conteúdo apostilado, vídeos e ilustrações)

• Acesso ao Portal IA-Labs após a matrícula

• Para concluir: estudo do material e questionário base "Quizz" com desempenho mínimo de 60%

• Certificado enviado por e-mail em até 5 dias após a conclusão

Importância 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.