Cientista de dados do 0 ao PRO
Um curso on-line com avaliação individual e personalizada das suas tarefas, feita pelos nossos professores. Aproveite o desconto que é por tempo limitado!
Ao clicar no botão de "Reservar" você concorda com a nossa
Escola online das profissões
mais procuradas
Preço com desconto
R$ 142,5
Valor anterior
R$ 3.420,00
50%
De desconto
x 12 sem juros
Garanta um desconto e nós entraremos em contato
73 : 10 : 44 : 16
Dias
Horas
Minutos
Segundos
Our website is almost ready
Create a targeted live campaign.
Scale your infrastructure with our simple service.
Days
Hours
Minutes
Seconds
Programação
Cientista de dados do zero
Módulo 1 - O mundo de dados
  • A era da informação.
  • Introdução à Ciência de Dados.
  • Introdução a Python.
  • Instalacao do ambiente.
Módulo 2 - Fundamentos básicos de Python 1
  • Variáveis.
  • Operadores.
  • Estruturas básicas de dados.
Módulo 3 - Fundamentos básicos de Python 2
  • Estruturas de decisão e repetição.
  • Métodos e Funções.
  • Modulos e pacotes.
  • Introdução a orientação a objetos em Python.
  • Tratamento de erros.
Módulo 4 - Trabalhando com bancos de dados
  • Conexão com banco de dados: SQLite3, MongoDB.
  • Trabalho com banco de dados.
  • Leitura e gravação de dados.
Módulo 5 - Bibliotecas: Numpy e Pandas
  • Overview sobre as bibliotecas.
  • Trabalhando com numpy.
  • Trabalhando com pandas.
Módulo 6 - Análise e Visualização de dados
  • Estatistica descritiva: Teoria.
  • Estatistica descritiva: Prática.
  • Visualização de dados com matplotlib.
Módulo 7 - Pré-processamento de dados
  • Preenchimento de dados faltantes.
  • Normalização de dados.
  • Detecção de outliers
Módulo 8 - Fundamentos de machine learning
  • O que é machine learning?
  • Principais desafios ao se trabalhar com machine Learning.
  • Fundamentos básicos de machine learning.
Módulo 9 - Machine learning na prática
  • Trabalhando em um projeto de data science com machine learning de ponta a ponta.
  • Fundamentos de modelos de Regressão
Módulo 10 - Modelos de Classificação
  • Principais classificadores.
  • Métricas para classificação.
  • Análise de resultados
Módulo 11 - Implementando modelos de Machine Learning do zero
  • Regressão Linear.
  • Regressão Polinomial.
  • Regularização
  • Regressão Logística
Módulo 12 - Modelos de árvores e ensembles
  • Árvores de decisão.
  • Random Forest.
  • Modelos de Boosting.
Módulo 13 - Clusterização
  • Aprendizado não supervisionado.
  • KMeans.
  • Métricas para KMeans.
  • DBSCAN.
Módulo 14 - Aplicações: Detecção de Anomalias
  • Fundamentação estatística para a aplicação.
  • Modelos não supervisionados para detecção de anomalias.
Módulo 15 - Aplicações: Detecção de Anomalias
  • Recomendações baseadas nos usuários.
  • Recomendações baseadas nos produtos.
  • Métricas de avaliação.
Módulo 16 - Gerenciamento de projetos de dados
  • O que é um projeto de ciência de dados?
  • Ciclo de vida de um projeto de ciencia de dados;
  • Definição das fases de desenvolvimento e deploy um modelo;
  • Boas práticas: Organização de arquivos, nomenclatura, documentação e versionamento.
  • Monitoramento.
Módulo 1 - O mundo de dados
  • A era da informação
  • Introdução à Ciência de Dados
  • Introdução a Python
  • Instalacao do ambiente
Módulo 2 - Fundamentos básicos de Python 1
  • Variáveis
  • Operadores
  • Estruturas básicas de dados
Módulo 3 - Fundamentos básicos de Python 2
  • Estruturas de decisão e repetição
  • Métodos e Funções
  • Modulos e pacotes
  • Introdução a orientação a objetos em Python
  • Tratamento de erros
Módulo 4 - Trabalhando com bancos de dados
  • Conexão com banco de dados: SQLite3, MongoDB.
  • Trabalho com banco de dados.
  • Leitura e gravação de dados.
Módulo 5 - Bibliotecas: Numpy e Pandas
  • Overview sobre as bibliotecas.
  • Trabalhando com numpy.
  • Trabalhando com pandas.
Módulo 6 - Análise e Visualização de dados
  • Estatistica descritiva: Teoria.
  • Estatistica descritiva: Prática.
  • Visualização de dados com matplotlib.
Módulo 7 - Pré-processamento de dados
  • Preenchimento de dados faltantes.
  • Normalização de dados.
  • Detecção de outliers
Módulo 8 - Fundamentos de machine learning
  • O que é machine learning?
  • Principais desafios ao se trabalhar com machine Learning.
  • Fundamentos básicos de machine learning.
Módulo 9 - Machine learning na prática
  • Trabalhando em um projeto de data science com machine learning de ponta a ponta.
  • Fundamentos de modelos de Regressão
Módulo 10 - Modelos de Classificação
  • Principais classificadores.
  • Métricas para classificação.
  • Análise de resultados
Módulo 11 - Implementando modelos de Machine Learning do zero
  • Regressão Linear.
  • Regressão Polinomial.
  • Regularização
  • Regressão Logística
Módulo 12 - Modelos de árvores e ensembles
  • Árvores de decisão.
  • Random Forest.
  • Modelos de Boosting.
Módulo 13 - Clusterização
  • Aprendizado não supervisionado.
  • KMeans.
  • Métricas para KMeans.
  • DBSCAN.
Módulo 14 - Aplicações: Detecção de Anomalias
  • Fundamentação estatística para a aplicação.
  • Modelos não supervisionados para detecção de anomalias.
Módulo 15 - Aplicações: Detecção de Anomalias
  • Recomendações baseadas nos usuários.
  • Recomendações baseadas nos produtos.
  • Métricas de avaliação.
Módulo 16 - Gerenciamento de projetos de dados
  • O que é um projeto de ciência de dados?
  • Ciclo de vida de um projeto de ciencia de dados;
  • Definição das fases de desenvolvimento e deploy um modelo;
  • Boas práticas: Organização de arquivos, nomenclatura, documentação e versionamento.
  • Monitoramento.
Cientista de dados PRO
Módulo 1 - Importantes tópicos iniciais
  • Introdução a Ciência de Dados Pro
  • Revisão de tópicos importantes
  • Lidando com o negócio
  • Inteligência artificial, ética e responsabilidade
  • Cientista e seu ambiente de trabalho
  • Preparando o ambiente para o curso
Módulo 2 - Introdução às redes neurais I
  • Introdução ao conceito
  • Estrutura de componentes das redes neurais
  • Treinamento de redes neurais
  • Instalação de Tensorflow 2
  • Redes neurais na prática
  • Usando o Tensorboard
Módulo 3 - Introdução às redes neurais II
  • Voltando à estrutura das redes neurais
  • Tipos de redes
  • Tunando hiperparâmetros
  • Tipos de inicialização e funções de ativação
  • Reutilizando camadas pré-treinadas
  • Aceleração e otimização de redes neurais
  • Regularização
Módulo 4 - Introdução à Visão Computacional
  • Redes neurais convolucionais para classificação de imagens: introdução às convoluções
  • Segmentação semântica: localização fraca e redes neurais totalmente convolucionais (FCN)
  • Segmentação semântica: arquiteturas avançadas da FCN para segmentação semântica
  • Detecção de objetos. classificação e localização
  • Detecção de objetos. análise e implementação da arquitetura R-CNN
  • Detecção de objetos. análise de arquiteturas populares (Fast/Faster R-CNN, YOLO, SSD)
Módulo 5 - Introdução ao Aprendizado de Representação e Redes
  • Adversárias Generativas
  • Representação de Dados
  • Autoencoders
  • Deep Autoencoders
  • Autoencoders convolucionais
  • Autoencoders recorrentes
  • Autoencodres Variacionais
  • De modelos discriminativos a generativos. Transferência de estilo
  • Redes adversárias generativas
Módulo 6 - Introdução a Séries Temporais
  • Conceitos fundamentais
  • Modelos clássicos
  • Prophet - Framework do Facebook para Forecasting
  • RNN e Deep RNNs
  • Lidando com o problema de memóriaa curta com LSTM e GRUs
Módulo 7 - Introdução ao Processamento de Linguagem Natural (NLP)
  • NLP - Conceitos fundamentais
  • NLP e machine learning
  • NLP em redes neurais. Redes neurais recorrentes, classificação de texto
  • NLP em redes neurais. Modelos de Linguagem, Atenção, Transformador
  • NLU e criação de agentes conversacionais
  • Gerando conteúdo através de NLG
Módulo 8 - Introdução ao Aprendizado por reforço
  • Algoritmos evolutivos
  • Busca e otimização de políticas
  • Policy Gradient
  • Processos de Decisão de Markov
  • Aplicando através do OpenAI Gym
  • Q-Learning
  • Deep Q-Learning
  • Técnicas modernas
Módulo 9 - Redes neurais aplicadas a Sistemas de Recomendação
  • Sistemas de recomendação
  • Abordagens modernas para a construção de sistemas de recomendação
  • Usando Deep Learning para Recomendação
  • Grafos e Recomendação
  • Sistemas de recomendação com Base de Conhecimento
Módulo 10 - Modelos em produção
  • Implementação de modelos na produção
  • Documentação
  • Interpretabilidade do modelo
  • Testes A/B: tamanho de amostra e construção de intervalos de confiança
  • Testes A/B: hipóteses estatísticas e algoritmos para testá-las (Bootstrap e teste estatístico)
  • Métricas de desempenho
  • Comunicando o resultado
  • Servindo o modelo
  • Monitoramento, relatórios e dashboards
Módulo 11 - Bonus: Extração e análise de Dados em Big Data com Pyspark/Koalas
  • Instalando Pyspark localmente
  • Spark utilizando o Databricks
  • Datatypes em Spark
  • Diferentes formas de SQL no Databricks com Spark
  • Análises usando Spark
  • Pandas UDF
  • Exportando do Pyspark
Módulo 1 - Importantes tópicos iniciais
  • Introdução a Ciência de Dados Pro
  • Revisão de tópicos importantes
  • Lidando com o negócio
  • Inteligência artificial, ética e responsabilidade
  • Cientista e seu ambiente de trabalho
  • Preparando o ambiente para o curso
Módulo 2 - Introdução às redes neurais I
  • Introdução ao conceito
  • Estrutura de componentes das redes neurais
  • Treinamento de redes neurais
  • Instalação de Tensorflow 2
  • Redes neurais na prática
  • Usando o Tensorboard
Módulo 3 - Introdução às redes neurais II
  • Voltando à estrutura das redes neurais
  • Tipos de redes
  • Tunando hiperparâmetros
  • Tipos de inicialização e funções de ativação
  • Reutilizando camadas pré-treinadas
  • Aceleração e otimização de redes neurais
  • Regularização
Módulo 4 - Introdução à Visão Computacional
  • Redes neurais convolucionais para classificação de imagens: introdução às convoluções
  • Segmentação semântica: localização fraca e redes neurais totalmente convolucionais (FCN)
  • Segmentação semântica: arquiteturas avançadas da FCN para segmentação semântica
  • Detecção de objetos. classificação e localização
  • Detecção de objetos. análise e implementação da arquitetura R-CNN
  • Detecção de objetos. análise de arquiteturas populares (Fast/Faster R-CNN, YOLO, SSD)
Módulo 5 - Introdução ao Aprendizado de Representação e Redes
  • Adversárias Generativas
  • Representação de Dados
  • Autoencoders
  • Deep Autoencoders
  • Autoencoders convolucionais
  • Autoencoders recorrentes
  • Autoencodres Variacionais
  • De modelos discriminativos a generativos. Transferência de estilo
  • Redes adversárias generativas
Módulo 6 - Introdução a Séries Temporais
  • Conceitos fundamentais
  • Modelos clássicos
  • Prophet - Framework do Facebook para Forecasting
  • RNN e Deep RNNs
  • Lidando com o problema de memóriaa curta com LSTM e GRUs
Módulo 7 - Introdução ao Processamento de Linguagem Natural (NLP)
  • NLP - Conceitos fundamentais
  • NLP e machine learning
  • NLP em redes neurais. Redes neurais recorrentes, classificação de texto
  • NLP em redes neurais. Modelos de Linguagem, Atenção, Transformador
  • NLU e criação de agentes conversacionais
  • Gerando conteúdo através de NLG
Módulo 8 - Introdução ao Aprendizado por reforço
  • Algoritmos evolutivos
  • Busca e otimização de políticas
  • Policy Gradient
  • Processos de Decisão de Markov
  • Aplicando através do OpenAI Gym
  • Q-Learning
  • Deep Q-Learning
  • Técnicas modernas
Módulo 9 - Redes neurais aplicadas a Sistemas de Recomendação
  • Sistemas de recomendação
  • Abordagens modernas para a construção de sistemas de recomendação
  • Usando Deep Learning para Recomendação
  • Grafos e Recomendação
  • Sistemas de recomendação com Base de Conhecimento
Módulo 10 - Modelos em produção
  • Implementação de modelos na produção
  • Documentação
  • Interpretabilidade do modelo
  • Testes A/B: tamanho de amostra e construção de intervalos de confiança
  • Testes A/B: hipóteses estatísticas e algoritmos para testá-las (Bootstrap e teste estatístico)
  • Métricas de desempenho
  • Comunicando o resultado
  • Servindo o modelo
  • Monitoramento, relatórios e dashboards
Módulo 11 - Bonus: Extração e análise de Dados em Big Data com Pyspark/Koalas
  • Instalando Pyspark localmente
  • Spark utilizando o Databricks
  • Datatypes em Spark
  • Diferentes formas de SQL no Databricks com Spark
  • Análises usando Spark
  • Pandas UDF
  • Exportando do Pyspark
Escola online das profissões mais procuradas
Av. Brg. Faria Lima, 2369 - São Paulo -SP
© Mentorama, 2020 | CNPJ: 36.860.664/0001-78