Cursos da Almeida Data Science
Explore nossos cursos práticos em ciência de dados
Curso: Data Science com Python 2.0: Fundamentos e Aplicações
O curso "Data Science com Python: Fundamentos e Aplicações" é uma excelente oportunidade para quem quer dar os primeiros passos ou aprofundar seus conhecimentos em ciência de dados, com uma abordagem prática e focada na aplicação real dos conceitos. Durante o curso, os alunos aprenderão os fundamentos essenciais da ciência de dados, como manipulação de dados, análise exploratória, visualização de dados e criação de modelos preditivos, tudo utilizando a poderosa linguagem Python.
Módulo 01: Fundamentos da Ciência de Dados, Análise Exploratória de Dados e Python
Módulo 02: Técnicas Não Supervisionadas de Machine Learning
Módulo 03: Técnicas Supervisionadas de Machine Learning: Tarefa de Classificação
Módulo 04: Técnicas Supervisionadas de Machine Learning: Tarefa de Regressão
Aulas online e gravadas
As aulas são encontros online sempre ao vivo , proporcionando interação direta com o professor e networking com a turma
4 Módulos | 32 Horas
Avaliação
Ao final de cada módulo o aluno deverá desenvolver uma atividade prática (hands on), e a entrega de um projeto final de Data Science ao final do Curso
Introdução à Ciência de Dados
Framework CRISP-DM
Estruturas de Dados e Tipos de Variáveis
Análise Exploratória de Dados (Medidas estatísticas e Visualização de dados)
Jupyter Notebook
Estruturas de dados básicas, listas, dicionários, funções e arquivos em python
Principais bibliotecas de Python para Ciência de Dados (Pandas, NumPy, Matplotlib e Seaborn)
Hands On 01: A arte de extrair valor dos dados
Introdução à Aprendizagem de máquina
Paradigmas de aprendizagem de máquina
Aprendizagem de Máquina Não Supervisionada
Análise de Clusters: Algoritmos Hierárquicos, K-means e DBSCAN
Métricas de Avaliação
Biblioteca de Aprendizagem de Máquina Scikit-learn
Hands On 02: Clusters: Explorando o Desconhecido nos Dados
O paradigma de Aprendizagem de Máquina Supervisionada
Dados de treino e teste
Pré-processamento e Pipelines de Dados (Limpeza
Transformação de Dados e Seleção de variáveis)
Tarefa de Classificação: Introdução aos Algoritmos de Regressão Logística, KNN, SVM, Árvore de Decisão, Random Forest e XGboost
Métricas de avaliação para tarefas de classificação (ROC AUC e Métricas da Matriz de Confusão)
Biblioteca de Aprendizagem de Máquina Scikit-learn
Hands On 03: Do Raw Data ao Modelo Final: Construindo uma solução completa
Tarefa de Regressão: Introdução aos algoritmos de Regressão Linear, Árvore de Decisão, Random Forest e XGboost
Métricas de avaliação para tarefa de regressão ( , MAE, MSE, RMSE e MAPE)
Biblioteca de Aprendizagem de Máquina Scikit-learn
Hands On 04: De Tendências a Previsões: Explorando um problema de Regressão
Ferramentas para AutoML
Projeto Individual Final
Certificado
Certificado Almeida Data Science com carga horária de 32 horas