O CURSO

Em um cenário de disputa de mercado, os dados tornaram-se um ativo importante das empresas. Afinal, eles direcionam as tomadas de decisões dos diversos setores de uma corporação: da fabricação ao planejamento; das estratégias de venda à distribuição. Esse contexto passou a demandar das empresas um novo tipo de profissional, que une habilidades em programação, estatística e visão analítica: o cientista de dados.

No curso de Data Science da ESEG, os estudantes aprenderão a aplicar os métodos estatísticos e computacionais mais recentes em bases de dados complexas, com o objetivo de identificar padrões, gerar insights e realizar projeções.

Com aulas práticas e teóricas, o curso é voltado a profissionais de diversos setores que desejam entender mais sobre o universo da ciência de dados.

Não há pré-requisitos para participar. O curso é livre. Os interessados deverão fazer um teste de nivelamento, que determinará o módulo de ingresso. Assim, aqueles que não possuem conhecimento em linguagens de programação deverão iniciar os estudos antes daqueles que já sabem programar.

PROGRAME-SE

MÓDULOS

3 módulos

PERÍODO

de fevereiro a outubro de 2019

DURAÇÃO

90h

AULAS

quartas, das 19h às 22h15

LOCAL

Campus Ana Rosa - ESEG

INVESTIMENTO

Me informe

INSCREVA-SE

Descontos para alunos e egressos da ESEG e do Grupo Etapa.

Matrículas para o curso completo ou em módulos individuais.

CURRÍCULO

O currículo do curso de Data Science da ESEG está focado nas seguintes áreas:

Análise estatística

Machine Learning

Engenharia de dados

Mineração e captura de dados

Limpeza de dados

Visualização de dados

Ética e segurança de informação

Aplicação de dados para tomada de decisão

CONTEÚDO

  • Revisão de Estatística frequentista e Bayesiana
  • Introdução à Computação com declaração de variáveis de controle de fluxo
  • Métricas estatísticas em Marketing Digital
  • Desenvolvimento de loops com Python
  • Árvore de decisão, Regressão Linear, KNN, ANN, SVM
  • Funções no Python
  • Microeconomia aplicada a negócios
  • Dicionário de classes e objetos no Python
  • Métodos de classificação: Naive Bayes, árvore de decisão, regressão logística, KNN, ANN, SVM
  • Pacote para computação científica: Numpy
  • Finanças aplicada a negócios
  • Estruturas no Python com aplicações
  • Clustering: aglomerativo, divisivo, k-means e outros métodos
  • Pacote para estrutura e análise de dados: Pandas
  • Agronegócio e Python
  • Estruturas no Python com aplicações
  • Revisão dos principais conceitos de Python
  • Revisão de Estatística e Probabilidade
  • Introdução ao Data Mining
  • Captura de informações no Marketing Digital
  • Web Scrapping
  • Revisão de Estatística e Probabilidade II
  • Definição de tamanho de amostra e tipo de dados
  • Big Data
  • Desafios ao tratar grandes volumes de dados
  • Infraestrutura de dados
  • Consulta e manipulação de fontes de dados públicas
  • Limpeza de base de dados
  • Tratamento de bases capturadas
  • Economia criativa e bases não estruturadas
  • Introdução ao SQL e normalização de bases
  • Infraestrutura: Hadoop, Spark
  • Logística 4.0 e Analytics
  • Casos práticos para aplicações
  • Introdução ao Machine Learning
  • Cases
  • Revisão dos principais conceitos de Python e de Big Data
  • Revisão de Estatística e Probabilidade
  • Modelagem de dados e Marketing Digital
  • Revisão dos principais conceitos de Big Data
  • Introdução à Inteligência artificial
  • Técnicas de Modelagem de dados
  • Análise do mercado agro no Brasil
  • NLP
  • Princípios de design gráfico
  • Visualização de dados
  • Aplicações de Machine Learning no mercado financeiro
  • Uso de bibliotecas: Matplotlib, Seaborn, Altair
  • Definições de causalidades e estudo das relações de causa e efeito
  • Modelagem de dados
  • Uso real de ML para cases como Netflx e Spotify
  • Economia criativa
  • Casos práticos para aplicações