Formação Complementar em Data Science – CDS – CECD

Na formação complementar em Data Science, você vai desenvolver: Aprender modelagem dimensional dos dados, trabalhar com SQL, Python e R para criar modelos matemáticos e de machine learning de classificação, predição e prescrição, utilizando Geoestatística, Pesquisa operacional, Séries temporais, , otimização, bioinformática e Marketing Analytics, aprendendo na prática com os melhores softwares e linguagens de programação da atualidade: R, Python, SQL, Excel e PBI:

Desenvolvendo sete pilares de formação e construindo projetos práticos:

SQL e Python para ciência de dados

Geoestatística com R e Python

Análise de redes e Otimização

Marketing Analytics

Introdução a Bioinformática com Python

Modelos de Séries Temporais com R

Machine Learning (Modelos Clássicos da Estatística) em R e Python

Com quem e o que você vai aprender:

Alex Souza é Mestre em Ciência da Computação com foco em Inteligência Artificial, mais especificamente utilizando Natural Language Processing (NLP) pela Universidade Estadual do Ceará. Especialista em Gestão de Banco de Dados e Especialista em Governança de TI pela Estácio FIC. MCTS – SQL Server Implementação e Manutenção (Administração). Professor de Pós-Graduação e Profissional com mais de 12 anos de experiência na área de dados, nos últimos 4 anos atuando como Analista de Dados e BI, administrando o ambiente de BI, higienização, tratamento, extrações e cargas, assim como a disponibilização desses dados. Atualmente focado na conscientização da cultura baseada em dados (data driven), em Governança e Qualidade de Dados, Segurança de Dados (adequação a LGPD – Lei Geral de Proteção de Dados), Elaboração de Painéis e Dashboards conforme o plano estratégico da empresa, utilizando como ferramentas de visualização de dados: Tableau e PowerBI. Projetos envolvendo Machine Learning em andamento. Linkedin: https://www.linkedin.com/in/alex-souza/

Materiais e links
Aula1 – Sobre o Curso – 07:25
Aula 2 – Habilidades comportamentais – 24:31
Aula3 – LevantamentoDeRequisitos – 09:43
Aula4 – MER – parte 1 de 4 – 26:43
Aula4 – MER – parte 2 de 4 – 14:48
Aula4 – MER – parte 3 de 4 – 15:32
Aula4 – MER – parte 4 de 4 – 17:17
Aula5 – Modelo Lógico – parte 1 de 4 – 15:00
Aula5 – Modelo Lógico – parte 2 de 4 – 16:34
Aula5 – Modelo Lógico – parte 3 de 4 – 15:18
Aula5 – Modelo Lógico – parte 4 de 4 – Extra – 07:11
Aula6 – Banco de Dados – parte 1 de 5 – 16:01
Aula6 – Banco de Dados – parte 2 de 5 – 15:40
Aula6 – Banco de Dados – parte 3 de 5 – 10:41
Aula6 – Banco de Dados – parte 4 de 5 – 12:28
Aula6 – Banco de Dados – parte 5 de 5 – 16:15
Aula7 – Modelo Físico – parte 1 de 5 – 17:05
Aula7 – Modelo Físico – parte 2 de 5 – 14:32
Aula7 – Modelo Físico – parte 3 de 5 – 17:09
Aula7 – Modelo Físico – parte 4 de 5 – 17:09
Aula7 – Modelo Físico – parte 5 de 5 – 15:52
Aula8 – Consultas – parte 1 de 11 – 15:10
Aula8 – Consultas – parte 2 de 11 – 15:57
Aula8 – Consultas – parte 3 de 11 – 15:12
Aula8 – Consultas – parte 4 de 11 – 15:29
Aula8 – Consultas – parte 5 de 11 – 15:09
Aula8 – Consultas – parte 6 de 11 – 15:06
Aula8 – Consultas – parte 7 de 11 – 15:05
Aula8 – Consultas – parte 8 de 11 – 15:04
Aula8 – Consultas – parte 9 de 11 – 17:12
Aula8 – Consultas – parte 10 de 11 – 14:51
Aula8 – Consultas – parte 11 de 11 – 17:28
Aula9 – BI e DW – parte 1 de 12 – 15:26
Aula9 – BI e DW – parte 2 de 12 – 13:38
Aula9 – BI e DW – parte 3 de 12 – 16:16
Aula9 – BI e DW – parte 4 de 12 – 15:33
Aula9 – BI e DW – parte 5 de 12 – 15:31
Aula9 – BI e DW – parte 6 de 12 – 15:20
Aula9 – BI e DW – parte 7 de 12 – 15:40
Aula9 – BI e DW – parte 8 de 12 – 15:25
Aula9 – BI e DW – parte 9 de 12 – 18:22
Aula9 – BI e DW – parte 10 de 11 – 15:39
Aula9 – BI e DW – parte 11 de 12 – 14:47
Aula9 – BI e DW – parte 12 de 12 – 19:31
Aula10 – Montagem DW – parte 1 de 10 – 15:00
Aula10 – Montagem DW – parte 2 de 10 – 14:49
Aula10 – Montagem DW – parte 3 de 10 – 16:07
Aula10 – Montagem DW – parte 4 de 10 – 15:44
Aula10 – Montagem DW – parte 5 de 10 – 15:26
Aula10 – Montagem DW – parte 6 de 10 – 12:02
Aula10 – Montagem DW – parte 7 de 10 – 15:24
Aula10 – Montagem DW – parte 8 de 10 – 17:04
Aula10 – Montagem DW + AED – parte 9 de 10 – 16:16
Aula10 – Montagem DW + AED – parte 10 de 10 – 16:01
Aula11 – AED Python – parte 1 de 2 – 15:50
Aula11 – AED Python – parte 2 de 2 – 16:46
Aula12 – Visualizacao de Dados – parte 1 de 10 – 14:48
Aula12 – Visualizacao de Dados – parte 2 de 10 – 15:34
Aula12 – Visualizacao de Dados – parte 3 de 10 – 16:07
Aula12 – Visualizacao de Dados – parte 4 de 10 – 15:25
Aula12 – Visualizacao de Dados – parte 5 de 10 – 15:08
Aula12 – Visualizacao de Dados – parte 6 de 11 – 16:45
Aula12 – Visualizacao de Dados – parte 7 de 11 – 15:33
Aula12 – Visualizacao de Dados – parte 8 de 11 – 15:37
Aula12 – Visualizacao de Dados – parte 9 de 11 – 15:07
Aula12 – Visualizacao de Dados – parte 10 de 11 – 15:54
Aula13 – Entregáveis, Dia a Dia, NoSQL, SPARK SQL e MACHINE LEARNING – parte 1 de 6 – 10:11
Aula13 – Entregáveis, Dia a Dia, NoSQL, SPARK SQL e MACHINE LEARNING – parte 2 de 6 – 16:49
Aula13 – Entregáveis, Dia a Dia, NoSQL, SPARK SQL e MACHINE LEARNING – parte 3 de 6 – 15:55
Aula13 – Entregáveis, Dia a Dia, NoSQL, SPARK SQL e MACHINE LEARNING – parte 4 de 6 – 25:16
Aula13 – Entregáveis, Dia a Dia, NoSQL, SPARK SQL e MACHINE LEARNING – parte 5 de 6 – 22:02
Aula13 – Entregáveis, Dia a Dia, NoSQL, SPARK SQL e MACHINE LEARNING – parte 6 de 6 – 16:34

Grafos e Otimização – Prof. Marcos dos Santos (Completo 15 horas)

Pesquisador de Pós-Doutorado em Ciências e Tecnologias Espaciais do Instituto Tecnológico da Aeronáutica (ITA). Possui Pós-Doutorado e Doutorado em Engenharia de Produção (UFF) – Linha de Pesquisa: Sistemas, Apoio à Decisão e Logística. Mestre em Engenharia de Produção pela COPPE/UFRJ (Pesquisa Operacional). Licenciado em Matemática e Especialista em Instrumentação Matemática (também pela UFF). Bacharel em Ciências Navais pela Escola Naval – com habilitação em Engenharia de Sistemas. Professor do Programa de Pós-graduação em Sistemas e Computação (PPgSC) do Instituto Militar de Engenharia (IME) e da MBA de ciência de dados da USP. Faz parte da Diretoria da Sociedade Brasileira de Pesquisa Operacional (SOBRAPO). Linkedin: https://www.linkedin.com/in/profmarcosdossantos/

Marketing Analytics – Prof. Marcos Severo (Completo 10 horas)

Marcos Severo é Pós-Doutorando na USP e Doutor em Administração pela UnB. É Professor e Pesquisador na Universidade Federal de Goiás e Professor Visitante no Indian Institute of Technology Gandhinagar (IITGN), na área de Marketing de Analytics. Coordena o Grupo de Ensino, Pesquisa e Extensão em Marketing Analytics e Machine Learning, certificado pelo CNPq desde 2016, onde orienta estudantes de graduação, mestrado e doutorado. Linkedin: https://www.linkedin.com/in/marcos-severo-30967936/

Materiais e Leituras
Aula 01 – Marketing: Definição e perspectiva estratégica – 14:49
Aula 02 – 14:59
Aula 03 – 15:03
Aula 04 – 15:28
Aula 05 – 06:47
Aula 06 – 14:58
Aula 07 – 06:04
Aula 08 – 15:04
Aula 09 – 14:57
Aula 10 – 06:43
Aula 11 – Administração do Esforço de Marketing – 14:48
Aula 12 – 07:04
Aula 13 – 11:51
Aula 14 – 07:13
Aula 15 – 12:00
Aula 16 – 15:02
Aula 17 – 14:09
Aula 18 – 08:07
Aula 19 – Atividade prática analítica de construção da Matriz BCG – 15:11
Aula 20 – 15:07
Aula 20 – 15:04
Aula 22 – 14:48
Aula 23 – 14:55
Aula 24 – 14:46
Aula 25 – 14:53
Aula 26 – 14:57
Aula 27 – 13:12
Aula 28 – 16:47
Aula 29 – Introdução ao Marketing Analytics – 14:59
Aula 30 – 05:04
Aula 31 – 14:58
Aula 32 – 15:07
Aula 33 – 15:41
Aula 34 – 15:11
Aula 35 – Discussão de Pesquisa e Projeto Prático de Marketing Analytics – 15:02
Aula 36 – 14:59
Aula 37 – 14:33
Aula 38 – 15:04
Aula 39 – 15:11
Aula 40 – 15:02
Aula 41 – 14:52
Aula 42 – 14:58
Aula 43 – 19:58
Aula 44 – 05:14
Aula 45 – 10:01

Geoestatística com R e Python- Prof. Angélica Caseri (Completo 10 Horas)

Angélica Nardo Caseri é PhD em hidrologia e pós-doutora em modelos de previsão de hidrometeorologia. Atualmente atua como especialista de ciências de dados na diretoria de inovação em uma das maiores distribuidoras de energia do Brasil, desenvolvendo modelos de inteligência artificial nas mais variadas naturezas de problemas. Além disso, atua em colaborações com universidades e centros de pesquisas como PUC-RIO e Cemaden. Incentivadora da área de ciência de dados, criou o canal no instagram D4T4 (@d_4t4) a fim de divulgar e propagar o conhecimento nesta área. Linkedin: https://www.linkedin.com/in/angelica-caseri-2a19aa4b/

Materiais e Leituras
Aula 01 – 14:48
Aula 02 – 13:39
Aula 03 – 12:41
Aula 04 – 06:34
Aula 05 – 10:19
Aula 06 – 10:45
Aula 07 – 08:00
Aula 08 – 10:26
Aula 09 – 16:45
Aula 10 – 14:33
Aula 11 – 09:47
Aula 12 – 04:51
Aula 13 – 11:07
Aula 14 – 13:16
Aula 15 – 08:18
Aula 16 – 13:33
Aula 17 – 17:23
Aula 18 – 10:05
Aula 19 – 14:12
Aula 20 – 11:19
Aula 21 – 10:16
Aula 22 – 10:31
Aula 23 – 06:48
Aula 24 – 11:26
Aula 25 – 11:29
Aula 26 – 09:08
Aula 27 – 07:24
Aula 28 – 11:33
Aula 29 – 10:01
Aula 30 – 10:17
Aula 31 – 08:05
Aula 32 – 10:14
Aula 33 – 12:40
Aula 34 – 07:47
Aula 35 – 10:40
Aula 36 – 07:54
Aula 37 – 07:41
Aula 38 – 08:34
Aula 39 – 06:29
Aula 40 – 08:16

Introdução a Bioinformática com Python – Prof. Paula Santos (Completo 10 horas)

Doutora em Neurofisiologia pela Universidade de São Paulo. Pós-doutorado em Psicologia e Computação Aplicada. Coordenador responsável pela Bioinformática na pesquisa do câncer infantil do Hospital das Clínicas -RP. CEO & founder Beevi. E fui agraciada com os prêmios : Inteligência Artificial Mercosul de Inteligência Artificial (referência América Latina – 2020), AI Congress Award no Canadá – 2021 e Boston Scientific Award (Prêmio Internacional) Linkedin: https://www.linkedin.com/in/paula-basilone-ba1204182/

Materiais e Leituras
Aula 01 – 14:39
Aula 02 – 15:39
Aula 03 – 15:33
Aula 04 – 16:22
Aula 05 – 13:21
Aula 06 – 15:52
Aula 07 – 20:37
Aula 08 – 12:26
Aula 09 – 15:24
Aula 10 – 15:18
Aula 11 – 16:53
Aula 12 – 15:10
Aula 13 – 10:57
Aula 14 – 16:04
Aula 15 – 14:23
Aula 16 – 14:23
Aula 17 – 09:42
Aula 18 – 14:49
Aula 19 – 12:56
Aula 20 – 13:00
Aula 22 – 10:07
Aula 23 – 10:06
Aula 24 – 12:52
Aula 25 – 12:45
Aula 26 – 13:52
Aula 27 – 16:04
Aula 28 – 15:38
Aula 29 – 11:16

Séries Temporais – Prof. Ricardo Limongi (Abril)

Graduado em Administração pela PUC-GO, Pós Graduado em Gestão Financeira e Controladoria pela FGV-RJ e Gestão Financeira pela PUC-GO, Mestre em Administração pela Unisinos, e Doutor em Administração na linha de Estratégias de Marketing pela EAESP/FGV, com período sanduíche na Cornell University sob supervisão de Vithala Rao. Suas pesquisas já foram, indicadas e/ou premiadas, pela base de dados internacional Emerald (2015/2017) e eventos científicos como SEMEAD (2013) e EMA (2014/2018). Teve projetos aprovados em Editais Científicos pela Fundação de Amparo à Pesquisa do Estado de Goiás (FAPEG) e pelo CNPQ. Atualmente é Editor Associado da Revista Contabilidade, Gestão e Governança (CGG). Pesquisador e Coordenador do Programa de Pós Graduação em Administração da UFG onde trabalha com temas ligados a Economia Comportamental e Desempenhos Aplicados ao Marketing; Modelagem Econométrica e Experimentos em Marketing. Professor Visitante no Masters Program in Marketing na Universidad de Santiago de Chile. Atua como coordenador, do ADMKT – Grupo de Ensino, Pesquisa e Extensão em Marketing e Data Analytics (https://admkt.face.ufg.br/), certificado pelo CNPq. Linkedin: https://www.linkedin.com/in/ricardolimongi/

Materiais e Leituras
Aula 01 – Apresentação do professor e da formação – 01:49
Aula 02 – Introdução a Séries temporais – 12:16
Aula 03 – 14:00
Aula 04 – 19:21
Aula 05 – 10:10
Aula 06 – 12:03
Aula 07 – 10:17
Aula 08 – 15:17
Aula 09 – 15:07

Machine Learning (Modelos Clássicos da Estatística) em R e Python – Prof. Dra. Awo Sitsofe

É Mestre em Estatística pela Universidade católica do chile e Doutora em Estatística pela USP e Analista de Prevenção a Fraudes no Banco Santander. Possui uma grande exriência em análise de dados quantitativos e qualitativos em áreas como dietética, robótica, biomecatrônica, gerontologia, pesca, produção, economia e outras área de negócios.

Materiais e links
Aula 00 – Apresentação – 02:20
Aula 01 – Aprendizado de máquina – 14:03
Aula 02 – Tipos de aprendizagem de máquina – 16:07
Aula 03 – Intordução ao CRISP-DM para criação de Modelos de machine learning – 11:44
Aula 04 – Introdução ao CRISP-DM para criação de modelos – 2 – 14:28
Aula 05 – Introdução ao CRISP-DM para criação de modelos – 3 – 11:07
Aula 06 – Modelagem Estatística/Machine Learning – 10:22
Aula 07 – Modelagem Estatística/Machine Learning – 15:25
Aula 08 – Análise de Regressão – 13:48
Aula 09 – Análise de Regressão – 2 – 12:38
Aula 10 – Análise de regressão – 3 – 11:46
Aula 11 – Regressão Linear – 1 – 13:46
Aula 12 – Regressão Linear – 2 – 12:48
Aula 13 – Regressão linear – 3 – 09:04
Aula 14 – Regressão linear – 4 – 15:33
Aula 15 – Regressão linear – 5 – 16:11
Aula 16 – Regressão linear – 6 – 12:18
Aula 17 – Regressão linear 7 – Prática – 15:42
Aula 18 – Regressão linear – 8 – Prática – 09:40
Aula 19 – Regressão linear – 9 – Prática – 13:17
Aula 20 – Regressão linear – 10 – Prática – 13:20
Aula 21 – Regressão Linear – 11 – Prática – 12:19
Aula 22 – Regressão linear – STEPWISE – Métodos de seleção de modelos – 12 – 13:12
Aula 23 – Regressão linear – STEPWISE – Métodos de seleção de modelos – 13 – Prática – 15:36
Aula 24 – Regressão Linear – 14 – Prática – 14:52
Aula 25 – Regressão linear – 15 – Prática – 10:40
Aula 26 – Regressão linear – 16 – Prática – 14:32
Aula 27 – Regressão linear – 17 – Prática – 11:33
Aula 28 – Regressão Linear – 18 – Prática – 14:05
Aula 29 – Regressão Linear – 19 – Prática – 08:58
Aula 30 – Regressão Polinomial – 1 – 17:38
Aula 31 – Regressão polinomial – 2 – Prática – 13:59
Aula 32 – Regressão de Poisson – 1 – 13:59
Aula 33 – Regressão de Poisson – 2 – 10:04
Aula 34 – Regressão de Poisson – 3 – Prática – 14:29
Aula 35 – Regressão de Poisson – 4 – Prática – 14:06
Aula 36 – Regressão de Poisson – 5 – Prática – 12:51
Aula 37 – Regressão de Poisson – 6 – Prática – 08:38
Aula 38 – Regressão Quantílica – 1 – Teoria – 14:36
Aula 39 – Regressão Quantílica – 2 – Prática – 15:52
Aula 40 – Regressão Quantílica – 3 – Prática – 14:32
Aula 41 – Regressão de Cox – 1 – Teoria – 15:01
Aula 42 – Regressão de Cox – 2 – Teoria – 14:48
Aula 43 – Regressão de Cox – 3 – Teoria – 13:00
Aula 44 – Regressão de Cox – 4 – Prática – 14:15
Aula 45 – Regressão de Cox – 5 – Prática – 18:42
Aula 46 – Regressão de Cox – 6 – Prática – 14:05
Aula 47 – Regressão logística – 1 – Teoria – 12:30
Aula 48 – Regressão Logística – 2 – Teoria – 14:40
Aula 49 – Regressão Logística – 3 – Teoria – 14:21
Aula 50 – Regressão Logística – 4 – Teoria – 14:31
Aula 51 – Regressão Logística – 5 – Teoria – 14:52
Aula 52 – Regressão Logística – 6 – Teoria – 13:30
Aula 53 – Regressão Logística – 7 – Teoria – 09:52
Aula 54 – Regressão Logística – 8 – Prática – 15:17
Aula 55 – Regressão Logística – 9 – Prática – 15:41
Aula 56 – Regressão Logística – 10 – Prática – 14:15
Aula 57 – Regressão Logística – 11 – Prática – 17:57
Aula 58 – Regressão Logística – 12 – Prática – 14:58
Aula 59 – Regressão Logística – 13 – Prática – 17:26
Aula 60 – Regressão Logística – 14 – Prática – 13:30
Aula 61 – Hands on Previsão – 1 – Prática – 14:12
Aula 62 – Hands on Previsão – 2 – Prática – 15:29
Aula 63 – Hands on Previsão – 3 – Prática – 17:01

Carga Horária: 60 Horas