— Introdução à programação em Python
— Python básico
— Python intermediário
— Python avançado

Conheça o mercado de ciência de dados, a experiência dos professores em diferentes setores e os primeiros passos para configurar o seu ambiente e iniciar o aprendizado na área.

— Conheça os professores e entenda os objetivos do curso
— Mercado de ciência de dados e possibilidades de carreira
— Como configurar seu ambiente de ciência de dados
— Criação de scripts para ciência de dados e publicação de scripts em Streamlit

Atividade: Configurar seu ambiente de ciência de dados integrando a ferramenta Streamlit.

Aprenda as principais etapas do CRISP em um projeto prático de compreensão de negócios e dados com preparação e modelagem de dados para avaliação e implantação. Escolha dados de uma das áreas em que deseja trabalhar.

— Visão geral da ciência de dados, classificação de modelos e metodologias existentes
— Estágios de mineração de dados para resolução de problemas
— Processos e metodologias intersetoriais para mineração de dados
— Combinação de modelos: Bagging e floresta aleatória
— Planejamento e modelagem de soluções analíticas

Atividade: Execute e teste seu primeiro modelo de classificação.

Conheça o que são árvores de decisão e como elas são usadas para solucionar problemas. Aprenda como realizar tratamento de dados, análise descritiva e técnicas de visualização de dados em ordem para tratar e classificar transações bancárias para detecção de fraude.

— Introdução às Árvores
— Processo padrão de indústria cruzada para mineração de dados (CRISP-DM)
— Python básico
— Tratamento de dados: dados estruturados e não estruturados. Leitura de arquivos estruturados e dataframes
— Análise de dados e resumo com gráficos
— Github para ciência de dados I

Atividades: Desenvolva um modelo de classificação de detecção de doenças utilizando a árvores de decisão.

Saiba como explorar e exibir dados com tabelas e gráficos por meio do Pandas e realizar seleção de variáveis por meio de indicadores. Aprenda regressão básica, melhores práticas de script e como trabalhar com o algoritmo chaid, usar Github e Streamlit para gerenciamento e visualização de projetos de Ciência de Dados.

— Exploração de dados básicos no Pandas: tabelas e Gráficos
— Seleção de variáveis pela primeira vez – indicadores
— Algoritmo de base de árvores de decisão (Chaid) I
— Regressão básica
— Testes, intervalos e previsões, parametrização de dummies
— Github para ciência de dados II
— Melhores práticas de script
— Publicação de relatórios no Streamlit

Atividade: Desenvolva um modelo de regressão e publique-o com o Streamlit usando suas habilidades em Python.

Aprenda a criar novas variáveis, combinar tabelas, aplicar o algoritmo Chaid em situações mais complexas, o básico de regressão logística e mais componentes de gerenciamento de Github e publicação Streamlit. Descubra como usar os recursos de Terminal e Markdown dos notebooks Jupyter.

— Criação de novas variáveis de regressão, mudança de forma e combinação de tabelas
— Algoritmo de base de árvores de decisão (Chaid) II
— Introdução à Regressão Logística
— Componentes Streamlit para publicação de relatórios
— Jupyter Markdown e Terminal
— Github para ciência de dados III

Atividade: Parte I. Desenvolver um projeto de classificação de dados de cartão de crédito.

Saiba como usar SQL para análise exploratória de ciência de dados, descrever dados com boxplots, gráficos e histogramas e trabalhar com diferentes variações das combinações de algoritmo de Bagging e Boosting. Aprenda a fazer Análise de componentes principais (PCA), conceitos de cálculo e álgebra linear, trabalho com terminal Linux e publicação de relatórios de regressão e clusters em Streamlit.

— Análise Exploratória com SQL
— Descrever dados com boxplots, gráficos e histogramas
— Combinações populares de Bagging (floresta aleatória)
— Combinações populares de Boosting (XGBoosting)
— Conceitos intuitivos de cálculo e álgebra linear
— Terminal Linux I
— Análise de componentes principais (PCA)
— Publique relatórios de regressão logística e clusters no Streamlit

Atividade: Parte II. Desenvolver um projeto de introdução ao reconhecimento de imagens.

Saiba como aplicar diferentes soluções de regressão para compreender e resolver um problema orientado a dados do início ao fim. Aprenda também a diagnosticar, interpretar um problema e realizar previsões de resultados usando regressão logística e suas equações junto com a tabela de contingência.

— K-means
— Decomposição de valor singular (SVD)
— Incorporação vizinha estocástica com distribuição t (t-SNE)
— Estimativa de densidade de kernel (KDE) e DBScan
— Hierárquicos e Aglomerativos
— Análise fatorial exploratória (EFA)
— Análise de correspondência múltipla (MCA)
— Publicação Streamlit de relatórios de redução de dimensionalidade e relatório final

Atividade: Parte I. Projeto de agrupamento de clientes para a área de marketing.

Aprenda como escolher variáveis de regressão, detectar e lidar com a multicolinearidade, aplicar inferência e probabilidade a problemas de ciência de dados e usar comandos de terminal Linux mais avançados.

— Seleção de variáveis de regressão, interações
— Probabilidade e inferência
— Conceito de cálculo diferencial por trás de algoritmos DS
— Diagnóstico, multicolinearidade e resolução de problemas
— Interações e diagnósticos em regressão
— Variáveis fictícias (Dummy)

Atividade: Parte II. Projeto de classificação para pontuação de crédito bancário.