CURSO ONLINE
Profissão:
Cientista de Dados
Formação completa
Projeto profissional
Prática e feedback
Online
Desenvolva 6 projetos para enriquecer o seu portfólio
Aulas expositivas, atividades práticas e tutoria individualizada
Estude no seu tempo, onde e quando quiser
10 meses, com mais de 40h de aulas
Torne-se um cientista de dados capaz de elaborar modelos estatísticos, solucionar problemas e ampliar estratégia de negócios com base em algoritmos de Machine Learning e Big Data. Desenvolva os primeiros projetos e inicie sua carreira em um dos mercados que mais cresce.
O Cientista de Dados cria modelos preditivos usando algoritmos de Machine Learning e redes neurais, ajudando as empresas a encontrar padrões ocultos, prever tendências e otimizar processos de negócios para melhores resultados.
O cientista de dados será um dos profissionais mais requisitados e bem remunerados do mercado de trabalho pelos próximos anos.
R$
Salário mensal médio
8.330,00
* Valor de referência do Glassdoor.com.br
Podendo chegar a até R$ 14.000,00 de acordo com região, carga horária e nível de experiência.
De olho no mercado
*
Práticas da ciência de dados são aplicadas em todos os setores como produção, vendas, marketing, financeiro, jurídico e qualquer outra área estratégica para o negócio. A demanda é alta e a oferta maior ainda, aproveite!
Para quem este curso é indicado
Mesmo sem experiência prévia em tecnologia ou matemática, você poderá iniciar sua carreira em ciência de dados. Neste curso você irá aprender sobre Machine Learning, Python, programação, análise de dados e cálculos avançados.
Aprenda a solucionar problemas por meio de dados e usar suas habilidades de programação em uma nova carreira que requer diferentes abordagens lógicas de visualização e processamento de dados com Machine Learning. O curso oferece base para você passar da programação à ciência de dados e análise de Big Data.
Iniciantes ou em transição de carreira
Programadores e desenvolvedores
Você aprenderá a aproveitar ao máximo os recursos de Big Data para testar hipóteses e fazer previsões com agilidade e eficiência. Aperfeiçoe suas habilidades de análise de dados, matemática e codificação para turbinar o seu portfólio com projetos que podem te abrir novas portas no mercado no Brasil e no exterior.
Analistas
Ideal para quem quer se tornar um profissional especializado em ciência de dados.
O curso não possui pré-requisitos
Nem todos possuem habilidades analíticas prévias, mas isso não impede que você domine a Ciência de Dados, basta seguir o programa e acompanhar a evolução das etapas do curso para se qualificar.
Caso você não tenha conhecimento básico em Python ou SQL, a EBAC oferece gratuitamente os cursos Bônus "Python para análise de dados" e "SQL para análise de dados" como parte deste programa.
Você irá adquirir conhecimento sobre as principais ferramentas e metodologias mais utilizadas pelos cientistas de dados e aprender a aplicá-las para iniciar sua carreira.
Compreenda os diferentes cenários em que a ciência de dados pode ser utilizada para insights e solução de problemas.
Entenda como o recurso pode auxiliar na organização e tomada de decisões mais inteligentes orientadas a dados.
Aprenda a fazer análise de dados com Python, uma das linguagens de programação mais versáteis e acessíveis da ciência de dados.
Aprenda a utilizar as bibliotecas Pandas, Matplotlib e Seaborn para visualizar dados de análise.
Visão ampla de negócio
Visualização de dados
Python
Árvores de decisão
Saiba como utilizar a linguagem SQL para comunicação e extração de vários tipos de dados a partir de bases de dados.
Use padrões de vários setores para planejar e desenvolver soluções com base em análise de dados.
Padronizações
SQL
No final do curso, você receberá o certificado da EBAC
Trabalhe com diferentes algoritmos e explore os recursos de Big Data e Machine Learning para solução de problemas de acordo com cada necessidade.
Desenvolva 6 projetos de diferentes níveis de complexidade utilizando os recursos do curso para conquistar os primeiros trabalhos como cientista de dados.
Portfólio
Big Data e Machine Learning
Projetos principais para o seu portfolio
1
Preparação e classificação de dados
2
Projeto de ciência de dados, do planejamento à entrega
3
Use dados de acelerômetro para classificar e projetar atividades
O que você aprenderá
João Serrajordia
Trabalhou os últimos oito anos no Banco Votorantim, desenvolvendo novos métodos de análise de dados, orientando metodologias internas e responsável pelo controle de qualidade dos projetos de ciência de dados com foco em crédito. É graduado e mestre em estatística pela Universidade de São Paulo.
Cientista de Dados e Estatístico Msc
Professores do Curso
Lucas Serra de Assis
Atuou como cientista de dados de crédito e CRM no Banco Votorantim e hoje é cientista de dados na multinacional Saint-Gobain. É formado em Engenharia da Computação pela Universidade Federal de São Carlos
Cientista de Dados na Saint-Gobain
Andre Perez
Atua como engenheiro de dados e de Machine Learning na Stone, com desenvolvimento e manutenção de pipeline de dados. Possui vasta experiência no mercado, com passagens pela Serasa Experian, onde liderou a modernização da infraestrutura computacional da concessão de crédito, e Amdocs, onde conduziu projetos de ciência de dados em Tel-Aviv, Israel.
Engenheiro de dados na Stone
Cientista de Dados e Estatístico Msc
João Serrajordia
Trabalhou os últimos oito anos no Banco Votorantim, desenvolvendo novos métodos de análise de dados, orientando metodologias internas e responsável pelo controle de qualidade dos projetos de ciência de dados com foco em crédito. É graduado e mestre em estatística pela Universidade de São Paulo.
Cientista de Dados na Saint-Gobain
Lucas Serra de Assis
Atuou como cientista de dados de crédito e CRM no Banco Votorantim e hoje é cientista de dados na multinacional Saint-Gobain. É formado em Engenharia da Computação pela Universidade Federal de São Carlos.
Cientista de Dados na Acordo Certo
Luis Gustavo Santos Barros
Já atuou como especialista em inteligência de dados na Nextel, trabalhou como cientista de dados no Banco Votorantim e hoje exerce a mesma função na empresa Acordo Certo. É formado em Estatística pela Universidade de Brasília.
Engenheiro de dados na Stone
Andre Perez
Atua como engenheiro de dados e de Machine Learning na Stone, com desenvolvimento e manutenção de pipeline de dados. Possui vasta experiência no mercado, com passagens pela Serasa Experian, onde liderou a modernização da infraestrutura computacional da concessão de crédito, e Amdocs, onde conduziu projetos de ciência de dados em Tel-Aviv, Israel.
Programa do curso
Neste curso, vamos apresentar ferramentas para você iniciar a carreira como cientista de dados. As videoaulas são separadas por módulos para facilitar o aprendizado. Você assiste quando e onde quiser - e pode rever o material pelo período de dois anos.
Curso Introdutório Bônus: Python para Análise de Dados
- Introdução à programação em Python
- Python básico
- Python intermediário
- Python avançado
Parte 01 — Introdução à ciência de dados e suas ferramentas
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.
Configurar seu ambiente de ciência de dados integrando a ferramenta Streamlit.
- 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
Configurar seu ambiente de ciência de dados integrando a ferramenta Streamlit.
Parte 02 — Etapas do processo de Mineração de Dados (Data Mining)
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.
Atividade
Execute e teste seu primeiro modelo de classificação.
- 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.
Parte 03 — Modelos de árvores de decisão em ciência de dados
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.
Desenvolva um modelo de classificação de detecção de doenças utilizando a árvores de decisão.
- 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
Desenvolva um modelo de classificação de detecção de doenças utilizando a árvores de decisão.
Parte 04 — Árvores de regressão e regressão linear
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.
Desenvolva um modelo de regressão e publique-o com o Streamlit usando suas habilidades em Python.
- 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
Desenvolva um modelo de regressão e publique-o com o Streamlit usando suas habilidades em Python.
Parte 05 — Classificação logística e árvores de regressão
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.
Parte I: Desenvolver um projeto de classificação de dados de cartão de crédito.
- 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
Parte I: Desenvolver um projeto de classificação de dados de cartão de crédito.
Parte 06 — Combinando diferentes modelos de ciência de dados
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.
Parte II: Desenvolver um projeto de introdução ao reconhecimento de imagens.
- 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
Parte II: Desenvolver um projeto de introdução ao reconhecimento de imagens.
Parte 07 — Algoritmos não supervisionados
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.
Parte I: Projeto de agrupamento de clientes para a área de marketing.
- 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
Parte I: Projeto de agrupamento de clientes para a área de marketing.
Parte 08 — Regressão Linear
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.
Parte II: Projeto de classificação para pontuação de crédito bancário.
- 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)
Parte II: Projeto de classificação para pontuação de crédito bancário.
Curso Bônus: SQL para Análise de Dados
- Introdução à programação em SQL
- Descreva dados com SQL
- Manipule dados com SQL
- SQL Avançado
- Análise Exploratória de Dados com Pandas e Seaborn
Curso introdutório: Python para Análise de Dados
— Introdução à programação em Python
— Python básico
— Python intermediário
— Python avançado
— Python básico
— Python intermediário
— Python avançado
Parte 01 — Introdução à ciência de dados e suas ferramentas
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
— Opções de carreira após o curso
— Programação Python
— Configurando seu ambiente de ciência de dados
Atividade
Configurar seu ambiente de Ciência de Dados do zero.
— Conheça os professores e entenda os objetivos do curso
— Opções de carreira após o curso
— Programação Python
— Configurando seu ambiente de ciência de dados
Atividade
Configurar seu ambiente de Ciência de Dados do zero.
Parte 02 — Processo padrão entre setores para mineração de dados (CRISP DM)
Aprenda as principais fases do CRISP em um projeto prático de compreensão de negócios e dados com preparação e modelagem de dados para avaliação e implantação.
— Visão geral da ciência de dados, classificação de modelos e metodologias existentes
— Estágios de mineração de dados para resolução de problemas
— Processos intersetoriais para mineração de dados
— Planejamento e modelagem de soluções analíticas
Atividade
Projetos de classificação com mineração de dados.
— Visão geral da ciência de dados, classificação de modelos e metodologias existentes
— Estágios de mineração de dados para resolução de problemas
— Processos intersetoriais para mineração de dados
— Planejamento e modelagem de soluções analíticas
Atividade
Projetos de classificação com mineração de dados.
Parte 03 — Tratamento de dados e uso de Pandas
Estruture e desestruture dados, aprenda a ler, entender, mesclar, resumir e preencher os dados ausentes em diferentes tipos de arquivo com tabelas, dataframes e gráficos de Pandas.
— Introdução à Biblioteca Pandas
— Criação e gerenciamento de DataFrames
— Leitura e manipulação de diferentes arquivos de dados
— Trabalho com valores ausentes
— Criação de variáveis e fusão de diferentes fontes de dados
Atividades
Compreender e tratar as transações bancárias com os Pandas.
— Introdução à Biblioteca Pandas
— Criação e gerenciamento de DataFrames
— Leitura e manipulação de diferentes arquivos de dados
— Trabalho com valores ausentes
— Criação de variáveis e fusão de diferentes fontes de dados
Atividades
Compreender e tratar as transações bancárias com os Pandas.
Parte 04 — Matplotlib, Seaborn e Análise Descritiva
Saiba como usar Matplotlib e Seaborn para preparação, processamento e visualização de dados para geração de gráficos em análise visual e estatística.
— Explorando Matplotlib e Seaborn
— Criação de histogramas, boxplots e gráficos
— Trabalho com gráficos de dispersão
Atividade
Análise descritiva na área médica com Matplotlib e Seaborn.
— Explorando Matplotlib e Seaborn
— Criação de histogramas, boxplots e gráficos
— Trabalho com gráficos de dispersão
Atividade
Análise descritiva na área médica com Matplotlib e Seaborn.
Parte 05 — Árvores de decisão: do zero à prática
Aprenda quais são as principais árvores de decisão, onde e como são usadas, além de como planejar e decidir qual abordagem adotar em diferentes projetos.
— Introdução aos algoritmos supervisionados
— Árvore de decisão de trabalho do CHAID
— Fluxo de trabalho de algoritmos supervisionados
— Aplicação de CRISP-DM a algoritmos
Atividade
Algoritmos de árvore de decisão aplicados em problemas de saúde ou finanças.
— Introdução aos algoritmos supervisionados
— Árvore de decisão de trabalho do CHAID
— Fluxo de trabalho de algoritmos supervisionados
— Aplicação de CRISP-DM a algoritmos
Atividade
Algoritmos de árvore de decisão aplicados em problemas de saúde ou finanças.
Parte 06 — Combinando diferentes modelos para resolver problemas analíticos
Descubra as melhores abordagens de floresta aleatória, aumento e empilhamento para avaliar, interpretar, discriminar e medir soluções analíticas.
— Criação de uma abordagem multi-algoritmo para a resolução de problemas
— Ensacamento e floresta aleatória
— Boosting e XGBoosting
— Empilhamento e segmentação
Atividade
Trabalhar com diferentes modelos de Machine Learning para resolver problemas.
— Criação de uma abordagem multi-algoritmo para a resolução de problemas
— Ensacamento e floresta aleatória
— Boosting e XGBoosting
— Empilhamento e segmentação
Atividade
Trabalhar com diferentes modelos de Machine Learning para resolver problemas.
Parte 07 — Trabalhando com Regressão
Aprenda a aplicar diferentes soluções de regressão para compreender e resolver um problema orientado a dados do início ao fim.
— Introdução à regressão
— Trabalho com regressão
— Análise descritiva em Data Science
— Regressão múltipla
— Uso de modelos alternativos
Atividade
Conduzir uma análise baseada em regressão do início ao fim.
— Introdução à regressão
— Trabalho com regressão
— Análise descritiva em Data Science
— Regressão múltipla
— Uso de modelos alternativos
Atividade
Conduzir uma análise baseada em regressão do início ao fim.
Parte 08 — Previsão com regressão logística
Saiba como diagnosticar, interpretar um problema e realizar previsões de resultados usando regressão logística e suas equações junto com a tabela de contingência.
— Introdução à regressão logística
— Trabalho com a tabela de Contingência e suas medidas
— Previsão
Atividade
Criar um sistema de previsão com dados reais de finanças ou saúde
— Introdução à regressão logística
— Trabalho com a tabela de Contingência e suas medidas
— Previsão
Atividade
Criar um sistema de previsão com dados reais de finanças ou saúde
Parte 09 — Trabalhando com K-Means e dimensionamento de recursos
Descubra como e quando usar o k-means e seus recursos, com a classificação e escalonamento de recursos para diferentes problemas.
— Introdução ao K-Means
— Clustering
— Trabalhar com diferentes parâmetros e cenários
— Classificação e escalonamento de recursos
Atividade
Trabalhar com um caso prático em que o algoritmo k-means resolva um problema analítico
— Introdução ao K-Means
— Clustering
— Trabalhar com diferentes parâmetros e cenários
— Classificação e escalonamento de recursos
Atividade
Trabalhar com um caso prático em que o algoritmo k-means resolva um problema analítico
Parte 10 — Uso de Algoritmos de Cluster
Conheça os algoritmos de agrupamento hierárquico e não hierárquico, seus prós e contras e como usá-los para problemas específicos.
— Clustering hierárquico e não hierárquico
— Como escolher a abordagem certa
— Prós e contras de cada tipo de agrupamento
— Trabalhando com DBScan
Atividade
Conduzir um projeto de segmentação de clientes do início ao fim.
— Clustering hierárquico e não hierárquico
— Como escolher a abordagem certa
— Prós e contras de cada tipo de agrupamento
— Trabalhando com DBScan
Atividade
Conduzir um projeto de segmentação de clientes do início ao fim.
Parte 11 — Análise de Componentes Principais (PCA) e Projeção Aleatória
Aprenda as principais diferenças entre PCA e projeção aleatória, seus prós e contras e como combiná-los com outras abordagens para resolução de problemas.
— Introdução às projeções
— Redução da Dimensão de Dados
— Interpretação geométrica
— Monitoramento de precisão no banco de dados THE MNIST de dígitos manuscritos
— Trabalho com Análise Fatorial
Atividade
Usar os dados do acelerômetro de telefones celulares para classificar e projetar a atividade humana.
— Introdução às projeções
— Redução da Dimensão de Dados
— Interpretação geométrica
— Monitoramento de precisão no banco de dados THE MNIST de dígitos manuscritos
— Trabalho com Análise Fatorial
Atividade
Usar os dados do acelerômetro de telefones celulares para classificar e projetar a atividade humana.
Parte 12 — Conclusão e conteúdo extra
Utilize os principais conceitos matemáticos necessários para se tornar cientista de dados, comandos essenciais de terminal do Linux, habilidades Git/Github para o mercado e marcação de seu notebook para melhor organização, dicas de carreira e próximos passos.
— Conceitos intuitivos de cálculo e álgebra linear
— Conceitos de terminal
— Git e Git-hub
— Markdown para jupyter
— Posicionamento no mercado de trabalho
Atividade
Criar uma versão final do portfólio com os projetos desenvolvidos no curso.
— Conceitos intuitivos de cálculo e álgebra linear
— Conceitos de terminal
— Git e Git-hub
— Markdown para jupyter
— Posicionamento no mercado de trabalho
Atividade
Criar uma versão final do portfólio com os projetos desenvolvidos no curso.
Curso Bônus: SQL para Análise de Dados
— Introdução à programação em SQL
— Descreva dados com SQL
— Manipule dados com SQL
— SQL Avançado
— Análise Exploratória de Dados com Pandas e Seaborn
— Descreva dados com SQL
— Manipule dados com SQL
— SQL Avançado
— Análise Exploratória de Dados com Pandas e Seaborn
Como é a rotina do curso
Aprenda sobre o tema
Coloque o aprendizado em prática
Produza trabalhos autorais
O curso é composto por videoaulas detalhadas e de fácil entendimento
Atividades para praticar no ritmo mais apropriado para você
Correção individual dos trabalhos, com feedbacks para melhorias
Projetos para consolidar o conhecimento adquirido e uma grande oportunidade para enriquecer o seu portfólio.
1
2
3
4
Troque conhecimento com o tutor
Seu currículo no futuro
R$ 8.330,00*
Salário:
Habilidades:
Seu nome
Cientista de dados
Certificado pela EBAC:
Domínio do Python
*Referência site Glassdoor.com.br
Linguagem SQL
Árvore de decisão na prática
Big Data e Machine Learning
Resolução de problemas com base em dados
Conhecimento das ferramentas
Grátis
Os alunos da EBAC têm direito a:
1 mês de curso de inglês
— 1 mês de acesso à plataforma online da EF
— 16 níveis de inglês, totalmente grátis
— Teste de nivelamento
— Certificado reconhecido internacionalmente, ao final de cada nível
— 16 níveis de inglês, totalmente grátis
— Teste de nivelamento
— Certificado reconhecido internacionalmente, ao final de cada nível
Início:
Restam:
10 de maio
11 vagas
Faça sua inscrição para o curso!
Investimento
Preço com desconto
40%
R$ 6.599
R$ 3.959
de desconto
12x de
R$ 329,92
Parcele no boleto. Entrada + 24 de
R$ 182,67
Valor total em 24X
R$ 4.779,98
sem juros no cartão
Investimento pode variar de acordo com o meio de pagamento e data de contratação escolhidos.
Garantimos seu dinheiro de volta por até 7 dias
O valor final pode sofrer alteração por conta da variação do IOF. Essa diferença acontece por conta da incidência do IOF (Imposto sobre Operações Financeiras), um imposto obrigatório e cobrado pelo governo sobre todas as operações de financiamento.
A EBAC é uma instituição inovadora de ensino superior em Artes Criativas e Tecnologia que oferece cursos online, além de programas presenciais e híbridos de especialização e graduação, validados internacionalmente.
graduações internacionais validadas pela University of Hertfordshire (UK)
alunos matriculados nos cursos online da instituição.
dos professores e coordenadores são profissionais atuantes no mercado
empresas colaboram no desenvolvimento dos cursos, projetos reais e programas de estágio
06
100%
+10.000
+40
Perguntas frequentes
Por que eu deveria fazer este curso?
Nos dias de hoje, as empresas precisam cada vez mais de especialistas que saibam coletar e analisar rapidamente grandes quantidades de dados. Esta habilidade é fundamental para garantir o sucesso dos negócios, por meio de novas estratégias e abordagens para melhores resultados.
Eu nunca trabalhei com ciência de dados, vou conseguir acompanhar as aulas?
Claro! Sem problemas. O curso foi desenvolvido para que você aprenda os principais recursos de ciência de dados, e recomendamos conhecimento em Python para melhor aproveitamento do conteúdo. Se você não tem, não se preocupe, este curso bônus será oferecido gratuitamente para você.
Existe alguma atividade em grupo?
O curso foi desenvolvido pensando na sua evolução individual. Por isso, temos uma equipe de tutores para corrigir e dar feedbacks sobre as atividades realizadas por cada aluno. Você também pode conversar com outros alunos e fazer qualquer pergunta sobre o conteúdo das aulas para o tutor, utilizando o Fórum.
Posso assistir os módulos fora de ordem?
Os módulos são liberados semanalmente, conforme a evolução do aluno no curso. Isso significa que você deve assistir os módulos em ordem e realizar as atividades propostas pelo professor antes de passar para o módulo seguinte.
Quanto tempo dura o curso? Consigo conciliar com outras atividades?
Este curso tem mais de 40 horas de aula, mas o tempo de conclusão vai depender de você. As aulas estão disponíveis na plataforma para acessar quando e de onde quiser, avançando no seu ritmo, sem atrapalhar o trabalho ou vida pessoal. Se você estiver inseguro, pode separar um tempo para assistir novamente ou tirar dúvidas com o tutor antes de prosseguir. Além disso, as aulas ficam disponíveis por dois anos a partir da data de matrícula do curso. Assim, você pode até atualizar o conhecimento e relembrar algumas coisas nos próximos meses.
Quantas horas por semana precisarei dedicar aos estudos?
Sugerimos que você complete um módulo por semana, o que dá um pouco mais de duas horas entre assistir as aulas e realizar as atividades. Mas, não se preocupe, este prazo é apenas uma sugestão, ok? Você pode avançar no seu próprio ritmo, fazer pausas para absorver o conteúdo e assistir de novo, quantas vezes quiser, antes de prosseguir.
Eu posso tirar dúvidas com o tutor?
Dentro da plataforma, você terá um tutor que irá comentar as suas tarefas e dar dicas. Você terá a chance de aprender mais com a experiência dos nossos professores – os líderes do mercado de suas áreas, e aproveitar seus conhecimentos e lifehacks.
Perguntas frequentes
Por que eu deveria fazer este curso?
Nos dias de hoje, as empresas precisam cada vez mais de especialistas que saibam coletar e analisar rapidamente grandes quantidades de dados. Esta habilidade é fundamental para garantir o sucesso dos negócios, por meio de novas estratégias e abordagens para melhores resultados.
Eu nunca trabalhei com ciência de dados, vou conseguir acompanhar as aulas?
Claro! Sem problemas. O curso foi desenvolvido para que você aprenda os principais recursos de ciência de dados, e recomendamos conhecimento em Python para melhor aproveitamento do conteúdo. Se você não tem, não se preocupe, este curso bônus será oferecido gratuitamente para você.
Existe alguma atividade em grupo?
O curso foi desenvolvido pensando na sua evolução individual. Por isso, temos uma equipe de tutores para corrigir e dar feedbacks sobre as atividades realizadas por cada aluno. Você também pode conversar com outros alunos e fazer qualquer pergunta sobre o conteúdo das aulas para o tutor, utilizando o Fórum.
Posso assistir os módulos fora de ordem?
Os módulos são liberados semanalmente, conforme a evolução do aluno no curso. Isso significa que você deve assistir os módulos em ordem e realizar as atividades propostas pelo professor antes de passar para o módulo seguinte.
Quanto tempo dura o curso? Consigo conciliar com outras atividades?
Este curso tem mais de 60 horas de aula, mas o tempo de conclusão vai depender de você. As aulas estão disponíveis na plataforma para acessar quando e de onde quiser, avançando no seu ritmo, sem atrapalhar o trabalho ou vida pessoal. Se você estiver inseguro, pode separar um tempo para assistir novamente ou tirar dúvidas com o tutor antes de prosseguir. Além disso, as aulas ficam disponíveis por dois anos a partir da data de matrícula do curso. Assim, você pode até atualizar o conhecimento e relembrar algumas coisas nos próximos meses.
Quantas horas por semana precisarei dedicar aos estudos?
Sugerimos que você complete um módulo por semana, o que dá um pouco mais de duas horas entre assistir as aulas e realizar as atividades. Mas, não se preocupe, este prazo é apenas uma sugestão, ok? Você pode avançar no seu próprio ritmo, fazer pausas para absorver o conteúdo e assistir de novo, quantas vezes quiser, antes de prosseguir.
Eu posso tirar dúvidas com o tutor?
Dentro da plataforma, você terá um tutor que irá comentar as suas tarefas e dar dicas. Você terá a chance de aprender mais com a experiência dos nossos professores – os líderes do mercado de suas áreas, e aproveitar seus conhecimentos e lifehacks.
WhatsApp
Telefone
