Ciência de Dados

Conteúdo do curso

Introdução à Ciência de Dados
Conceitos básicos de ciência de dados, ferramentas e ambientes de desenvolvimento, coleta e limpeza de dados.

Conceitos e Introdução à Ciência de Dados
Ferramentas de Desenvolvimento – Jupyter e Python
Coleta de Dados – Fontes e Métodos
Limpeza de Dados – Tratamento de Dados Faltantes e Anomalias
Pré-processamento de Dados – Transformações e Normalizações

Estatística e Probabilidade
Conceitos de estatística descritiva, probabilidade e distribuições, inferência estatística.

Programação para Ciência de Dados
Programação em Python e bibliotecas essenciais (Pandas, NumPy), manipulação de dados e transformação, análise exploratória de dados (EDA).

Modelagem e Algoritmos de Machine Learning
Aprendizado supervisionado e não supervisionado, regressão, classificação e clustering, avaliação de modelos e validação cruzada.

Visualização de Dados e Comunicação
Criação de gráficos e dashboards, ferramentas de visualização (Matplotlib, Seaborn, Tableau), storytelling com dados.

Classificações e revisões de estudantes

Sem avaliações ainda

Ciência de Dados

O que você aprenderá?

Conteúdo do curso

Introdução à Ciência de Dados
Conceitos básicos de ciência de dados, ferramentas e ambientes de desenvolvimento, coleta e limpeza de dados.

Conceitos e Introdução à Ciência de Dados

Ferramentas de Desenvolvimento – Jupyter e Python

Coleta de Dados – Fontes e Métodos

Limpeza de Dados – Tratamento de Dados Faltantes e Anomalias

Pré-processamento de Dados – Transformações e Normalizações

Estatística e Probabilidade
Conceitos de estatística descritiva, probabilidade e distribuições, inferência estatística.

Estatística Descritiva – Medidas de Tendência Central e Dispersão

Probabilidade – Conceitos e Teoremas Básicos

Distribuições de Probabilidade – Normal, Binomial e Poisson

Inferência Estatística – Estimativas e Testes de Hipóteses

Análise de Variância (ANOVA) e Regressão

Programação para Ciência de Dados
Programação em Python e bibliotecas essenciais (Pandas, NumPy), manipulação de dados e transformação, análise exploratória de dados (EDA).

Fundamentos de Python – Sintaxe e Estruturas de Dados

Bibliotecas Essenciais – Pandas e NumPy

Manipulação de Dados com Pandas – Séries e DataFrames

Análise Exploratória de Dados (EDA) – Gráficos e Resumos Estatísticos

Transformação de Dados – Agrupamento e Pivotagem

Modelagem e Algoritmos de Machine Learning
Aprendizado supervisionado e não supervisionado, regressão, classificação e clustering, avaliação de modelos e validação cruzada.

Introdução ao Machine Learning – Tipos e Algoritmos

Regressão Linear e Logística

Algoritmos de Classificação – KNN, SVM e Árvores de Decisão

Clustering – K-Means e Hierárquico

Avaliação de Modelos – Métricas e Validação Cruzada

Visualização de Dados e Comunicação
Criação de gráficos e dashboards, ferramentas de visualização (Matplotlib, Seaborn, Tableau), storytelling com dados.

Introdução à Visualização de Dados – Princípios e Boas Práticas

Criação de Gráficos com Matplotlib

Visualizações Avançadas com Seaborn

Construção de Dashboards com Tableau

Storytelling com Dados – Comunicação Eficaz de Insights

Menu

Contatos

Social

O que você aprenderá?

Conteúdo do curso

Introdução à Ciência de Dados Conceitos básicos de ciência de dados, ferramentas e ambientes de desenvolvimento, coleta e limpeza de dados.

Conceitos e Introdução à Ciência de Dados

Ferramentas de Desenvolvimento – Jupyter e Python

Coleta de Dados – Fontes e Métodos

Limpeza de Dados – Tratamento de Dados Faltantes e Anomalias

Pré-processamento de Dados – Transformações e Normalizações

Estatística e Probabilidade Conceitos de estatística descritiva, probabilidade e distribuições, inferência estatística.

Estatística Descritiva – Medidas de Tendência Central e Dispersão

Probabilidade – Conceitos e Teoremas Básicos

Distribuições de Probabilidade – Normal, Binomial e Poisson

Inferência Estatística – Estimativas e Testes de Hipóteses

Análise de Variância (ANOVA) e Regressão

Programação para Ciência de Dados Programação em Python e bibliotecas essenciais (Pandas, NumPy), manipulação de dados e transformação, análise exploratória de dados (EDA).

Fundamentos de Python – Sintaxe e Estruturas de Dados

Bibliotecas Essenciais – Pandas e NumPy

Manipulação de Dados com Pandas – Séries e DataFrames

Análise Exploratória de Dados (EDA) – Gráficos e Resumos Estatísticos

Transformação de Dados – Agrupamento e Pivotagem

Modelagem e Algoritmos de Machine Learning Aprendizado supervisionado e não supervisionado, regressão, classificação e clustering, avaliação de modelos e validação cruzada.

Introdução ao Machine Learning – Tipos e Algoritmos

Regressão Linear e Logística

Algoritmos de Classificação – KNN, SVM e Árvores de Decisão

Clustering – K-Means e Hierárquico

Avaliação de Modelos – Métricas e Validação Cruzada

Visualização de Dados e Comunicação Criação de gráficos e dashboards, ferramentas de visualização (Matplotlib, Seaborn, Tableau), storytelling com dados.

Introdução à Visualização de Dados – Princípios e Boas Práticas

Criação de Gráficos com Matplotlib

Visualizações Avançadas com Seaborn

Construção de Dashboards com Tableau

Storytelling com Dados – Comunicação Eficaz de Insights

Classificações e revisões de estudantes

Menu

Contatos

Social

Introdução à Ciência de Dados
Conceitos básicos de ciência de dados, ferramentas e ambientes de desenvolvimento, coleta e limpeza de dados.

Estatística e Probabilidade
Conceitos de estatística descritiva, probabilidade e distribuições, inferência estatística.

Programação para Ciência de Dados
Programação em Python e bibliotecas essenciais (Pandas, NumPy), manipulação de dados e transformação, análise exploratória de dados (EDA).

Modelagem e Algoritmos de Machine Learning
Aprendizado supervisionado e não supervisionado, regressão, classificação e clustering, avaliação de modelos e validação cruzada.

Visualização de Dados e Comunicação
Criação de gráficos e dashboards, ferramentas de visualização (Matplotlib, Seaborn, Tableau), storytelling com dados.