Big Data Science - Machine Learning e Data Mining
Sobre o Curso
No universo emergente de tecnologias relacionadas ao Big Data, destaca-se um novo papel de extrema relevância: o cientista de dados (Data Scientist). Ele é responsável por utilizar métodos matemáticos e estatísticos sobre um volume crescente de dados, por meio de técnicas de data mining, machine learning entre outras, para obter respostas e, principalmente, trazer as perguntas certas. O aluno será preparado com conceitos estatísticos e métodos matemáticos essenciais para assumir este papel e irá aplicá-los com ferramentas utilizadas neste mercado (R e outras).
QUEM VAI GOSTAR?Para gerentes, coordenadores e analistas que necessitam entender como utilizar massas de dados para obter respostas. Profissionais de B.I. que desejam ingressar no segmento de Data Mining.
Avise-me
Gostaria de ser avisado quando novas turmas forem ofertadas?
Informe seu nome e e-mail que entraremos em contato.
Investimento
Formas de Pagamento
-
American Express
-
Master Card
-
VISA
-
ELO
Alunos e ex-alunos têm 20% de desconto na compra dos cursos SHIFT.
* Desconto não cumulativo.
Short Bio
Mestre em Economia Aplicada (UFRGS) à teoria dos jogos. Especialista em Banking (FGV), Data Science e bacharel em Matemática Aplicada (UFRGS). Atualmente é Gerente do PMO da BM&F Bovespa. Mais de vinte anos de experiência no mercado de Tecnologia da Informação. É também consultor em Data Science e professor de pós-graduação e graduação nas áreas de Business Intelligence, Big Data e Data Science.
Conteúdo
Introdução a Data Science, Estatística Descritiva e R
-
- Principais elementos que caracterizam Data Science e Big Data
- Como e em quais situações aplicar
- Média, Mediana, Variância, Covariância, Desvio Padrão e Correlação
- Histograma, Dispersão, Box-Plot
- Utilizando do R para fazer Data Science
Modelos Regressivos
-
- Entendendo uma regressão
- Modelos Auto-regressivos
- Modelos de Regressão Linear
- Modelos de Regressão Multivariada
- Elaboração no Excel e R
- Transformações lineares e parametrizações
Modelos de Classificação e Clustering
-
- Análise do erro e otimização
- Dados de treinamento, teste e previsão
- Aprendizagem supervisionada e não supervisionada
- Classificação de dados
- Teoria das Probabilidades e Árvores de decisão
- Clustering
Algoritmos de Machine Learning e aplicações em larga escala
-
- Exercício integrado
- Random Forest
- SVM
- Scale-up e Scale-out