Big Data Science - Machine Learning e Data Mining
Saiba Mais
Sobre o Curso
No universo emergente de tecnologias relacionadas à Big Data, um novo profissional é cada vez mais valorizado: o Cientista de Dados (Data Scientist).
Utilizando métodos matemáticos e estatísticos sobre um volume crescente de dados, mais técnicas de Data Mining e Machine Learning, o Cientista de Dados obtém respostas e, principalmente, formula as perguntas certas.
Nosso foco: preparar o profissional para aplicar as principais ferramentas disponíveis neste mercado (R e outras).
PARA QUEM?
Analistas, Coordenadores e Gerentes que querem entender como utilizar volumes de dados para obter respostas. Profissionais de B.I. que querem atuar no segmento de Data Mining.
Avise-me quando a nova turma for aberta.
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), Especialista em Banking (FGV), Data Science e bacharel em Matemática Aplicada (UFRGS). Com passagens por grandes empresas como B3 e Via Varejo, atualmente é Head de Data na Dotz, responsável por Big Data, Engenharia de Dados, Governança e Data Science, respirando e vivendo dados no dia a dia. 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 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