• Instalando e conhecendo o Python e as ferramentas do curso;
• Revisitando lógica de programação em Python;
• Trabalhando com listas, tuplas e dicionários;
• Introdução ao Pandas e Numpy;
• Escrita e leitura de arquivos;
• Orientação a objeto no Python;
• Álgebra Linear (Vetores, Matrizes, Sistemas de Equações Lineares, Combinação Linear);
• Cálculo Diferencial e Integral: funções, gráficos de funções, derivada, integral e aplicações do cálculo em probabilidade.

E muito mais.

• Básico sobre Anaconda e Python;
• Obtenção de conteúdo HTML de um site;
• Acesso às páginas com request;
• Tratamento de strings;
• Introdução ao BeautifulSoup;
• Varredura de documento HTML;
• Acesso ao conteúdo das tags;
• Métodos find() e findAll();
• Como identificar e selecionar os dados no HTML;
• Procedimento de scraping;
• Consumo de dados de APIs;
• CRUD de banco de dados;
• Introdução a Algoritmos de Machine Learning;
• Aprendizado Supervisionado e Aprendizado Não Supervisionado;
• Análise Exploratória de Dados: média, mediana, desvio padrão, histograma, box plot e testes estatísticos;
• Análise Bivariada: correlação e associação;
• Algoritmos Supervisionados: regressões Linear e logística, árvores de decisão, KNN, Random Forest;
• Algoritmos Não Supervisionados: análise de clusters (hierárquico e não hierárquico), KMEANS e DBSCAn;
• Algoritmos Não Supervisionados: redução de dimensionalidade e análise de componentes principais;
• Algoritmos Não Supervisionados: técnica de recomendação;
• Métricas de Desempenho: matriz de confusão, acurácia, precisão, recall, curva ROC, RMSE, entre outros;
• Modelos de Séries Temporais: Média Móvel, Decomposição, Holter-Winter, ARIMA.

E muito mais.

• Introdução a processamento de linguagem natural;
• Tokenização dos dados;
• Pré-processamento de texto (limpeza do texto: remoção de acentos, caracteres especiais, URLs, regex, etc.);
• Stop Words;
• BOW (Bag of words) / TFIDF;
• Word Embeddings;
• Unigramas, bigramas e trigramas;
• Lematização/Stemização;
• Word2vec;
• Word cloud;
• LDA;
• Análise de sentimento;
• Diferença entre Machine e Deep learning;
• Redes Neurais Multilayer Perceptron e Single-Layer Perceptron: arquitetura da rede, neurônio matemático, funções de ativação, feedforward e backpropagation;
• Redes Neurais Convolucionais: arquitetura da rede, como o computador identifica uma imagem, camadas de convolução e camadas de pooling;
• Redes Neurais Autoencoders;
• Métricas de desempenho: entendendo gradiente;
• Redes Neurais LSTM para séries temporais: arquitetura da rede, como trabalhar com séries temporais, tendência, sazonalidade e estacionaridade;
• Construindo o pensamento analítico;
• Feature Scaling e pré-processamento de dados;
• Criando o modelo preditivo;
• Criando a pipeline;
• Criando a sua própria aplicação preditiva.