Visão Geral

Curso Probability And Statistics For Data Science. A probabilidade e a estatística constituem os pilares fundamentais da ciência de dados, fornecendo as ferramentas necessárias para compreender a incerteza, a variabilidade e tomar decisões informadas com base em dados. Este curso de formação aprofunda os conceitos fundamentais de probabilidade e estatística, enfatizando o seu papel crucial no campo da ciência de dados. Os participantes explorarão como esses conceitos contribuem para a extração de insights e padrões significativos dos dados.

Compreender a probabilidade e a estatística é essencial para profissionais da área de ciência de dados. Cientistas de dados, analistas e tomadores de decisão confiam nesses princípios para tirar conclusões e previsões precisas dos dados. O domínio da probabilidade permite a quantificação da incerteza, enquanto a estatística permite a análise de padrões e tendências de dados.

Este Curso Probability And Statistics For Data Science, capacitará os delegados com as habilidades necessárias para aplicar probabilidade e estatística em cenários práticos de ciência de dados. Eles aprenderão conceitos-chave como distribuições de probabilidade, testes de hipóteses e análise de regressão. O curso fornece uma compreensão abrangente dos métodos estatísticos, permitindo que os profissionais tomem decisões e previsões informadas com base em dados

Objetivo

Após realizar este Curso Probability And Statistics For Data Science você será capaz de:

• Representar e analisar fenômenos incertos usando uma estrutura
• Para quantificar o resultado do experimento como pertencente a um evento específico
• Para atribuir probabilidades a cada ocorrência de interesse e um experimento
• Acostumar-se com cadeias de Markov e diferentes tipos estatísticos
• Para gerar amostras da distribuição condicional apropriada
• Para avaliar a ocorrência de um determinado evento que influencia outro evento

Publico Alvo

• Cientistas de Dados
• Engenheiros de aprendizado de máquina
• Analistas de dados
• Analistas de Negócios
• Gerentes de Produto
• Analistas Quantitativos
• Estatísticos

Pre-Requisitos

• Não há pré-requisitos

Materiais

Conteúdo Programatico

Basic Probability Theory

1. Probability Spaces
2. Conditional Probability
3. Independence

Random Variables

1. What are Random Variables?
2. Discrete Random Variables
3. Continuous Random Variables
4. Conditioning on an Event
5. Functions of Random Variables
6. Generating Random Variables

Multivariate Random Variables

1. Introduction to Multivariate Random Variables
2. Discrete Random Variables
3. Continuous Random Variables
4. Joint Distributions of Discrete and Continuous Variables
5. Independence
6. Functions of Several Random Variables
7. Generating Multivariate Random Variables
8. Rejection Sampling

Expectation

1. Expectation Operator
2. Mean and Variance
3. Covariance
4. Conditional Expectation

Random Processes

1. Introduction to Random Process
2. Mean and Autocovariance Functions
3. Independent Identically-Distributed Sequences Gaussian Process
4. Poisson Process
5. Random Walk

Convergence of Random Processes

1. Types of Convergence
2. Law of Large Numbers
3. Central Limit Theorem
4. Monte Carlo Simulation

Markov Chains

1. Markov Property
2. Time-Homogeneous Discrete-Time Markov Chains
3. Recurrence
4. Periodicity
5. Convergence
6. Markov-Chain Monte Carlo

Descriptive Statistics

1. What is Descriptive Statistics?
2. Examples of Descriptive Statistics
3. Types of Descriptive Statistics

Frequentist Statistics

1. Mean Square Error
2. Consistency
3. Confidence Intervals
4. Nonparametric Model Estimation
5. Parametric Model Estimation
6. Maximum Likelihood

Bayesian Statistics

1. Bayesian Parametric Models
2. Conjugate Prior
3. Bayesian Estimators

Hypothesis Testing

1. Hypothesis-Testing Framework
2. Parametric Testing
3. Nonparametric Testing: The Permutation Test
4. Multiple Testing

Linear Regression

1. Introduction to Linear Regression
2. Linear Models
3. Least-Squares Estimation