Visão Geral

Curso Advanced Data Science. No mundo atual, orientado por dados, a demanda por profissionais com experiência em ciência de dados está aumentando, e este Curso Advanced Data Science representa um farol para indivíduos que buscam navegar no intrincado cenário da ciência de dados. Cobrindo tópicos críticos como matrizes NumPy, análise de regressão, matemática de aprendizado de máquina e muito mais, este curso fornece uma base sólida para aqueles que desejam aproveitar o poder dos dados.

Analistas de negócios, engenheiros de dados, desenvolvedores de software e até mesmo executivos podem se beneficiar significativamente com o domínio da ciência de dados. Numa era em que cada dado contém informações valiosas, aqueles que são versados ​​em ciência de dados possuem uma vantagem distinta. Eles podem desvendar padrões complexos, tomar decisões informadas e impulsionar a inovação.

Este Curso Advanced Data Science foi desenvolvido para capacitar os participantes com conhecimento prático e habilidades práticas. Ele se aprofunda em conceitos essenciais, como trabalhar com séries temporais, plotagem tridimensional, fases do ciclo de vida de análise de dados e manipulação de dados usando Power BI. Ao final deste treinamento, os alunos emergirão como cientistas de dados competentes, capazes de trabalhar com dados em nível de especialista.

Objetivo

Apos realizar este Curso Advanced Data Science você será capaz de:

• Fornecer uma compreensão abrangente dos conceitos básicos e avançados da ciência de dados
• Equipar os delegados com habilidades práticas em ferramentas como Pandas e Power BI
• Para cobrir tópicos críticos como matrizes NumPy, análise de regressão e matemática de aprendizado de máquina
• Para capacitar analistas de negócios, engenheiros de dados, desenvolvedores de software e executivos com proficiência em ciência de dados
• Para permitir que os delegados desvendem padrões complexos e tomem decisões informadas através de insights baseados em dados
• Para garantir que os delegados surjam como cientistas de dados competentes, capazes de enfrentar os desafios de dados do mundo real

Publico Alvo

• Analistas de dados experientes
• Cientistas de Dados
• Engenheiros de aprendizado de máquina
• Estatísticos
• Analistas de Negócios
• Desenvolvedores de IA
• Empreendedores
• Pesquisadores

Pre-Requisitos

Não há pré-requisitos formais para o Curso Advanced Data Science. No entanto, ter conhecimento prévio de múltiplas linguagens de programação será benéfico para os participantes.

Materiais

Conteúdo Programatico

Python for Data Analysis - NumPy

1. Introduction to NumPy
2. NumPy Arrays
3. Aggregations
4. Computation on Arrays: Broadcasting
5. Comparison, Boolean Logic and Masks
6. Fancy Indexing
7. Sorting Arrays
8. NumPy’s Structured Arrays

Python for Data Analysis – Pandas

1. Installing Pandas
2. Pandas Objects
3. Data Indexing and Selection
4. Operating on Data in Pandas
5. Handling Missing Data
6. Hierarchical Indexing
7. Concat and Append
8. Merge and Join
9. Aggregations and Grouping
10. Pivot Tables
11. Vectorised String Operations
12. Working with Time Series
13. Eval() and Query()

Python for Data Visualisation – Matplotlib

1. Overview
2. Object-Oriented Interface
3. Two interfaces
4. Simple Line Plots and Scatter Plots
5. Visualising Errors
6. Contour Plots
7. Histograms, Binnings and Density
8. Customising Plot Legends
9. Customising Colour Bars
10. Multiple Subplots
11. Text Annotation
12. Three-Dimensional Plotting

Python for Data Visualisation – Seaborn

1. Installing Seaborn and Load Dataset
2. Plot the Distribution
3. Regression Analysis
4. Basic Aesthetic Themes and Styles
5. Distinguish between Scatter Plots, Hexbin Plots and KDE Plots
6. Use Boxplots and Violin Plots
7. Compare the Use Cases of Swarn Plots, Bar Plots Strip Plots, and Categorical Plots
8. Recall Some of the Use Cases and Features of Seaborn

Machine Learning

1. Introduction
2. Importance
3. Types
4. How Machine Learning Works?
5. Machine Learning Mathematics

Natural Language Processing

1. Introduction to NLP
2. NLP and Writing Systems
3. Advantages
4. NLP Applications

Deep Learning

1. Introduction
2. Importance
3. Working

Big Data

1. Big Data Analytics
2. State of Practice in Analytics
3. Main Roles for New Big Data Ecosystem
4. Phases of Data Analytics Lifecycle

Working with Data in R

1. Data Manipulation in R
2. Data Clean Up
3. Reading and Exporting Data
4. Importing Data
5. Charts and Graphs

Regression in R

1. Regression Analysis
2. Linear Regression
3. Logistic Regression
4. Multiple Regression
5. Normal Distribution
6. Binomial Distribution

Modelling Data

1. What are the Relationships?
2. Viewing Relationships
3. Creating Relationships
4. Cardinality
5. Cross Filter Direaction
6. What is DAX?
7. Syntax
8. Functions
9. Row Context
10. Calculated Columns
11. Calculated Tables
12. Measures

Shaping and Combining Data using Power BI

1. Query Editor
2. Shaping Data and Applied Steps
3. Advanced Editor
4. Formatting Data
5. Transforming Data
6. Combining Data

Interactive Data Visualisations

1. Page Layout and Formatting
2. Multiple Visualisation
3. Creating Charts
4. Using Geographic Data
5. Histograms
6. Power BI Admin Portal
7. Service Settings
8. Desktop Settings
9. Dashboard and Report Settings