Visão Geral

Neste Curso Matlab for Predictive Analytics, a análise preditiva é o processo de análise de dados para fazer previsões sobre o futuro. Este processo usa dados juntamente com técnicas de  data mining, estatísticas e técnicas de machine learning para criar um modelo preditivo para a previsão de eventos futuros.

Objetivo

Ao final deste treinamento, os participantes serão capazes de:

• Crie modelos preditivos para analisar padrões em dados históricos e transacionais
• Use modelagem preditiva para identificar riscos e oportunidades
• Construa modelos matemáticos que captem tendências importantes
• Use dados para dispositivos e sistemas de negócios para reduzir o desperdício, economizar tempo ou reduzir custos

Publico Alvo

• Desenvolvedores
• Engenheiros
• Especialistas em domínio

Pre-Requisitos

• Experiência com Matlab
• Nenhuma experiência prévia com ciência de dados é necessária

Informações Gerais

Carga horaria: 24h

• Se noturno este curso e ministrado de segunda-feira a sexta-feira das 19h às 23h, total de 6 encontros.
• Se aos sábados este curso e ministrado das 09h às 18h, total de 3 encontros.

Formato de entrega:

• 100% on-line ao vivo via Microsoft Teams, na presença de um instrutor/consultor ativo no mercado e docente em sala de aula. 
• Nota: não é curso gravado (o mesmo acontece em tempo real na presença de um instrutor).
• Apostila + exercícios práticos

Materiais

Conteúdo Programatico

1. Introduction
2. Predictive analytics in finance, healthcare, pharmaceuticals, automotive, aerospace and manufacturing
3. Big Data Concepts Overview
4. Capture data from different sources
5. What are data-driven predictive models?
6. Overview of statistical and machine learning techniques
7. Case study: predictive maintenance and resource planning
8. Applying Algorithms to Large Datasets with Hadoop and Spark
9. Predictive analytics workflow
10. Accessing and exploring data
11. Data pre-processing
12. Develop a predictive model
13. Training, testing and validating a dataset
14. Applying different machine learning approaches (time series regression, linear regression, etc.)
15. Integrating the model into existing web applications, mobile devices, embedded systems, etc.
16. Matlab and Simulink integration with embedded systems and enterprise IT workflows
17. Creating portable C and C++ code from MATLAB code
18. Deploying predictive applications to large-scale production systems, clusters, and clouds
19. Acting on the results of your analysis
20. Next Steps: Automatically Responding to Results Using Prescriptive Analytics
21. Closing remarks

Introduction to Big Data

1. Main characteristics of Big Data -- Volume, Variety, Velocity and Veracity.
   
2. MPP (Massively Parallel Processing) architecture
3. Data Warehouses – static schema, slowly evolving dataset
4. MPP Databases: Greenplum, Exadata, Teradata, Netezza, Vertica etc.
5. Hadoop Based Solutions – no conditions on structure of dataset.
6. Typical pattern : HDFS, MapReduce (crunch), retrieve from HDFS
7. Apache Spark for stream processing
8. Batch- suited for analytical/non-interactive
9. Volume : CEP streaming data
10. Typical choices – CEP products (e.g. Infostreams, Apama, MarkLogic etc)
11. Less production ready – Storm/S4
12. NoSQL Databases – (columnar and key-value): Best suited as analytical adjunct to data warehouse/database

NoSQL solutions

1. KV Store - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
   
2. KV Store - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
3. KV Store (Hierarchical) - GT.m, Cache
4. KV Store (Ordered) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
5. KV Cache - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
6. Tuple Store - Gigaspaces, Coord, Apache River
7. Object Database - ZopeDB, DB40, Shoal
8. Document Store - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
9. Wide Columnar Store - BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI