Visão Geral

• O Tableau é uma ferramenta de inteligência de negócios e visualização de dados.
• Python é uma linguagem de programação amplamente usada que fornece suporte para uma ampla variedade de técnicas estatísticas e de aprendizado de máquina.
• O poder de visualização de dados do Tableau e os recursos de aprendizado de máquina do Python, quando combinados, ajudam os desenvolvedores a criar rapidamente aplicativos avançados de análise de dados para vários casos de uso de negócios.
• Neste curso presencial ou on-line ao vivo, ministrado por instrutor/consultor atuando com tableau e python, vai ensinar aos participantes a aprenderão e como combinar o Tableau com Python para realizar análises avançadas.
  
• A integração do Tableau e Python será feita por meio da API TabPy.

Objetivo

Ao final deste treinamento, os participantes serão capazes de:

• Integre o Tableau e o Python usando a API TabPy
  
• Use a integração do Tableau e Python para analisar cenários de negócios complexos com poucas linhas de código Python

Publico Alvo

• Desenvolvedores
• Cientistas de dados

Pre-Requisitos

• Recomendamos que o aluno participante tenha experiência em programação com Python
  

Informações Gerais

• Carga horaria 24h
• Se aos sábados o curso acontece de 09h às 18h, total de 2 sábados,
• se noturno o curso acontece de segunda a sexta das 19h às 23h, total de 4 noites,
• se in-company o curso acontece de 08h às 17h total de 2 dias,

Formato de Entrega:

• Presencial em sala de aula 
  
• Ou on-line ao vivo em tempo real

Materiais

Conteúdo Programatico

1. Introdução
   
2. Visão geral do Tableau e da API TabPy
   
3. Explorando casos de uso do TabPy para cientistas de dados
   
4. Instalando e configurando o TabPy
   
5. Configurando o Tableau Desktop com Python
   
6. Configurando uma conexão TabPy no Tableau
   
7. Passando expressões para Python
   
8. Executando scripts Python no Tableau
   
9. Estimando a probabilidade de rotatividade de clientes usando regressão logística
   
10. Obtendo pontuações de opiniões de produtos vendidos
    
11. Pontuação do comportamento do usuário usando um modelo preditivo
    
12. Usando descobertas para criar um funil de conversão eficiente
    
13. Resumo e conclusão