A quantidade de dados gerados pelas organizações tem vindo a crescer e consequentemente a necessidade de pessoas especializadas capazes de retirar valor desses dados. Quando devidamente explorados, permitem suportar decisões estratégicas para o negócio, criação de novos produtos, oferta de serviços mais personalizados entre muito outras potencialidades. Data Science é por isso uma área transversal a todos o tipos de organizações e a todos os sectores, sendo o seu valor reconhecido pelas vantagens competitivas que potencia.
- Presencial
- Training
Especialização Data Science Researcher (EDSR)
- Últimas Vagas
-
- Horário
-
Pós-laboral e Sábados
6ª das 18h45 às 21h45: Sábados das 9h30 às 17h00
-
- Local
- Porto
-
- Calendário
- 09 Abr. 2021 a 03 Set. 2021
A Especialização Data Science Researcher oferece uma forte base dos princípios necessários para o desenvolvimento de um projeto de Data Science com práticas de aplicação a projetos reais.
Cursos relacionados
Destinatários
Destina-se a todos aqueles que queiram adquirir conhecimentos que lhes permitam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para conseguirem retirar o máximo valor dos dados e com isso aportarem valor competitivo para as organizações, nomeadamente profissionais que desempenhem funções diretas de tomada de decisão ou que intervenham em processos de análise de dados para a tomada de decisão sobre os negócios da organização.
Pré-requisitos
Os alunos deverão ter:
- Conhecimentos básicos de Matemática e Estatística;
- Conhecimentos básicos de utilização de uma qualquer linguagem de programação;
- Bom nível de capacidade de leitura em língua inglesa.
Metodologia
Esta especialização pode ser ministrada:
- em modelo híbrido (Presencial e Live Training – online em tempo real)
- em 100% Live Training.
A metodologia pedagógica está focada no saber fazer, pelo que os conceitos e teoria de base são fortemente explorados em treino orientado para a colocação dos conhecimentos em prática.
Os alunos devem ter em conta que para além da exigência das aulas há a exigência de estudo adicional e de desenvolvimento de trabalhos práticos que permitam um cabal desenvolvimento do saber fazer nesta área de conhecimento.
Programa
- Programação em Python (27 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Luís Silva, AI Engineer na OutSystems
- Metodologia de Recolha de Dados (9 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Ricardo Pereira, Co-founder e Data Scientist @ Thorly Education
- Metodologia de Pré-Processamento de Dados
- Presencial (em Lisboa) / Online (outras localidades)
- por: Carlos Rodrigues, Data Scientist na Siemens
- Inferência Estatística (18 horas)
- Presencial (no Porto) / Online (outras localidades)
- por: Inês Rosete, Research Scientist na Nimble Portal
- Análise Exploratória de Dados (18 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: João Veiga, Data Scientist na Feedzai
- Fundamentos Práticos de Machine Learning (18 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Filipa Rodrigues, Data Scientist na OutSystems
- Programação com Python
- Instalação do python
- Básicos da programação com python
- Pacotes Pandas
- Jupyter notebooks
- Metodologia de recolha de dados
- Processo ETL (extract, transform, load)
- Conceito de data governance
- Fontes de dados: Excel, XML, MySQL, Web, APIs
- Metodologias de pré-processamento de dados
- Tipos de dados
- Limpeza de dados
- Transformação de dados
- Inferência estatística
- Funções massa e densidade em probabilidade
- Probabilidades condicionadas e teorema de Bayes
- Valores expectáveis
- Média, desvio padrão e variância
- Distribuições binomial, normal e de Poisson
- Teorema Limite Central
- Testes de hipóteses
- Significância estatística e valor P
- Pacotes NumPy e statsModels
- Análise exploratória de dados
- Seleção de Variáveis
- Sumário estatístico dos dados
- Redução de dimensão
- Visualização para exploração dos dados
- Fundamentos práticos de “Machine Learning”
- Predição, erros e validação cruzada
- Aprendizagem Supervisionada e não supervisionada
- Modelos de Regressão
- Modelos de Classificação
- Pacote Scikit-learn
