Curso de Ciência e Análise de Dados

Aula 1 • O Espectro da Análise

Apresenta análises descritiva, diagnóstica, preditiva e prescritiva. Os alunos mapeiam cada tipo para perguntas de negócios e resultados esperados.

Aula 2 • O que é Ciência de Dados

Define ciência de dados, seu escopo e como difere da estatística e da engenharia de software. Estabelece o vocabulário usado em todo o curso.

Aula 3 • Tipos e Estruturas de Dados

Aborda formatos de dados estruturados, semiestruturados e não estruturados. Conecta a conscientização sobre tipos de dados à seleção adequada de ferramentas e métodos.

Aula 1 • Opções de Armazenamento NoSQL e em Nuvem

Pesquisa armazenamentos NoSQL documento, chave-valor e colunar, juntamente com armazenamento de objetos em nuvem. Os alunos selecionam tipos de armazenamento com base no volume de dados e padrões de consulta.

Aula 2 • Fontes de Dados Primárias e Secundárias

Distingue dados de primeira, segunda e terceira parte e suas compensações. Fundamenta a seleção de fontes em critérios de confiabilidade e relevância.

Aula 3 • Construção de Pipelines de Dados Simples

Realizam extração, transformação e carga de dados de forma confiável

Aula 4 • Raspagem Web e APIs

Ensina recuperação programática de dados usando APIs REST e raspagem de HTML. Os alunos extraem e analisam dados reais de fontes web ao vivo.

Aula 1 • Técnicas de Transformação de Dados

Aplica normalização, padronização, codificação e discretização para preparar atributos. Conecta transformações aos requisitos de compatibilidade do modelo downstream.

Aula 2 • Reformatação e Mesclagem de Conjuntos de Dados

Ensina pivotamento, fusão, concatenação e junção de múltiplos DataFrames. Os alunos consolidam dados de múltiplas fontes em tabelas analíticas unificadas.

Aula 3 • Fundamentos da Análise Exploratória de Dados

Usa estatísticas resumidas e distribuições para entender as características do conjunto de dados. Fornece a lente diagnóstica necessária antes de qualquer limpeza.

Aula 4 • Tratamento de Dados Ausentes e Corrompidos

Aborda estratégias de detecção, imputação e remoção para registros incompletos. Os alunos escolhem métodos com base em mecanismos de ausência (MCAR, MAR, MNAR).

Aula 1 • Princípios de Visualização Eficaz

Aborda princípios perceptuais, seleção de gráficos e armadilhas comuns de visualização. Ancora decisões de design na compreensão do público e na integridade dos dados.

Aula 2 • Visualização Interativa com Plotly

Cria gráficos e dashboards com hover e zoom usando Plotly e Dash. Estende habilidades estáticas para exploração web pronta e orientada pelo usuário.

Aula 3 • Data Storytelling e Apresentação

Estrutura descobertas analíticas em narrativas coerentes para públicos executivos. Os alunos criam decks de slides e relatórios que orientam decisões.

Aula 4 • Visuais Geoespaciais e Multivariados

Apresenta mapas coropléticos, mapas de calor e coordenadas paralelas para dados complexos. Os alunos visualizam relações espaciais e de alta dimensionalidade de forma eficaz.

Aula 1 • Arcabouço de Teste de Hipóteses

Apresenta hipóteses nula e alternativa, valores-p e erros Tipo I e II. Os alunos aplicam o arcabouço a perguntas reais de negócios e científicas.

Aula 2 • Testes Estatísticos Comuns

Aplica testes t, qui-quadrado, ANOVA e Mann-Whitney a tipos de dados adequados. Os alunos selecionam testes com base na escala dos dados e nas suposições de distribuição.

Aula 3 • Análise de Correlação e Regressão

Mede relações lineares e constrói modelos de regressão simples e múltipla. Faz a ponte entre a estatística descritiva e a modelagem preditiva apresentada posteriormente.

Aula 4 • Probabilidade e Distribuições

Aborda regras de probabilidade, variáveis aleatórias e distribuições principais (normal, binomial, Poisson). Fornece a base matemática para todo o trabalho inferencial.

Aula 1 • Algoritmos de Regressão

Estende a regressão linear para modelos regularizados (Ridge, Lasso) e regressores baseados em árvores. Os alunos preveem resultados contínuos e interpretam coeficientes.

Aula 2 • Conceitos Centrais de ML e Fluxo de Trabalho

Define divisões de treino, validação e teste, trade-off viés-variância e overfitting. Estabelece o pipeline de ML de ponta a ponta usado em cada modelo subsequente.

Aula 3 • Avaliação e Seleção de Modelos

Usa validação cruzada, matrizes de confusão, ROC-AUC e RMSE para avaliar modelos. Os alunos selecionam o melhor modelo para uma determinada tarefa usando métricas objetivas.

Aula 4 • Algoritmos de Classificação

Aborda regressão logística, árvores de decisão, k-NN e máquinas de vetores de suporte. Os alunos treinam e comparam classificadores em conjuntos de dados rotulados.

Aula 1 • Otimização de Hiperparâmetros

Aplica busca em grade, busca aleatória e otimização bayesiana para ajustar modelos. Os alunos automatizam o ajuste e documentam os ganhos de desempenho sistematicamente.

Aula 2 • Fundamentos de Redes Neurais

Constrói redes feedforward com Keras, abordando camadas, ativações e retropropagação. Conecta a mecânica das redes neurais aos modelos de deep learning que se seguem.

Aula 3 • Fundamentos de Processamento de Linguagem Natural

Aborda tokenização, TF-IDF, embeddings de palavras e classificação baseada em transformadores. Os alunos constroem classificadores de texto e analisadores de sentimento.

Aula 4 • Métodos de Conjunto

Aborda bagging, boosting e stacking com Random Forest, XGBoost e LightGBM. Os alunos ajustam conjuntos para alcançar desempenho de última geração em dados tabulares.

Aula 1 • Construção de APIs REST para Modelos

Encapsula modelos treinados em endpoints FastAPI para inferência em tempo real. Os alunos testam, documentam e protegem APIs de predição.

Aula 2 • Empacotamento e Serialização de Modelos

Salva e carrega modelos usando pickle, joblib e ONNX para portabilidade. Garante reprodutibilidade entre ambientes e membros da equipe.

Aula 3 • Containerização com Docker

Empacota APIs de modelo em contêineres Docker para implantação consistente e portátil. Os alunos escrevem Dockerfiles e gerenciam imagens para serviços de ML.

Aula 4 • Implantação e Escalonamento em Nuvem

Implanta modelos containerizados em plataformas de nuvem usando serviços gerenciados. Os alunos configuram autoescalonamento e balanceamento de carga para tráfego de produção.