Curso Prático de Ciência de Dados

Aula 1 • Configuração de Ferramentas e Ambiente

Apresenta o conjunto padrão de ferramentas de ciência de dados e configura um ambiente de trabalho reproduzível. Garante que todos os alunos operem a partir de uma base técnica consistente.

Aula 2 • O Ciclo de Vida da Ciência de Dados

Traça um projeto desde o problema de negócio até o insight implantado. Fornece um modelo mental repetível para estruturar qualquer engajamento de ciência de dados.

Aula 3 • Tipos de Dados e Problemas

Categoriza dados estruturados, não estruturados e semiestruturados e mapeia cada um para tipos de problema. Orienta a seleção adequada de métodos desde o início.

Aula 1 • Fontes e Formatos de Dados

Examina as origens de dados e formatos de arquivo comuns encontrados na prática. Prepara os alunos para lidar com qualquer formato de dado recebido com confiança.

Aula 2 • Consumindo APIs e Dados da Web

Aborda chamadas de API REST, autenticação e raspagem de HTML para coleta de dados. Expande a gama de fontes de dados que os alunos podem acessar programaticamente.

Aula 3 • Estratégias de Armazenamento de Dados

Compara arquivos planos, bancos de dados relacionais e armazenamentos colunares para diferentes cargas de trabalho. Os alunos selecionam o armazenamento apropriado com base no volume e nos padrões de consulta.

Aula 4 • Consultando Bancos de Dados Relacionais

Ensina os fundamentos de SQL para extrair e filtrar dados de armazenamentos relacionais. Habilita diretamente tarefas de recuperação de dados em todos os capítulos subsequentes.

Aula 1 • Conversão de Tipo de Dado e Formatação

Aborda a análise de datas, a codificação de categorias e a padronização de campos de texto. Garante que as ferramentas downstream recebam entradas com os tipos corretos.

Aula 2 • Remodelagem e Mesclagem de Conjuntos de Dados

Ensina pivotagem, fusão e junção de múltiplas tabelas em um conjunto de dados analítico unificado. Prepara diretamente os dados para análise exploratória no próximo capítulo.

Aula 3 • Detectando e Tratando Valores Atípicos

Aborda métodos estatísticos e visuais para identificar valores anômalos e decidir sobre o tratamento. Protege o desempenho do modelo contra entradas distorcidas.

Aula 4 • Lidando com Dados Ausentes

Explica mecanismos de ausência e estratégias apropriadas de imputação ou remoção. Previne o viés introduzido pelo tratamento ingênuo de valores ausentes.

Aula 1 • Análise Visual Univariada

Ensina histogramas, box plots e gráficos de densidade para distribuições de variável única. Constrói a alfabetização visual aplicada ao longo do curso.

Aula 2 • Análise Bivariada e Multivariada

Explora relações entre duas ou mais variáveis usando gráficos de dispersão, mapas de calor e pair plots. Revela correlações e interações relevantes para a modelagem.

Aula 3 • Exploração de Dados Categóricos

Analisa distribuições de frequência e tabulações cruzadas para variáveis categóricas. Completa o kit de ferramentas de EDA para tipos de dados mistos.

Aula 4 • Estatísticas Descritivas

Aborda tendência central, dispersão e forma da distribuição para variáveis numéricas. Fornece a base quantitativa para toda a análise visual subsequente.

Aula 1 • Escalonamento e Normalização

Aplica escalonamento min-max, padronização e escalonamento robusto a features numéricas. Garante que modelos baseados em distância e gradiente recebam entradas comparáveis.

Aula 2 • Codificação de Variáveis Categóricas

Aborda codificação one-hot, ordinal e target para converter categorias em entradas numéricas. Previne o viés induzido pela codificação em modelos downstream.

Aula 3 • Redução de Dimensionalidade

Apresenta PCA e outras técnicas de redução para comprimir espaços de features de alta dimensão. Reduz o risco de overfitting e o custo computacional antes da modelagem.

Aula 4 • Criando Novas Features

Deriva termos de interação, features polinomiais e agregados específicos do domínio. Expande o espaço de features com sinais não presentes nas colunas brutas.

Aula 1 • Validação Cruzada e Overfitting

Aplica validação cruzada k-fold e estratificada para detectar overfitting e estimar a generalização. Produz estimativas de desempenho confiáveis antes da seleção final do modelo.

Aula 2 • Algoritmos de Classificação

Apresenta regressão logística, árvores de decisão, florestas aleatórias e máquinas de vetores de suporte para alvos categóricos. Estende o fluxo de trabalho supervisionado para resultados discretos.

Aula 3 • Ajuste de Hiperparâmetros

Usa busca em grade, busca aleatória e otimização bayesiana para encontrar configurações ótimas de modelo. Maximiza o desempenho do modelo dentro de restrições computacionais.

Aula 4 • Métricas de Avaliação de Modelo

Define acurácia, precisão, recall, F1, ROC-AUC, RMSE e R-quadrado para avaliar a qualidade do modelo. Permite comparação objetiva entre algoritmos e configurações.

Aula 1 • Avaliando Soluções de Agrupamento

Aplica métricas de validação internas e externas para avaliar e comparar soluções de agrupamento. Permite a seleção defensável de clusters sem rótulos de referência.

Aula 2 • Agrupamento por Densidade e Hierárquico

Aplica DBSCAN para agrupamento tolerante a ruído e métodos hierárquicos para segmentação baseada em dendrograma. Lida com estruturas de cluster não esféricas e aninhadas.

Aula 3 • Fundamentos de Agrupamento

Explica o paradigma de aprendizado não supervisionado e o papel das métricas de distância no agrupamento. Fornece a base conceitual para todos os algoritmos de agrupamento abordados.

Aula 4 • Interpretando e Usando Saídas de Agrupamento

Traça o perfil das características do cluster e integra os rótulos dos clusters como features para modelos supervisionados. Conecta achados não supervisionados a decisões de negócio e pipelines downstream.

Aula 1 • Governança e Documentação de Modelos

Estabelece model cards, trilhas de auditoria e controles de acesso para uso responsável em produção. Atende aos requisitos de responsabilidade organizacional e regulatória.

Aula 2 • Monitorando o Desempenho do Modelo

Acompanha a qualidade da predição, o drift de dados e as métricas de saúde do sistema em produção. Detecta degradação antes que ela impacte os resultados de negócio.

Aula 3 • Conteinerização e Pipelines de Implantação

Empacota serviços de modelo em contêineres e automatiza a implantação por meio de pipelines de CI/CD. Reduz erros manuais de implantação e acelera os ciclos de iteração.

Aula 4 • Preparando Modelos para Produção

Aborda serialização, gerenciamento de dependências e requisitos de reprodutibilidade para a entrega em produção. Garante que os modelos se comportem de forma idêntica fora do ambiente de desenvolvimento.