Curso Data Science Curitiba

Apresentação Inicial

Objetivo: Apresentar a Harve e funcionamento das plataformas de ensino e funcionamento da formação, mentorias e outros benefícios da Escola.

• Conceito de Andragogia
• O que é NPS e sua aplicação na Harve
• Funcionamento e ferramentas do Workplace
• Harve além da sala de Aula
• Apresentação dos Alunos

Fundamentos de Dados

Objetivo: Apresentar os conceitos iniciais de Data Science, banco de dados e IA.

• Apresentações Gerais 
• O que é Data Science 
• Conceitos de Data Science 
• Ciência da Computação 
• Banco de Dados 
• Cloud & Cluster 
• Artificial Intelligence & Machine Learning
• Usos da Média, Mediana e Moda
• Cálculo de Probabilidades
• Resumo dos Cinco Números
• Construindo Box Plot
• Organização e Transformação de Números
• Auxílio de Gráficos

KPIs & Business Questions

Objetivo: O objetivo deste módulo é mesclar a ciência de dados com a necessidade do negócio, identificando qual KPI é relevante para a empresa ou área de atuação. Entender o conceito de Métricas e KPI e sua aplicação nos negócios. Entender o mindset de negócios aplicado na Ciência de Dados. Entender quais KPIs aplicar de forma estratégica em negócio.

• Mindset data science vs Mindset business
• O que é um KPI?
• Como definir meu KPI?
• Metodologias e Ferramentas para aplicar no dia a dia
• KPIs aplicados na jornada do cliente
• Gestão baseada em KPIs

Teste de Hipótese e Testes A/B

Objetivo: Apresentar os conceitos relacionados aos testes de hipóteses e decisões baseadas em dados.

• Amostragem Aleatória 
• Planejamento de Experimentos 
• Criando o Teste de Hipóteses (H0 e H1) 
• Região Crítica 5 –  Função Poder 
• Conclusão do Teste de Hipóteses
• Tamanho da Amostragem de Dados
• Definição das Hipóteses
• Significância Estatística
• Mensurando Resultados
• Tomando Decisões com Dados

Introdução ao Python

Objetivo: Introduzir conceitos básicos presentes na programação, a estrutura e as escolhas de design feitas para o python e apresentar os motivos da ascensão da linguagem.

• História da linguagem Python;
• Por que utilizar Python?
• Empresas que utilizam Python;
• Primeiros Passos;
• Sintaxe e Estruturas Básicas;
• Funções e Métodos;
• Tratamento de Erros e Exceções.

Python para Ciência de Dados

Objetivo: Introduzir os alunos a principal biblioteca de manipulação de dados. Análise de dados é a principal aplicação de python hoje em dia e muito da estrutura da linguagem hoje é pensada para essas aplicações.

• Instalação e Uso de Bibliotecas;
• Visualização de Dados;
• Bibliotecas para Ciência de Dados;
• Numpy;
• Pandas;
• Exemplo de Classificação.

SQL

Objetivo: A linguagem de pesquisa com quase 50 anos que ainda fará diferença no seu dia-a-dia. Além dos SGBDs, outras ferramentas utilizam SQL como sua linguagem de consulta; Com ela você poderá extrair dados de qualquer banco de dados relacional, bancos NoSQL e até ferramentas de streaming.

• Modelo de Dados
• Banco de Dados e SGBD
• SQL (Load, Create Table, Cláusulas,
• Operadores, DQL, Funções)
• SQL (Base CENIPA, Joins, DML e
• DTL)
• SQL (DDL, Índices, Tunning, SQL
• 2016, Best Practice DB/Schema)

ETL e Tratamento de dados

Objetivo: Para bons modelos de predição é essencial termos bons dados para isso é necessário o entendimento dos processo de ETL em um conjunto de dados com o objetivo de permitir a limpeza, organização e enriquecimento dos dados.

• Entendimento do problema
• Conceitos de ETL
• Linguagens e frameworks
• Bases de dados
• Baixar uma base estrangeira
• Tratar os dados
• Salvar dado enriquecido

Orientação a objetos em Python

Objetivo: Entender o conceito de OO para aplicar em projetos de análise de dados com Python de forma a tornar o entendimento, execução e manutenção dos códigos desenvolvidos mais eficientes.

• Classes e objetos
• Atributos e métodos
• Encapsulamento
• Herança

Análise de Regressão

Objetivo: Modelos de regressão são usados em vários contextos e com isso são um dos principais modelos a serem entendidos para ciência de dados.

• Matrizes Numéricas
• Variáveis Aleatórias
• Coeficiente de Correlação Linear
• Variável Resposta ou Dependente
• Variável Explicativa ou Independente
• Regressão Linear
• Ajuste do Modelo R²
• Regressão Múltipla
• Seleção de Variáveis 
• Ajustes do R² 
• Teste de Significância dos 𝛃ₛ
• Prática em Python

R

Objetivo: Overview da linguagem R e do RStudio já que são amplamente usados no contexto de tratamento de dados e estatística.

• Detalhes Linguagem R
• Aprendendo R & RStudio

Visualização de Dados

Objetivo: Apresentar o que é e como utilizar a visualização de dados na prática. Com os principais conceitos para gerar visualizações adequadas e desenvolver a capacidade de comunicar resultados.

• O que é DataViz
• passos para criação de uma visualização
• Tipos de visualização de dados

BIG DATA

Objetivo:

Overview do conceito de Big Data e demonstração do tratamento de dados usando ferramentas de processamento de big data.

• O porquê do Big Data
• O que é?
• Os “Vs” do Big Data
• Técnicas: Computação Distribuída,
• Map Reduce, BD Relacional/Não
• Relacional
• Demonstração

IA e Machine Learning

Objetivo: Na atualidade são inúmeras as possibilidades de utilização de métodos de Inteligência Artificial e Aprendizado de Máquina, com isso serão apresentado os principais métodos para classificação, predição e agrupamento de dados.

• Machine Learning
• Associação
• Cases
• Machine Learning
• ML Workflow
• Framework H2O.ai 
• Framework TensorFlow 
• Framework Scikit-Learn
• Modelos Preditivos
  • Introdução
  • Construção
  • Overfitting 
  • Resampling
  • Algoritmos
  • Aplicações
• Modelos Classificadores
  • Introdução
  • Preliminares
  • Modelagem Descritiva
  • Técnicas de Validação
  • Algoritmos
  • Aplicações
• Algoritmos de Agrupamento
  • Conceitos Básicos
  • Tipos de Grupos
  • K-Means
  • Hierárquico
  • Validação de Grupos
  • Aplicações

IA e Machine Learning/Apresentação Final

Objetivo: Fechamento da formação com a apresentação dos projetos dos alunos.