Curso Cientista de Dados com horário flexível, plataforma própria e garantia de emprego

Sua introdução ao mundo da análise de dados! Conceitos fundamentais e sintaxe básica de Pyhton. Laços de repetição, condições, e funções. A biblioteca pandas para analistas de dados. Seu primeiro estudo de caso, seguido por seu primeiro projeto. Capítulo 1. Variáveis, Tipos de Dados, e Operações Aritméticas
 Capítulo 2. Strings
 Capítulo 3. Listas
 Capítulo 4. Ciclos
 Capítulo 5. Instruções Condicionais
 Capítulo 6. Uma Olhadinha Rápida no Jupyter Notebook

Você vai continuar aprendendo sobre os dicionários Python que costumam ser usados na área de dados. Você vai aprender a construir suas próprias funções, o que vai tornar seu código mais flexível e reutilizável. E, por fim, vamos começar a aprender Pandas, a biblioteca #1 usada por profissionais da área para processar os dados. Capítulo 1. Dicionários
 Capítulo 2. Funções
 Capítulo 3. A biblioteca Pandas
 Capítulo 4. Introdução ao pré-processamento de dados e análise inicial

Compensando dados imperfeitos. Como lidar com dados inexistentes e duplicados. Como alterar o tipo dos dados. Identificando correlações e construíndo gráficos. Capítulo 1. Lendo e Visualizando Dados Capítulo 2. Trabalhando com Valores Ausentes e Duplicados Capítulo 3. Filtrando Dados Capítulo 4. Estudo de caso Capítulo 5. Visualização de Dados Capítulo 6. Tipos de Dados Capítulo 7. Engenharia de Características Capítulo 8. Transformações de Dados

Como fazer análise inicial de dados para encontrar padrões. Criando gráficos básicos e elaborando suas primeiras hipóteses. Capítulo 1. Estatística Descritiva Capítulo 2. Teoria da Probabilidade Capítulo 3. Testando Hipóteses

Preparando o ecossistema das ferramentas de desenvolvimento. Aprendendo a usar a linha de comando para acessar com facilidade e manipular arquivos no seu computador. Usando as ferramentas do Git e GitHub. Mergulhando no Python mais avançado. Capítulo 1. Introdução à Linha de Comando Capítulo 2. Ambientes de Programação Capítulo 3. Git e Github Capítulo 4. Python Intermediário

Analise dados sobre vendas de jogos digitais para fazer previsões sobre as tendências do ano seguinte.

Como são estruturados os bancos de dados e como extrair dados deles usando consultas de SQL. Procurando dados online. Capítulo 1. Extraindo Dados de Recursos Online Capítulo 2. SQL como uma Ferramenta para Trabalhar com Dados Capítulo 3. Funcionalidades Avançadas do SQL para Análise Capítulo 4. Relacionamentos Entre Tabelas Capítulo 5. Soft Skills

Dominando o básico do aprendizado automático. Como funciona a biblioteca scikit-learn e como usá-la para completar seu primeiro projeto de aprendizado automático. Capítulo 1. Primeiro modelo treinado Capítulo 2. Avaliação da qualidade do modelo Capítulo 3. Melhorias para o modelo Capítulo 4. Em direção à regressão

Mergulhando no campo mais procurado dentro do aprendizado automático. Como otimizar modelos, melhorar métricas, e trabalhar com dados desequilibrados. Capítulo 1. Preparação de Funcionalidades Capítulo 2. Métricas de Classificação Capítulo 3. Classificação Desequilibrada Capítulo 4. Métricas de Regressão Capítulo 5. Soft Skills

Aplique tudo o que você aprendeu em tarefas de negócios. Conheça métricas de negócios, testes A/B, a técnica de bootstrapping e rotulagem de dados. Capítulo 1. Métricas de Negócios Capítulo 2. Implementando Novas Funcionalidades Capítulo 3. Coleta de Dados Capítulo 4. Soft Skills

Dê uma olhada mais profunda em alguns dos algoritmos que você já estudou e aprenda a aplicá-los. Key concepts in linear algebra: vectors, matrices, and linear regression. Capítulo 1. Vetores e Operações com Vetores Capítulo 2. Distância Entre Vetores Capítulo 3. Matrizes e Operações com Matrizes Capítulo 4. Regressão Linear

Analisando alguns dos algoritmos que usam métodos numéricos e aplicando-os em tarefas práticas. Aprendendo sobre o gradiente descendente, a técnica do gradient boosting, e as redes neurais. Capítulo 1. Análise de Algoritmos Capítulo 2. Gradiente Descendente Capítulo 3. Gradiente Descendente em Treinamento de uma Regressão Linear Capítulo 4. Gradient Boosting Capítulo 5. Soft Skills

Explorando as séries temporais. Tendências, sazonalidade, e a criação de atributos. Capítulo 1. Análise de Séries Temporais Capítulo 2. Previsão de Séries Temporais

Aplicando métodos e técnicas de aprendizado em dados textuais. Aprendendo a converter texto em números e usar o saco de palavras, o TF-IDF, as técnicas de word embedding, e o BERT. Capítulo 1. Vetorização de Textos Capítulo 2. Representações de Linguagens

Como lidar com tarefas simples de visão computacional usando redes neurais já existentes e a biblioteca Keras. Uma olhadinha rápida na aprendizagem profunda (Deep Learning). Capítulo 1. Redes Totalmente Conectadas Capítulo 2. Redes Neurais Convolucionais Capítulo 3. Soft Skills

O que fazer quando você não tiver rótulos para os dados da saída. Lidando com tarefas de agrupamento (Clustering) e detectando anomalias. Capítulo 1. Agrupamento Capítulo 2. Detecção de Anomalias

Aplique tudo o que você aprendeu em um bootcamp de duas semanas que simula a experiência de trabalhar como um cientista de dados júnior.