Pular para o conteúdo

Curso Introdução à Data Science com Python

FD9E034F-C706-472D-ABA4-310433A703E5 Created with sketchtool. 40 horas/curso
Veja as próximas turmas

O que você vai fazer

Para quem é esse curso?

Este curso é para quem quer conhecer as principais técnicas utilizadas em limpeza e análise de dados visando construir modelos específicos de aprendizagem de máquina(machine learning). O curso foi construído pensando no fluxo de trabalho de um cientista de dados e apresenta uma introdução aos principais modelos de machine learning.

Para aproveitar melhor o curso recomendamos que você tenha conhecimento em

Curso Python e Orientação a Objetos

Próximas turmas

Selecione a cidade e os períodos de sua preferência

Qual cidade você pode ir?
Quais períodos você prefere?
Ver turmas encontradas

Nós encontramos essas turmas:

Não achou a turma ideal pra você? Consulte outras turmas e horários.

Entre em contato

Conteúdo detalhado do curso DS-30

    O que é Data Science

  1. Definição
  2. Casos de uso
  3. O profissional de Data Science
  4. Áreas correlatas
  5. Principais ferramentas

    IPython

  1. Definição
  2. Introdução ao IPython e Jupyter Notebook
  3. Introdução ao Anaconda
  4. Instalando e preparando o ambiente
  5. Exercícios: Executando código Python no Jupyter Notebook

    Limpeza dos dados

  1. Primeiro desafio
  2. Carregando os dados
  3. Introdução ao pandas
  4. Trabalhando com DataFrames
  5. Trabalhando com Series
  6. Exercício: Carregando os dados com pandas
  7. Limpeza: Filtrando os dados
  8. Filtrando por localização
  9. Filtrando por data
  10. Exercícios: Limpeza inicial - filtrando os dados
  11. Conhecendo melhor os dados
  12. O que é relevante?
  13. Dados redundantes
  14. Dados faltantes
  15. Exercícios: Eliminando dados faltantes
  16. Transformando os dados
  17. Coletando dados da descrição
  18. Exercícios: Transformando os dados
  19. Introdução a expressões regulares (regex)
  20. Coletando o número de quartos
  21. Exercícios: Colentando número de quartos com regex

    Primeiras Análises

  1. Análise exploratória dos dados
  2. Estatística Descritiva
  3. Exercícios: Estatística Descritiva e resumo tabular dos dados
  4. Análise visual dos dados
  5. Tipos de gráficos
  6. Curva normal e sua importância
  7. Outros tipos de distribuição
  8. Exercícios: Análise visual dos dados
  9. Identificando outliers
  10. Técnicas para tratar outliers
  11. Exercícios: identificando e removendo _outliers_
  12. Estatísitica Inferencial
  13. Testes estatísticos
  14. Matriz de Correlação
  15. Exercícios: Testes estatísticos

    Machine Learning

  1. O que é Machine Learning?
  2. Tipos de aprendizado de máquina
  3. Casos de uso
  4. Principais algoritmos
  5. Introdução a API do sklearn
  6. Exemplo com Regressão Linear Univariada
  7. Dados de treino e testes
  8. Treinando e aplicando o modelo
  9. Visualizando o resultado
  10. Exercícios: Introdução a API do sklearn com regressão linear

    Prevendo o preço de imóveis

  1. Regressão Linear Multivariada
  2. Construindo e aplicando o modelo
  3. Exercícios: construindo primeiro modelo de previsão de preços.
  4. Métricas importantes
  5. Melhorando o modelo
  6. Selecionando as *features* mais importantes
  7. Exercícios: Melhorando o modelo

    Aprendizado Supervisionado

  1. Construindo detector de fraude de cartão com Logistic Regression
  2. Carregando os dados
  3. Under sampling, over sampling e SMOTE
  4. Logistic Regression com SMOTE
  5. Exercícios: Primeiro detector de fraude com Logistic Regression
  6. Construindo um detector de fraudes com Decision Tree
  7. Construindo um detector de fraudes com Random Forest Classifier
  8. Calculando a precisão do modelo
  9. Matriz de confusão
  10. Calculando a revocação
  11. Exercícios: Detector de fraudes com Decision Tree e Random Forest
  12. Melhorando o modelo
  13. GridSearchCV para otimizar hiperparâmetros
  14. Logistic Regression e Voting Classifier
  15. Exercícios: Melhorando o modelo com Voting Classifier

    Aprendizado Não Supervisionado

  1. Carregando e conhecendo os dados
  2. Tipos de Recomendadores
  3. Recomendação baseada em itens
  4. Métricas de similaridade
  5. Construindo e aplicando o recomendador
  6. Exercício: Construindo primeiro recomendador de filmes
  7. Recomendação baseada em usuários
  8. Transformando os dados
  9. Clusterização com KMeans
  10. Problema com matriz esparsa
  11. Agrupando os dados
  12. Aplicando o modelo
  13. Construindo e aplicando o recomendador
  14. Exercício: Construindo recomendador baseado em usuários

* Apêndices são conteúdos adicionais que não fazem parte da carga horária regular do curso. São conteúdos extras para direcionar seus estudos após o curso.

Não encontrou o curso que procura? Conheça a Alura, a plataforma online da Caelum

Conheça a Alura