Formacao Cientista de Dados O Curso Completo 2023

Formacao Cientista de Dados O Curso Completo 2023

What you’ll learn

Criar modelos preditivos com Deep Learning, Neural Networks e Series Temporais
Criar elementos gráficos com uso de boas práticas de visualização de dados
Aplicar conceitos básicos de mineiração de textos
Criar modelos de Regressão Linear e Logística
Potencializar sua compreensão sobre outras áreas de Machine Learning, como Agrupamentos, Associadores e Seleção de Atributos
Dominar os conceitos de Probabilidade, Intervalos de Confiança, Testes de Hipótese, Anova e Qui quadrado
Aplicar conceitos de Grafos
Ver cases reais das principais distribuições estatísticas: Normal, Poisson, Binomial, T de Student
Aprenda conceitos de Gestão de Projetos
Estude e pratique linguagem SQL
Conheça bancos de dados NoSQL com MongoDB
Conheça técnicas como Feature Scaling e Categorical Encoding
Computação na Nuvem, tutoriais e exemplos práticos com Amazon AWS
Fundamentos de Python, com estruturas de dados, Numpy e Pandas
Spark com Databricks

Requirements

Familiaridade com Informática, escrita de código

Description

Atualizado em 2023 para as últimas bibliotecas de Ciência de Dados!O mais completo, acessível e atualizado curso para você entrar ou se especializar no mundo da Ciência de Dados!Mais de 340 tutoriais divididos em 52 seçõesMais de 260 scripts em Python e R no formato NotebookMais de 200 testes de múltipla escolhaMais de 300 Apresentações (em pdf)Atividades PráticasAtualizado e revisado em 2023!Com o conteúdo de vários cursos em um só, este é um curso de Data Science em que você vai conhecer e aprender a aplicar todos os principais conceitos e técnicas para se qualificar e atuar como um Cientista de Dados, com videos explicativos e detalhados para leigos, exemplos práticos de codificação em R e Python usando dados reais, explicações de resolução de fórmulas passo a passo, contendo:Introdução as Linguagens de Programação R e PythonLimpeza e Tratamento de DadosGráficos, Visualização de Dados e DashboardsEstatística I: Amostragem, Medidas de Centralidade e Variabilidade, Probabilidades, Distribuição NormalEstatística II: Intervalos de Confiança, Testes de Hipótese, Distribuição t de Student, Distribuição Binomial, Distribuição de Poisson, Qui Quadrado, AnovaRegressão Linear e CorrelaçãoSéries Temporais com ArimaMachine Learning: Aplicações, conceitos, Classificação, Dimensionamento de Características, Codificação de Categorias, Agrupamentos, Regras de Associação.Artificial Neural Networks e Deep LearningGrafos e Redes SociaisMineração de TextoSQL e NoSQLSpark com DatabricksComputação na Nuvem com AWSO curso ainda tem 3 seções com Bônus:Power BITableauFundamentos de Big DataDúvidas durante o curso: você conta com a ajuda dos instrutores, com Formação em Tecnologia da Informação e uma década de experiência no mercado. Não perca tempo, matricule-se já!

Overview

Section 1: Apresentação

Lecture 1 Instruções Gerais

Lecture 2 Apresentação

Lecture 3 Material para Download

Lecture 4 Instruções sobre Material para Download

Section 2: R: Configuração do Ambiente

Lecture 5 Apresentação

Lecture 6 Instalação

Section 3: Python: Configuração do Ambiente

Lecture 7 Escolhendo o Ambiente

Lecture 8 Usando Google Colab

Lecture 9 Apresentação do Anaconda

Lecture 10 Instalação

Lecture 11 Instruções sobre novas Bibliotecas

Section 4: Introdução ao R

Lecture 12 Introdução

Lecture 13 Introdução ao RStudio

Lecture 14 Pacotes

Lecture 15 Aspectos Diversos

Lecture 16 Tipos de Dados e Operadores

Lecture 17 Estruturas de Dados

Lecture 18 Funções

Lecture 19 Ajuda

Lecture 20 Principais Funções

Lecture 21 Importando Dados

Lecture 22 Programação

Lecture 23 Referências Adicionais

Section 5: Prática em R

Lecture 24 Ambiente do R

Lecture 25 Aspectos Diversos

Lecture 26 Pacotes

Lecture 27 Tipos de Dados e Operadores

Lecture 28 Estruturas de Dados

Lecture 29 Funções

Lecture 30 Ajuda

Lecture 31 Principais Funções

Lecture 32 Importando Dados

Lecture 33 Programação

Lecture 34 Faça você mesmo

Section 6: Introdução ao Python

Lecture 35 Introdução

Lecture 36 Variáveis e Objetos

Lecture 37 Estruturas de Decisão

Lecture 38 Estruturas de Repetição

Lecture 39 Listas

Lecture 40 Dicionários, Sets e Tuplas

Lecture 41 Numpy

Lecture 42 Pandas

Lecture 43 Módulos e Pacotes

Lecture 44 Funções

Lecture 45 Funções Padrão

Lecture 46 Referências Adicionais

Section 7: Prática em Python

Lecture 47 Variáveis e Objetos

Lecture 48 Estruturas de Decisão

Lecture 49 Estruturas de Repetição

Lecture 50 Listas

Lecture 51 Dicionários, Sets e Tuplas

Lecture 52 Numpy

Lecture 53 Pandas

Lecture 54 Módulos e Pacotes

Lecture 55 Funções

Lecture 56 Funções Padrão

Lecture 57 Faça você mesmo

Section 8: Limpeza e Tratamento de Dados

Lecture 58 Limpeza e Tratamento de Dados

Section 9: Prática em R – Limpeza e Tratamento de Dados

Lecture 59 Explorar os Dados

Lecture 60 Tratamento e Limpeza Parte I

Lecture 61 Tratamento e Limpeza Parte II

Lecture 62 Faça você mesmo

Section 10: Prática em Python – Limpeza e Tratamento de Dados

Lecture 63 Preparação

Lecture 64 Analise Exploratória

Lecture 65 Tratamentos nos Dados

Lecture 66 Faça você mesmo

Section 11: Gráficos , Visualização e Dashboards

Lecture 67 Introdução

Lecture 68 Dicas Diversas Parte I

Lecture 69 Dicas Diversas Parte II

Lecture 70 Considerações sobre Daltonismo

Lecture 71 Capacidade de Percepção do Cérebro Humano

Lecture 72 Sugestões de Elementos Gráficos para Usar

Lecture 73 Checklist

Lecture 74 Bons e Maus Exemplos

Lecture 75 Exemplos da Web

Lecture 76 Referências Adicionais

Section 12: Prática em R – Gráficos , Visualização e Dashboards

Lecture 77 Gráficos Básicos

Lecture 78 Gráficos Básicos Parte II

Lecture 79 Tabelas

Lecture 80 Pacote Lattice

Lecture 81 Faça você mesmo

Section 13: Prática em Python – Gráficos , Visualização e Dashboards

Lecture 82 Histogramas

Lecture 83 Gráficos de Densidade

Lecture 84 Gráficos de Dispersão

Lecture 85 Gráfico de Dispersão com Legendas

Lecture 86 Divisão da Tela

Lecture 87 Boxplot

Lecture 88 Gráficos de Barras e de Setores

Lecture 89 Boxplot com Seaborn

Lecture 90 Histogramas e Densidade com Seaborn

Lecture 91 Gráfico de Dispersão com Seaborn

Lecture 92 Gráficos 3D

Lecture 93 Faça você mesmo

Section 14: Estatística I

Lecture 94 Conceitos Gerais

Lecture 95 EDA

Lecture 96 Amostragem

Lecture 97 Amostragem Parte II

Lecture 98 Medidas de Centralidade e Variabilidade

Lecture 99 Medidas de Centralidade e Variabilidade Parte II

Lecture 100 Usando a Estatística a seu Favor

Lecture 101 Probabilidade

Lecture 102 Probabilidade Parte II

Lecture 103 Pequenas Amostras

Lecture 104 Passeio Aleatório

Lecture 105 Probabilidades em Jogos de Azar

Lecture 106 Estocástico vs determinístico

Lecture 107 Enviesamento

Lecture 108 Distribuições

Lecture 109 Distribuição Normal

Lecture 110 Distribuição Normal Parte II

Lecture 111 Distribuição Normal Parte III

Lecture 112 Distribuição Normal Parte IV

Lecture 113 Teorema Central do Limite

Lecture 114 Estatística não paramétrica

Section 15: Prática em R – Estatística I

Lecture 115 Amostragem Simples

Lecture 116 Amostragem Sistemática

Lecture 117 Amostragem Estratificada

Lecture 118 Medidas de Centralidade e Variabilidade

Lecture 119 Teorema Central do Limite

Lecture 120 Testes de Normalidade

Lecture 121 Médias a Longo Prazo

Section 16: Prática em Python – Estatística I

Lecture 122 Amostragem Simples

Lecture 123 Amostragem Sistemática

Lecture 124 Amostragem Estratificada

Lecture 125 Medidas de Centralidade e Variabilidade

Lecture 126 Distribuição Normal

Lecture 127 Testes de Normalidade

Section 17: Estatística II

Lecture 128 Intervalos de Confiança

Lecture 129 Intervalos de Confiança Parte II

Lecture 130 Testes de Hipótese

Lecture 131 Testes de Hipótese Parte II

Lecture 132 Distribuição T de Student

Lecture 133 Distribuição T de Student Parte II

Lecture 134 Distribuição Binomial

Lecture 135 Distribuição Binomial Parte II

Lecture 136 Distribuição de Poisson

Lecture 137 Distribuição de Poisson Parte II

Lecture 138 Qui-Quadrado

Lecture 139 Teste T de Student

Lecture 140 Anova e teste de Tukey

Lecture 141 Métricas de Erros

Lecture 142 Referências Adicionais

Section 18: Prática em R – Estatística II

Lecture 143 Distribuição T de Student

Lecture 144 Distribuição Binomial

Lecture 145 Distribuição de Poisson

Lecture 146 Qui-Quadrado

Lecture 147 Anova

Section 19: Prática em Python – Estatística II

Lecture 148 Distribuição T de Student

Lecture 149 Distribuição de Poisson

Lecture 150 Distribuição Binomial

Lecture 151 Qui-Quadrado

Lecture 152 Anova

Section 20: Regressão Linear

Lecture 153 Introdução

Lecture 154 Correlação

Lecture 155 Correlação Parte II

Lecture 156 Previsão

Lecture 157 Resíduos

Lecture 158 Outliers e Extrapolação

Lecture 159 Condições para Regressão Linear

Lecture 160 Regressão Linear Múltipla

Lecture 161 Cálculos

Lecture 162 Correlação não é Causa

Section 21: Prática em R – Regressão Linear

Lecture 163 Regressão Linear

Lecture 164 Regressão Linear Múltipla

Lecture 165 Faça você mesmo

Section 22: Prática em Python – Regressão Linear

Lecture 166 Regressão Linear Simples

Lecture 167 Regressão Múltipla

Lecture 168 Faça você mesmo

Section 23: Regressão Logística

Lecture 169 Regressão Logística

Section 24: Prática em R – Regressão Logística

Lecture 170 Regressão Logística

Section 25: Prática em Python – Regressão Logística

Lecture 171 Regressão Logística

Section 26: Séries Temporais

Lecture 172 Introdução

Lecture 173 Componentes de uma Série Temporal

Lecture 174 Exemplos de Séries Temporais

Lecture 175 Previsões com Arima

Lecture 176 Referências Adicionais

Section 27: Prática em R – Séries Temporais

Lecture 177 Séries Temporais

Section 28: Prática em Python – Séries Temporais

Lecture 178 Séries Temporais

Lecture 179 Decomposição

Lecture 180 Previsões com Arima

Section 29: Machine Learning

Lecture 181 Introdução

Lecture 182 Introdução II

Lecture 183 Aplicações

Lecture 184 Conceitos

Lecture 185 Tarefas

Lecture 186 Classificação

Lecture 187 Classificação II

Lecture 188 Classificação III

Lecture 189 Classificação IV

Lecture 190 Classificação V

Lecture 191 Codificação de Categorias

Lecture 192 Dimensionamento de Características

Lecture 193 Agrupamentos

Lecture 194 Regras de Associação

Lecture 195 Para Saber Mais

Section 30: Prática em R: Machine Learning

Lecture 196 Árvores de Decisão para Regressão

Lecture 197 Árvores de Decisão para Classificação

Lecture 198 Naive Bayes

Lecture 199 Seleção de Atributos

Lecture 200 Aprendizado Baseado em Instância

Lecture 201 Ensamble Learning

Lecture 202 Codificação de Categorias

Lecture 203 Dimensionamento de Características

Lecture 204 Agrupamento com K-means

Lecture 205 K-Medoids

Lecture 206 Fuzzy C-Means

Lecture 207 Cluster Hierárquico

Lecture 208 Associadores com Apriori

Lecture 209 Eclat

Section 31: Prática em Python: Machine Learning

Lecture 210 Naive Bayes

Lecture 211 Árvores de Decisão

Lecture 212 Seleção de Atributos

Lecture 213 Aprendizado Baseado em Instância

Lecture 214 Ensamble Learning com Random Forest

Lecture 215 Agrupamento com K-means

Lecture 216 C-Means

Lecture 217 K-Medoids

Lecture 218 Regras de Associação

Lecture 219 Eclat

Section 32: Neural Networks e Deep Learning

Lecture 220 Introdução

Lecture 221 Redes Neurais Artificiais

Lecture 222 Função de Ativação

Lecture 223 Deep Learning

Lecture 224 Gradient Descent

Lecture 225 Regularização

Lecture 226 Configuração de Hiper Parâmetros e Auto ML

Lecture 227 Referências Adicionais

Section 33: Prática em R – Neural Networks e Deep Learning

Lecture 228 Multilayer Perceptron

Lecture 229 Deep Learning: Apresentação do Caso MNIST

Lecture 230 Deep Learning

Lecture 231 Faça você mesmo

Section 34: Prática em Python – Neural Networks e Deep Learning

Lecture 232 Rede Neural na Prática

Lecture 233 Deep Learning: Apresentação do Caso MNIST

Lecture 234 Deep Learning

Lecture 235 Deep Learning II

Lecture 236 Faça você mesmo

Section 35: Teoria dos Grafos

Lecture 237 Introdução

Lecture 238 Teoria dos Grafos

Lecture 239 Teoria dos Grafos II

Lecture 240 Teoria dos Grafos III

Lecture 241 Teoria dos Grafos IV

Lecture 242 Representação em Dados

Lecture 243 Problemas, Algoritmos e Curiosidades

Lecture 244 Referências Adicionais

Section 36: Prática em R – Grafos

Lecture 245 Grafos Básicos

Lecture 246 Visualização

Lecture 247 Métricas

Lecture 248 Distâncias e Caminhos

Lecture 249 Comunidades e Cliques

Lecture 250 Grafos Clássicos

Section 37: Prática em Python – Grafos

Lecture 251 Instalação da biblioteca Igraph

Lecture 252 Introdução a Grafos

Lecture 253 Introdução a Grafos II

Lecture 254 Introdução a Grafos III

Lecture 255 Impressão

Lecture 256 Métricas

Lecture 257 Caminhos e Distâncias

Lecture 258 Impressão de Caminhos

Lecture 259 Comunidades

Section 38: Mineração de Texto e Processamento de Linguagem Natural

Lecture 260 Introdução

Lecture 261 Aplicações

Lecture 262 Conceitos

Lecture 263 Referências Adicionais

Section 39: Prática em R – Mineração de Texto e Processamento de Linguagem Natural

Lecture 264 Mineração de Texto

Section 40: Prática em Python – Mineração de Texto e Processamento de Linguagem Natural

Lecture 265 Mineração de Texto

Section 41: Bancos de Dados e Linguagem SQL

Lecture 266 Introdução

Lecture 267 DDL: Linguagem de Definição de Dados

Lecture 268 Select Básico II

Lecture 269 Select Básico

Lecture 270 Joins

Lecture 271 DML: Data Manipulation Language

Lecture 272 Referências Adicionais

Section 42: SQL: Prática com PostgreSQL

Lecture 273 Instalação PostgreSQL

Lecture 274 Criando o Banco de Dados

Lecture 275 Populando o Banco de Dados

Lecture 276 Consultas

Lecture 277 Junções

Lecture 278 Conexão com R

Lecture 279 Conexão com Python

Section 43: Bancos de Dados NoSQL e MongoDB

Lecture 280 Introdução

Lecture 281 Bancos de Dados de Documentos

Lecture 282 Introdução do MongoDB

Lecture 283 MongoDB

Lecture 284 MongoDB II

Lecture 285 Referências Adicionais

Section 44: Prática com MongoDB

Lecture 286 Instalação do MongoDB

Lecture 287 MongoDB na prática

Lecture 288 MongoDB na prática II

Lecture 289 MongoDB na prática Parte III

Lecture 290 Conexão do R com MongoDB

Lecture 291 Conexão do Python com MongoDB

Section 45: Fundamentos de Gestão de Projetos

Lecture 292 Introdução

Lecture 293 Conceitos Gerais

Lecture 294 Modelo Clássico

Lecture 295 PMO

Lecture 296 Mentalidade e Princípios Ágeis

Lecture 297 Doze Princípios Ágeis

Lecture 298 Metodologias Ágeis

Lecture 299 Metodologias Ágeis II

Lecture 300 Conclusão

Lecture 301 Referências Adicionais

Section 46: Computação na Nuvem

Lecture 302 Introdução

Lecture 303 O que você pode contratar

Lecture 304 Modelos de Serviços

Lecture 305 Tipos de Serviços

Lecture 306 Provedores

Lecture 307 Quiz

Lecture 308 Parte Prática: Instruções Gerais

Lecture 309 Amazon Comprehend

Lecture 310 Polly

Lecture 311 Rekognition

Lecture 312 Sagemaker

Lecture 313 Prática com Sagemaker Parte I

Lecture 314 Prática com Sagemaker Parte II

Lecture 315 Prática com Sagemaker Parte III

Section 47: Introdução ao Spark com Databricks

Lecture 316 Introdução ao Spark

Lecture 317 Arquitetura e Componentes

Lecture 318 Como Utilizar o Spark

Lecture 319 Criando um Cluster

Lecture 320 Importando Dados

Lecture 321 Explorando Dados

Lecture 322 Machine Learning com Spark

Section 48: Mega Quiz – Todo conteúdo com 100 questões

Section 49: Projeto Prático Final

Lecture 323 Conheça a WBK

Lecture 324 Orientações

Section 50: Bônus I: Power BI

Lecture 325 Power BI Desktop

Lecture 326 Caso para Estudo

Lecture 327 Instalação

Lecture 328 Prática

Lecture 329 Prática II

Lecture 330 Prática III

Lecture 331 Prática IV

Lecture 332 Publicação

Section 51: Bônus II: Tableau

Lecture 333 Introdução

Lecture 334 Instalação

Lecture 335 Estudo de Caso

Lecture 336 Conhecendo o Tableau

Lecture 337 Prática

Lecture 338 Prática II

Lecture 339 Prática III

Lecture 340 Prática IV

Lecture 341 Prática V

Lecture 342 Tableau Public

Lecture 343 Tableau Reader

Section 52: Bônus III: Introdução a Big Data

Lecture 344 Introdução

Lecture 345 Map Reduce

Lecture 346 Hadoop e Yarn

Section 53: Aula Bônus

Lecture 347 Para Saber Mais e Carreira na Área de Dados

Interessados em entrar para o mundo da Ciência de Dados, ou mesmo que queiram aperfeiçoar seus conhecimentos

Course Information:

Udemy | Português | 45h 51m | 13.87 GB
Created by: Fernando Amaral

You Can See More Courses in the Developer >> Greetings from CourseDown.com