_PÓS-GRADUAÇÃO EM DATA SCIENCE & BIG DATA

VENHA SER ESPECIALISTA NA PROFISSÃO MAIS INOVADORA DO SÉCULO XXI

_APRENDA A MANIPULAR DADOS DE MANEIRA CONSISTENTE E ISSO SERÁ UM MARCO NA SUA CARREIRA

O curso de Pós-Graduação em Data Science & Big Data da Faculdade COTEMIG oferece as técnicas mais avançadas para trabalhar, processar, analisar, aplicar e implementar soluções em grandes volumes de dados.

As disciplinas selecionadas para o curso são elaboradas de modo que tão logo sejam concluídas possam ser rapidamente aplicadas.

Para se matricular o aluno deverá possuir formação superior nas áreas tecnológicas e ciências exatas pela exigência de conhecimentos em estatística e programação. Ao final do curso, o aluno receberá a certificação de Pós-graduação Lato Sensu em Data Science e Big Data (MEC).

_com o curso você será capaz de:

  • Entender os conceitos de Análise de Dados, Ciências de Dados e Engenharia de Dados (e suas principais diferenças
  • Conhecer as áreas de atuação de um analista de dados, cientista de dados e engenheiro de dados
  • Utilizar as mais modernas ferramentas de data science
  • Implementar soluções em data science e big data
  • Avaliar e propor melhorias em soluções de data science e big data já existentes

_Dias

Quartas e quintas-feiras

_Horário

19h15 às 22h30

_Carga Horária

360 horas

_Local

Barroca

_Duração

12 meses

Comece a carreira de sucesso na área utilizando as ferramentas e técnicas prontas para descobrir conhecimentos e regras em grandes volumes de dados.

_Inovação e empreendedorismo
Foco na utilização de data science & big data e a importância do tema no nosso dia a dia
Fazer uma ponte de como as grande empresas (facebook, twitter, amazon, google, spotify, netflix) utilizam as grandes bases de dados seus usuários para sugerir conteúdo, serviços e produtos

_Fundamentos matemáticos aplicados a Data Science (utilizando R no Jupyter)
Conceitos gerais, amostra, média, mediana, moda, distribuição normal, correlação, regressão linear (simples e múltiplas), outliers (boxplot), séries temporais, predição de séries temporais

_Introdução a aprendizagem de máquina (utilizando Weka e MS excel)
Como utilizar a ferramenta para tarefas de classificação (Naive Bayes, Decision Tree), regressão (linear e não linear) e cluster (K-Means)
 

Como implementar algoritmos básicos de machine learning para tarefas de classificação, clusterização e regressão.

Introdução a Programação em Python (em Jupyter)
Sintaxe básica, variáveis, operadores, decisão, laços, lista, tuplas, dicionários, funções, módulos, leitura e escrita de arquivos
Estrutura de dados para data science: Numpy, Pandas e Matplot

_Aprendizagem de máquina - Classificação e regressão (em Python e R)
Matriz de confusão, KNN (vizinho mais próximo), Naive Bayes, Decision Tree,  Random Forest
Regressão linear simples, regressão linear múltipla, regressão polinomial

_Aprendizagem de máquina - Cluster e redes neurais (em Python e R)
K-Means, MLP, ELM, SVM, Deep learning (reconhecimento de imagens)
 

Aprenda como implementar soluções sofisticadas e ainda avaliar, organizar e transformar grandes volumes de dados.

 

Processamento de linguagem natural (em Python)
Processamento de linguagem natural, chatbots (ChatterBot) e construção de sistemas de recomendação

Redução de dimensionalidade / seleção e avaliação de modelos (em Python e R)
Análise de componente principal (PCA) e Análise de discriminante linear (LDA)
Teste de hipótese, validação cruzada, capacidade de generalização

Trabalho integrado
Construção de um projeto que aplique o conteúdo aprendido, como, por exemplo:

-Sistema de recomendação como os existentes na Netflix ou Spotify

-Criação de chatbot

-Sistemas de classificação, como anti-spam ou fake-news

_Quero me inscrever