Formação Acadêmica

Lean Six Sigma

Yellow Belt Lean Six Sigma

Universidade De São Paulo

Curso de Extensão Universitária na modalidade de Difusão: Programa Paideia - Pró-Profissão em Tecnologia da Informação

Bacharelado em administração Tecnólogo em Big Data e Inteligência Analítica

Universidade Anhembi Morumbi

Prepare-se para entender, implementar e otimizar soluções de Data Science e Big Data

ENTENDENDO OS DADOS NÃO ESTRUTURADOS

Neste módulo, você mergulhará na análise de dados não estruturados, aprendendo como extrair informações valiosas de conjuntos diversos como textos, imagens e sequências genéticas. Da aprendizagem não supervisionada a técnicas avançadas como clustering e análise de rede, o objetivo principal é capacitá lo a tomar decisões informadas por meio da compreensão profunda de dados complexos.

REGRESSÃO E PREDIÇÃO

CLASSIFICAÇÃO, COMPROVAÇÃO DE HIPÓTESES E DEEP LEARNING

Nesta seção, você explorará a classificação e a comprovação de hipóteses, bem como a aprendizagem profunda (deep learning). Desde a compreensão de anomalias e fraudes até a classificação precisa em cenários binários, este módulo abrange conceitos como falsos positivos/negativos, precisão/ completude e valor F1. Além disso, serão aprofundadas técnicas estatísticas, como o teste perceptron, e será apresentado o mundo particular da aprendizagem profunda.

SISTEMAS DE RECOMENDAÇÃO

Nesta seção, você se aprofundará nos sistemas de recomendação, desde sua função básica até a exploração dos problemas associados a previsões e recomendações. Além disso, serão apresentados estudos de casos práticos para ilustrar a aplicação desses algoritmos em diferentes contextos.

REDES E MODELOS GRÁFICOS

Neste módulo, você descobrirá redes e modelos gráficos, desde medidas de representação e centralidade até modelos gráficos estocásticos e não direcionados. O módulo abordará conceitos como o modelo de Ising, o modelo de grafos gaussiano e a inferência em modelos de grafos, incluindo o modelo oculto de Markov. Além disso, serão apresentados estudos de casos práticos.

MODELO PREDITIVO PARA DADOS TEMPORAIS

Nesta seção, você explorará modelos preditivos para dados temporais, como a busca por exemplos de treinamento, a modelagem e a avaliação de variáveis. Serão abordados conceitos como design e tipos de variáveis, além de técnicas avançadas como Deep Feature Synthesis.

Neste módulo, você explorará regressão e predição, desde regressão linear até técnicas avançadas como LASSO. Por meio de casos práticos, você aprenderá a aplicar essas ferramentas para compreender e prever fenômenos em diversos contextos. Além disso, você examinará como estabelecer causalidade por meio de regressão, aprofundando-se na compreensão das relações de causa-efeito na análise de dados.