Nesta disciplina vamos tratar sobre assuntos correlacionados à mineração, coleta, sumarização, organização, tratamento, análise e visualização de dados. Apresentaremos metodologias para tratar os dados do início ao fim, desde sua coleta até a demonstração dos dados através de gráficos, apresentações e dashboards. Discutiremos algumas técnicas de analytics aplicadas à negócios e modelos simples para dados estruturados.

80 horas.

• Dia 1: Mineração de dados. 
• Dia 2: Tratamento de dados. 
• Dia 3: Técnicas de análise de dados. 
• Dia 4: Introdução à analytics. 
• Dia 5: Definindo indicadores e métricas de performance. 
• Dia 6: Clusterizando e agrupando dados. 
• Dia 7: Tipos de gráficos e visualizações. 
• Dia 8: Visualização de dados para análise. 
• Dia 9: Dashboards, indicadores e insights.
• Dia 10: Discussão de cases e análises de negócios. 

• Acessando bancos de dados relacionais. 
• Acessando bancos de dados não relacionais. 
• Extração, Loading e Transformação. 
• Extração, Transformação e Loading. 
• Como coletar, sumarizar e organizar dados. 
• Tipos de tabelas de dados (relacionais, painéis, empilhada, etc). 

• Tratamento de dados numéricos.
• Tratamento de dados string. 
• Como tratar dados nulos e faltantes. 
• Como tratar outliers. 
• Como organizar sua tabela de dados. 

• Revisão de estatística descritiva. 
• Erros, desvios, médias e como organizar dados em tabelas e painéis. 
• Revisão de correlação e covariância. 
• Análise de dados em painel. 
• Séries temporais e modelos (auto) regressivos. 
• Modelos “what if” e cenários. 
• Análises gráficas. 
• Insights e indicadores de performance. 

• Modelos matemáticos. 
• Modelos estatísticos. 
• Modelos de regressão. 
• Clusterização. 

• O que são KPI (indicadores). 
• Definição de métricas de performance. 
• Acompanhamento de indicadores em produção. 
• Dashboards e paínéis de resultados. 

• Técnicas de agrupamentos e análises multivariadas. 
• Introdução ao algoritmo K-Means. 
• Introdução ao algoritmo K nearest neighbors (KNN). 
• Clusterização aglomerativa hierárquica. 

• Gráficos para visualizar variáveis discretas. 
• Gráficos para visualizar variáveis contínuas . 
• Gráficos de calor. 
• Análises cruzadas e matrizes (bivariadas). 
• Outros tipos de gráficos e visualizações.

• Análise gráfica de dados e insights. 
• Séries temporais e modelos regressivos. 
• Análises estatísticas de dados e indicadores. 
• Criando hipóteses e desenho de experimentos. 

• Indicadores de performance. 
• Métricas de performance. 
• Contando estórias com dados. 
• Criação de dashboards e self service BI. 

• Introdução á técnicas de valuation. 
• Introdução à análises financeiras. 
• Métricas de resultados financeiras. 
• Discussão de casos. 

• Amhane, Ajit C., and Dorothy D. Dunlop. Statistics and Data Analysis: From Elementary to Intermediate. Prentice Hall, 1999.
• Dimitris Bertsimas, Allison O’Hair and Bill Pulleyblank, The Analytics Edge, Dynamic Ideas, 2016.
• Guttag, John. Introduction to Computation and Programming Using Python: With Application to Understanding Data. 2nd ed. MIT Press, 2016.
• Nussbaumer, K.C. , Storytelling With Data: A Data Visualization Guide for Business Professionals. John Wiley & Sons, Inc, 2015.
• https://chartio.com/blog/how-to-choose-data-visualization-ebook/.
• Peter Bruce e Andrew Bruce, Estatística Prática Para Cientistas De Dados. ALTA BOOKS, 2019.