Fast Track Data Analytics

Formação Fast Track Data Analytics é direto ao ponto para quem quer ter uma formação rápida e abrangente e conhecer os principais conceitos em analytics de uma forma abrangente e geral. Este curso é completamente hands on com metodologia e material próprio além de discussão de cases reais. Neste curso temos como objetivo ensinar os fundamentos básicos de analytics para pessoas que queiram trabalhar na área. Este é um curso de formação fast track, ou seja, direto ao ponto, com bastante abrangência e profundidade moderada adequada. Nossa metodologia é “hands on” com muitos exercícios práticos, discussão de cases e com material didático próprio para o acompanhamento das aulas.

40 horas.

• Dia 1: Por quê trocar o Excel por uma linguagem de programação. 
• Dia 2: Introdução à linguagens de programação (Python). 
• Dia 3: Introdução à estatística básica. 
• Dia 4: Introdução à inferência estatística. 
• Dia 5: Introdução aos modelos estatísticos. 
• Dia 6: Introdução aos modelos matemáticos. 
• Dia 7: Algoritmos de clusterização. 
• Dia 8: Introdução às séries temporais. 
• Dia 9: Cálculo diferencial e integral com python. 
• Dia 10: Álgebra linear com Python. 

• Por quê Python e  não Excel. 
• O que pode ser feito com Python. 
• Python é mais simples e eficaz. 
• Impactos do mal uso do Excel em corporações. 

• Funções básicas de Python. 
• Funções e tipos de expressões. 
• Laços e repetições. 
• Recursão. 
• Pandas e Numpy. 

• Estatística descritiva e tipos de variáveis. 
• Medidas de tendência central. 
• Medidas de dispersão. 
• Distribuições. 
• Representações gráficas. 
• Discussão de cases. 

• Introdução e conceitos elementares. 
• Criando bases sintéticas a partir de distribuições conhecidas. 
• Simulação de Monte Carlo. 
• Cadeias de Markov. 

• Modelos de regressão linear simples.
• Modelos de regressão linear múltipla. 
• Ajuste de curvas por método dos mínimos quadrados. 
• Regressão logística. 

• Metodologia científica. 
• Exemplos de modelos matemáticos. 
• Otimização linear. 
• Otimização não linear. 

• Exemplos de segmentações com variáveis qualitativas.
• Algoritmo de clusterização K-Means. 
• Métricas de dispersão para clusters e análises em quadro. 
• Discussão de caso. 

• Suavização e filtros com média móvel. 
• Análise de dados em painel. 
• Modelos autoregressivos. 
• Modelos regressivos com sazonalidade. 

• Limites e derivadas de funções de uma variável. 
• Integrais determinadas e não determinadas de funções de uma variável. 
• Derivadas parciais e diferencial total. 
• Integrais múltiplas. 

• Definições de vetores, matrizes e outros arrays e operações. 
• Equação de autovalores e autovetores. 
• Aplicações em análise de componentes principais (PCA). 
• Decomposição e multiplicação de matrizes.