Fast Track Data Science

Este é um curso no estilo “Fast Track” para quem deseja obter conhecimento abrangente em data science. A característica de cursos fast track é de possuir maior abrangência em detrimento de profundidade. Este curso é recomendado para quem deseja fazer um curso de ciência de dados mais direto ao ponto e em curto período de duração.

40 horas.

• Dia 1: Introdução à linguagem Python. 
• Dia 2: Cálculo diferencial com Python. 
• Dia 3: Álgebra linear com Python. 
• Dia 4: Análise numérica com Python. 
• Dia 5: Tratando dados estruturados com a biblioteca Pandas. 
• Dia 6: Criando dashboards com Python. 
• Dia 7: Algoritmos de clusterização. 
• Dia 8: Algoritmos de classificação. 
• Dia 9: Modelos de regressão. 
• Dia 10: Introdução às redes neurais. 

• Comandos básicos e sintaxe de Python. 
• Variáveis e tipos de dados. 
• Operadores e funções básicas de Python. 
• Cláusulas, comparações e operadores lógicos.
• Listas, conjuntos, tuplas, vetores, matrizes e outros arrays.
• Dicionários.
• Condicionais if, else, elif.
• Loops for e while.
• Lambdas. 
• Introdução à orientação à objetos. 
• Criando funções. 
• Criando classes. 
• Iterators. 
• Introdução à Regex. 

• Funções de uma variável e gráficos. 
• Logaritmos, exponenciação e trigonometria. 
• Matrizes, determinantes e sistemas lineares. 
• Derivadas de funções de uma variável. 
• Integrais de funções de uma variável. 
• Funções de várias variáveis e gráficos.
• Derivadas parciais e diferencial total. 
• Funções de vetores. 
• Espaços métricos, normas, produto escalar, produto vetorial. 
• Derivadas parciais e diferencial total de funções de vetores. 
• Integrais de funções vetoriais.
• Principais teoremas do cálculo vetorial. 
• Introdução às equações diferenciais ordinárias. 
• Introdução às equações diferenciais parciais.

• Espaços vetoriais: definição e propriedades. 
• Bases e dimensões.
• Transformações lineares. 
• Troca de bases. 
• Operadores como transformações lineares. 
• Espaços com produto interno. 
• Espaços normados.
• Processos de ortonormalização. 
• Equações de autovetores e autovalores. 
• Processos de diagonalização.
• Tópicos em matrizes. 

• Zeros reais de funções reais. 
• Métodos para resolução de sistemas lineares. 
• Métodos para resolução de sistemas não lineares.
• Introdução à Interpolação (por funções e polinômios). 
• Métodos quase Newton.
• Singular value decomposition (SVD). 
• Principal component analysis (PCA). 
• Gradiente descendente. 
• Backpropagation.
• Feedforward.

• Estrutura de dados e Pandas dataframes.
• Criando objetos.
• Tratando diferentes tipos de arquivos. 
• Transformação de dados.
• Tratando dados categóricos. 
• Trabalhando com textos. 
• Operações com dataframes. 
• Merge.
• Agrupamento. 
• Reshaping e Hierarchical indexing. 
• Pandas series. 
• Plotting.
• Funções estatísticas. 
• Funções matemáticas. 
• Cálculo numérico com Pandas. 
• Dados esparsos. 

• Bokeh.
• Dash. 
• Matplotlib.
• Plotly. 
• Construindo dashboards interativos. 

• Agglomerative Clustering.
• BIRCH. 
• DBSCAN. 
• K-Means.
• Mean shift. 
• OPTICS. 
• Spectral Clustering. 
• Gaussian Mixture Model. 

• Regressão logística. 
• Classificador Naive Bayes. 
• Nearest Neighbor. 
• Support vector machines (SVM). 
• Árvores de decisão (decision trees). 
• Random forest. 
• Cases e exemplos.

• Introdução à análise de regressão. 
• Modelos de regressão linear simples. 
• Modelos de regressão linear múltipla.
• Ajuste de curvas por mínimos quadrados.
• Modelos lineares generalizados. 
• Regressor por árvore de decisão. 
• Regressão por LASSO. 
• Regressão RIDGE. 
• Regressão ElasticNet. 

• O que são neurônios e suas propriedades. 
• Perceptron simples. 
• Perceptron de uma ou mais camadas. 
• Perceptron de classificação multiclasse. 
• Gradiente descendente. 
• Backpropagation. 
• Feedforward.
• Redes Bayesianas e cadeias de Markov.