Conteúdo programático

  • Introdução ao Data Science
    • O que é Data Science?
  • Anaconda e Kaggle
    • Anaconda
    • Jupyter Notebook
    • Kaggle
    • Extraindo dados
    • Coletando dados
    • Unindo conjuntos de dados
    • Informações do conjunto de dados
  • Transformando os dados
    • Renomeando colunas
    • Removendo duplicidades
    • Identificando colunas nulas
    • Removendo dados nulos
    • Removendo colunas
  • Explorando os dados
    • Carregando os dados
    • Explorando os dados
    • Ordenando os valores
  • Análise de dados
    • Detalhando dados numéricos
    • Ordenando valores
    • Substituindo strings
    • Comandos OR e AND
    • Contagem de nulo e não nulo
    • Introdução ao agrupamento
    • Refinando os agrupamentos
    • Rotacionando os dados
    • Agrupamento com ordenação
    • Duplicando o conjunto de dados
    • Analisando detalhes dos dados
  • Visualização dos dados
    • Introdução à visualização
    • Criando subgrupos
    • Diferenças nos gráficos de linha e barra
    • Configurações de um gráfico
    • Ordenado os valores do gráfico
    • Apresentando o gráfico em pizza
    • Utilizando destaque em gráfico de pizza
    • Criando grupos de dados para visualização
    • Comparando dados em um gráfico
    • Gráfico de dispersão
    • Usabilidade do gráfico de dispersão
    • Visualizando relações com gráfico de dispersão
    • Dois conjuntos de dados no gráfico de dispersão
    • Filtrando elementos com OR e AND
    • Adicionando cores no gráfico de dispersão
    • Trabalhando com cores
    • Introdução ao Seaborn
    • Linha de regressão com Seaborn
    • Gráfico par a par
    • Criando mapa de calor
    • Mapa de correlação
    • Gráfico Distplot
    • Gráfico Boxplot
  • Aplicando técnicas de Machine Learning
    • Introdução ao Machine Learning
    • Preparando o ambiente
    • Preparando o conjunto de dados
    • Criando classificação para o Machine Learning
    • Criando características dos dados
    • Criando a classificação e bases de treino e teste
    • Como verificar e corrigir os tipos do dado
    • Verificando a precisão do Machine Learning
    • Aplicando o Machine Learning com casos novos
    • Exportando conjuntos de dados
  • Data Science com R
    • Carregando arquivos com R
    • Explorando dados com R
    • Instalando pacote e renomeando colunas
    • Removendo duplicidades
    • Removendo valores nulos e colunas
    • Gerando gráficos
  • SQL
    • Data Science com SQL
    • Carregando dados externos no SQL
    • Como carregar um projeto no Jupyter Notebook

Pré-requisitos

Para o melhor aproveitamento do Curso Projeto de Data Science: da Extração ao Machine Learning (online), é importante que o aluno tenha familiaridade com os conceitos de big data, além de conhecimentos básicos de lógica de programação e das linguagens SQL e Python. O curso foi ministrado com o uso do Python Anaconda 3.8, R Studio e SQL Server. A instalação desses softwares é importante para o acompanhamento das demonstrações realizadas durante as aulas.

Certificação Impacta

Um dos títulos mais respeitados do país, atesta a qualidade e os conhecimentos de profissionais especializados nas mais variadas áreas de TI, Gestão e Design. Ao concluir o curso, você tem 90 dias a contar da data de término do curso para agendar seu exame.
Saiba mais sobre a certificação Impacta

Assine e tenha acesso a esse e mais centenas de cursos online:

Plano Anual

Apenas R$ 0/mês

Assine já

Plano Semestral

Apenas R$ 0/mês

Assine já

Ou comprar este curso avulso

em até 3x R$ 83,30

R$ 62,48

ou R$177.12 à vista

O que os alunos dizem sobre a Impacta

Ver mais depoimentos