Material para Revisão - TECH PDF

MBA em
IMPORTANTE SABER
COMO FUNCIONA ESSE

MATERIAL?
O QUE PRECISO SABER PARA

TER UM BOM RENDIMENTO?
PRECISO MEMORIZAR
TÓPICOS DE TODOS OS MAPAS
DA AULA?
COMO SÃO AS PERGUNTAS DA
PROVA DE FIM DE CURSO?
QUANTAS VEZES POSSO FAZER A

PROVA DE FIM DE CURSO?
SE EU TIVE UMA BOA COMPREENSÃO

DA ESSÊNCIA DAS DISCIPLINAS E
CONEXÕES ENTRE ELAS, ESTOU O QUE PRECISO PARA PODER
PREPARADO PARA A PROVA? REALIZAR A PROVA?
SE EU NÃO PASSAR EM UMA

PROVA, POSSO TENTAR NAS
OUTRAS?
QUE NOTA PRECISO ATINGIR?

FERRAMENTA OU
PRODUTO DE
NEGÓCIOS
COM CLÁUDIO AZEVEDO E MICHAEL MORA
AULA 1
Veja nessa página as principais ideias e ensinamentos vistos ao longo da aula.
tempos momentos assuntos
são abordados.
PARTE 1
07:18
19:22
Growth Hacking
Os dados são o novo petróleo
PARTE 2
02:35 17:29 27:03

Design for real life Data Mindset BIG DATA
PARTE 3
2:32 16:37 19:20

Launch to learn MVP Data Revolution
AULA
PARTE 4
0:22 28:04
Diferenças entre os Baby steps do Data Science:
profissionais de BI e Data
Science
•
•
•
•
•
•
•
AULA 2
são abordados.
PARTE 1
2:00 06:35 15:15

Revolução 4.0
Estrutura da Data Science Processo de implantação
Data Science:
•
•
•
• •
• •
•
•
PARTE 2
13:18 17:40 28:00

Modelo preditivo Data Visualization Diferenciação dos dados
PARTE 3 PARTE 4
14:35 20:29 00:46 06:45

Habilidades de um cientista de Cartilha resumo Os 4 V’s Arma potente
dados
•
•
•
• •
•
•
•
AULA 3
são abordados.
PARTE 1 PARTE 2
11:20 22:20 11:35

Inteligência Artificial Chat Bots Machine Learning
•
•
PARTE 3
14:55 06:25 13:07

Processos de aprendizagem de Redes neurais Etapas de construção das redes
máquina. neurais
•
•
•
• •
•
•
•
•
•
PARTE 4
02:20 15:43
Deep Learning Condições para
implementar deep learning
•
CASES DE SUCESSO E
APLICAÇÕES
COM DORA KAUFMAN E RODRIGO COELHO
AULA 1
são abordados.
PARTE 1
16:50
20:00 32:00
Redes Neurais
Deep Learning Reconhecimento de
imagens
PARTE 2
04:41 23:33
Capacidade preditiva Tipos de dados
PARTE 3
07:58 12:34 29:51

A IA hoje Ética na IA Desafios regulatórios
•
•
•
• •
•
•
•
•
•
•
•
FUNDAMENTOS DESTAQUES MAPA DA AULA EXERCÍCIOS
AULA
PARTE 4
02:28 08:26 28:20

Desafios filosóficos Transformação digital do Previsões do futuro do
mercado de trabalho. trabalho.
•
AULA 2
são abordados.
PARTE 1
08:24 15:58 26:15 32:03

Curadoria por IA
Revoluções Economia de dados Convergência das
Industriais tecnologias:
•
PARTE 2 PARTE 3
01:10 08:11 05:00

Indústria 4.0 Pilares da indústria 4.0 Mercado financeiro
•
PARTE 4
21:23 08:15 25:10

Mercado de Fintechs Case: BIA Academia e mercado
AULA 3
são abordados.
PARTE 1 PARTE 2
04:55 18:27 04:05

Impacto da IA Abordagem orientada a Teoria do Algoritmo
dados: único de aprendizado
PARTE 3
27:41 12:31 21:39

Hibridizando CNNs e RNNs Problemas no Abordagem
reconhecimento de imagens: paramétrica
PARTE 4
15:53 22:51
O papel da derivada na otimização das Inspiração da rede neural
funções.
AULA
PARTE 5
11:17 21:33 31:23

Camadas escondidas Treinamento de uma rede Resgate histórico:
neural:
PARTE 6
06:16 16:50
Camada de convolução Redes neurais recorrentes
CASES DE NEGÓCIOS
QUE JÁ UTILIZAM E
COMO USAR
COM TIAGO MATTOS E LUIS ANTONIO JANSSEN
AULA 1
são abordados.
PARTE 1
12:33
13:07
Novo olhar sobre IA.
Exemplos de IA.
PARTE 2
08:31 12:34 25:21

Tecnologias transversais. Ondas de impacto. Futurólogos das
revoluções.
•
• •
•
PARTE 3 PARTE 4
06:18 22:45 02:12 19:45

Divisão da IA Computer vision: Aprendizagem não IA musical
supervisionada.
•
•
•
•
•
FUNDAMENTOS DESTAQUES MAPA DA AULA EXERCÍCIOS
AULA 2
são abordados.
PARTE 1
00:18 24:52
Reinforcement Perspectivas das redes neurais.
Learning.
PARTE 2
06:50 13:10 25:04

Renda básica de cidadania Robôs de telepresença Cultura de IA nas
empresas
PARTE 3 PARTE 4
11:47 23:52 13:24

Criação de parcerias Pesquisas sobre IA Questionar as
previsões
•
AULA 3
são abordados.
PARTE 1
08:00
27:02 30:09
3 dimensões da IA:
Líderes em IA. Utilização do Machine
Learning.
•
•
•
•
•
•
•
•
•
PARTE 2 PARTE 3
02:45 12:04 03:55

Machine Learning no Machine Lerning Assistentes pessoais.
agronegócio. Saúde.
PARTE 4
02:32 23:08 04:34 22:08

Classificação de robôs. Robôs autônomos. Veículos com IA. Implantação da IA.
• •
•
•
BUSINESS ANALYTICS
COM DATA SCIENCE
COM RICARDO CAPPRA E ALESSANDRO NUNES DE SOUZA
AULA 1
são abordados.
PARTE 1
08:06
20:10
Data Thinking 2019
Vazamento de dados
•
•
•
•
•
•
•
PARTE 2
02:19 11:31 16:28

A moeda dados Guerra da desinformação Algoritmos viciados
•
•
•
•
•
•
•
PARTE 3 PARTE 4
04:05 17:41 06:27 16:30

Tomadas de decisão Infoxication Customer clustering Cultura analítica
decision map
• •
•
• •
•
•
AULA 2
são abordados.
PARTE 1
07:15 11:30 31:20

Real time management Sales & product
Telas de tomada de decisão
performance room
PARTE 2 PARTE 3
12:03 30:00 02:25

Construção do dashboard Data driven decision room L.S.T.M
PARTE 4
16:05 02:15 20:08 21:55

Times analíticos Cientista de dados Data team tool box Mapa da estratégia
analítica
•
•
•
•
AULA 3
são abordados.
PARTE 1
06:54
25:40
Classificação dos dados
Bussiness Intelligence
•
•
•
•
•
PARTE 2
09:27 24:06 26:59

Ferramentas de BI Desafios do Big data Data mining
PARTE 3 PARTE 4
07:25 14:08 12:05

Técnicas de data mining Usos de data mining Cases de mercado
• •
• •
•
• •
•
•
•
•
ATRAÇÃO E RETENÇÃO
DE TALENTOS
COM ISRAEL SALMEN E ANDRÉ HARTMANN DUHÁ
AULA 1
são abordados.
PARTE 1
10:25 16:10
Cultura empresarial História de vida
PARTE 2 PARTE 3
13:16 22:30 05:47

Desafios na idealização do Trocas intensivas Networking
negócio
PARTE 4
29:05 00:01 23:50

Formação de time Erros no caminho Solidificação da cultura
empresarial
AULA
são abordados.
PARTE 5
05:02 17:26
Redefinições de configurações Abandonando a parte operacional
AULA 2
são abordados.
PARTE 1
08:18 19:20
Recrutamento Processo seletivo
•
•
•
•
•
PARTE 2 PARTE 3
00:03 17:29 07:23

Foco na produtividade Comunicação interna Temas importantes
PARTE 4
13:18 04:41 08:18

Ferramentas para Definição dos OKRs Organização dos times de
performance engenharia
•
AULA 3
são abordados.
PARTE 1
07:02 23:25
Novos tempos, novos desafios Novas relações de trabalho e
autoemprego
•
•
•
•
PARTE 2 PARTE 3
08:50 30:31 04:52

Desafios na atração e Métodos de atração de Identificação e avaliação de
retenção de talentos talentos talentos
PARTE 4
20:53 11:05 27:26

Programas de capacitação de Avaliação do desempenho e Retenção de talentos
funcionários resultados
•
• •
• •
• •
•
AULA
são abordados.
PARTE 5
13:55 23:34
Talentos e os times de trabalho Liderar em organizações virtuais
• •
•
• •
•
O MARKETING E
AUMENTAR VENDAS
COM ÉBER GUSTAVO E RAFAEL BITTENCOURT
AULA 1
são abordados.
PARTE 1 PARTE 2
03:18 00:41
19:32
Meta das empresas Estratégias de marketing
Perfil do cliente
•
•
•
•
•
PARTE 3
19:30 05:10 19:17

Data-driven marketing Impactos do data- Estruturação das empresas
driven marketing
PARTE 4 PARTE 5
07:40 20:36 00:01

Estágios de maturidade Dados aplicados a Divisão de dados em marketing
das empresas: marketing
•
•
•
• •
•
• •
•
•
•
AULA 2
são abordados.
PARTE 1
09:20
22:24
Lista de contatos, queries e clusters
Inteligência artificial
•
PARTE 2 PARTE 3
00:01 19:32 04:00

Retenção de clientes Otimização do NBA e NBO
orçamento de mídia
PARTE 4
23:46 07:30 26:31

Estudo de caso: Target Estudo de caso: The Personalização em escala
north face
AULA 3
são abordados.
PARTE 1
09:53
29:36
Mundo vuca
Classificação da IA
PARTE 2 PARTE 3
12:20 31:12 04:40

Google Ads Case: Utilização de IA no Case: agricultura
Uber
PARTE 4
25:08 00:16 23:03

Riscos da IA Data Science Geração de valor
AULA
são abordados.
PARTE 5
00:01
11:43
Data Science potencializando o negócio
Obcecados por dados
PARA NEGÓCIOS –
PARTE 1
COM SALIM ISMAIL
AULA 1
são abordados.
PARTE 1
03:43 08:04 10:52

Lei de Moore Abundância de água x 3 camadas de tendências
preço
PARTE 2
21:21 00:01 05:44

CRISPR-CAS9 Disrupção institucional Exemplos de redução de
custos
12:49 20:21 26:42

Ondas cerebrais Como construir uma organização Como orientar grandes empresas?
exponencial?
• •
• •
•
•
• •
AULA
são abordados.
PARTE 3
01:12 07:25 11:53

Questões-chave Aumentando o Educação e inovação
metabolismo das
empresas
19:09
Os bancos na nova era
PARA SUPERAR O
MERCADO
COM CEZAR TAURION E SILVIA MARIA WANDERLEY MORAES
AULA 1
são abordados.
PARTE 1
05:16
12:53 21:22
O contexto atual da machine
Fluxo da machine Os Algoritmos no dia-a-
learning
learning dia
PARTE 2
34:50 05:47 11:28

Navegando na nova Estatísticas do mundo digital A revolução da informação
revolução industrial
PARTE 3
19:52 29:50 00:07

A mudança no setor A penetração da internet A nova concorrência
financeiro nas regiões
AULA
são abordados.
08:28 18:49 24:47

Muros digitais Conexão total Geração de dados
PARTE 4
05:12 13:21 22:36

Efeitos da tecnologia A revolução dos Drones Carros autônomos
PARTE 5
00:32
Disruptura da indústria 04:55 08:44
automotiva Efeitos colaterais IA na medicina
AULA 2
são abordados.
PARTE 1
00:51 09:40 15:40 23:25

Estudos de casos IA no varejo Reestruturação do O jornalismo e os
mercado robôs
PARTE 2
02:15 06:35 14:09 25:58

Música por meio da IA Machine Learning Mundo VUCA Tempo de vida das
automatizada empresas
PARTE 3
30:40 01:31 08:37 14:36

Digital vórtex Fintech FinTech vs Algoritmos de dados
TechFin
AULA
são abordados.
PARTE 4
17:35 05:15 11:50 17:28

Mudança no mindset Reações imediatas Focos do negócio Restrições dos
algoritmos
PARTE 5
23:32 26:55 01:58

Empregos e a IA Soft skills e hard skills Números da aplicação de IA
07:25 12:02 15:30

Disseminação da cultura de IA “O caminho do Estágio da ML por regiões
céu”
•
•
•
•
AULA 3
são abordados.
PARTE 1
02:19 11:45 18:30 24:17

Panorama da IA Definição de IA Agentes inteligentes Aprendizagem
indutiva
•
•
PARTE 2
27:25 07:20 10:30 25:42

Paradigmas de Aprendizagem Tarefas preditivas Aprendizagem por
aprendizagem supervisionada reforço
•
•
•
• •
PARTE 3
33:20 38:07 04:28

Abordagens da Machine Learning Deep Learning Agentes conversacionais
•
•
•
•
•
•
•
AULA
são abordados.
PARTE 4
20:15 26:15 02:58

Arquitetura dos agentes Corpus de diálogos O desafio da NLU
conversacionais
• •
• •
•
•
08:38 15:40 28:15

Ambiguidade pragmática Dificuldades dos agentes Frameworks para
conversacionais desenvolvimento de bots
•
•
30:00
IA em uma perspectiva filosófica.
•
•
•
LOGÍSTICA E AS
OPERAÇÕES
COM RICARDO RUIZ RODRIGUES E AUGUSTO AIQUEL VAZ COSTA
AULA 1
são abordados.
PARTE 1
10:35 28:37 31:53

Transformações demandadas Pilar estratégico Novo conceito de
pelo consumidor digital distribuição
•
PARTE 2 PARTE 3
02:10 17:29 00:03

Desafios estratégicos para as Diferenças entre Automação
operações robotização e digitalização
•
•
•
• •
•
• • •
PARTE 4
14:56 22:31 01:30 19:21

Automação de Data Science e IA Internet das coisas Custumer centricity
diagnóstico
AULA 2
são abordados.
PARTE 1 PARTE 2
05:21 24:17 14:57

Planejamento integrado Inputs para Data Science Alocação inteligente
e IA de estoque
•
•
•
•
•
PARTE 3
29:37 04:30 22:44

Aplicação inteligente de Eficiência na mão de Performance individual
estratégia obra
PARTE 4
03:40 14:24 29:34

Eficiência: ativos da empresa Elevado nível de Foco no cliente
serviço
AULA
são abordados.
PARTE 5
11:07
22:58
Tendências em topologia de sistemas
Transformando
progressivamente a operação
•
•
• •
• •
•
• •
•
•
•
AULA 3
são abordados.
PARTE 1
06:00
14:20
Tecnologia e gestão de empresas
Olhar no cliente
•
•
•
•
•
PARTE 2
02:27 06:24 12:55

Integração logística Elementos da gestão da Desafios nas cadeias de
logística suprimento
• •
• •
•
•
•
•
PARTE 3 PARTE 4
05:02 21:47 13:19

Pesquisa sobre o setor Aprendizado de máquina e IA Aprendizado por reforço
AULA
são abordados.
PARTE 5
28:25 03:53 10:54

Como aplicar IA no varejo A tecnologia e suas premissas Cadeias de suprimentos
17:25
Nível de serviço
TOMADA DE DECISÃO
COM PHIL SIMON E ISABEL HARB MANSSOUR
AULA 1
são abordados.
PARTE 1
11:15 27:23 32:32

Teoria e história Dados por todos os lados Crescimento da
visualização de dados
• •
• •
• • •
•
• • •
• •
• •
PARTE 2 PARTE 3
00:04 17:12 00:01

Aplicativos contemporâneos de Criando as próprias versões de Visualização de dados em
dados visualização de dados ação
•
•
•
•
•
21:50 25:15 40:00

Visualização de dados na política Manipulação de dados Correlações
AULA 2
são abordados.
PARTE 1
03:09 24:54 29:29

Interatividade na visualização de Visualização de dados para Ferramenta: OrgOrg
dados avaliar profissionais Chart
PARTE 2
01:00 10:30 25:09

Metadados da Exemplos de visualizações Dicas para visualização de dados
visualização interativas
•
•
PARTE 3
00:05 13:05 26:47

Desafios para uma visualização Tendências em visualização Ferramenta: D3
de dados eficaz de dados
•
•
•
•
AULA 3
são abordados.
PARTE 1
03:40 11:48 24:36 35:14

Porque utilizar a Conceitos da área Etapas do processo de Classificação
visualização de dados? visualização
•
•
• •
•
•
•
PARTE 2 PARTE 3
03:51 14:39 00:28

Ferramentas de pré Percepções do ser humano Representações visuais
processamento
• •
•
•
09:25 15:17 17:18 22:44

Exemplos de visualização Dados multivariados Exemplo de código Exemplos de visualização
de mapas de dados multivariados
•
•
•
•
AULA
são abordados.
PARTE 4
09:00 15:55 30:50

Representações visuais de Interação Atual momento da visualização
arvos, grafos e redes de dados
•
•
•
•
•
•
DISRUPÇÃO E
DOMINAR O MERCADO
COM MARTIN SPIER E LUIS ANTONIO JANSSEN
AULA 1
Veja nesta página, as principais ideias e ensinamentos vistos ao longo da aula.
são abordados.
PARTE 1
07:25 19:00 29:29

Performance do produto Monesheets Como usar DS e IA
PARTE 2
05:38 23:49 36:40

Inovação O hype da Cultura empresarial
transformação digital
PARTE 3
00:45 18:23 24:50

Comportamento de inovação Ideias não valem nada Errar agrega valor
•
•
•
•
•
PARTE 4
04:15 08:00
Estatística em Data Sciece Machine Learning vs Estatística
•
•
•
•
AULA 2
são abordados.
PARTE 1
01:27 21:54 29:29

Data engineering Coleta e verificação de dados Análise de dados exploratórios
• •
•
• •
•
•
• •
•
•
PARTE 2
13:48 19:35 34:24

Caso especial: geração de Modelagem Inteligibilidade vs precisão
hipóteses
PARTE 3 PARTE 4
03:40 22:01 02:54

Transformando dados e Desafios da criação dos Sucesso de uma análise de dados
analytics em produtos modelos de data Science
•
•
•
•
• •
• •
•
•
12:48 28:50
Transfer learning Robótica
•
•
•
AULA 3
são abordados.
PARTE 1 PARTE 2
00:55 11:18 00:01

O que é disrupção? Data Science Tecnologia para
disrupção
10:59 25:03 26:20

Diferença entre inovação sustentável e Criadoras de mercado Inovadoras de sustentação
inovação disruptiva
•
•
•
•
•
•
PARTE 3
02:52 08:02 23:37

Inovadoras de eficiência Tecnologias disruptivas Reconhecimento de imagem
•
•
•
•
•
PARTE 4
00:25 11:35
Privacidade Pessoas disruptivas
PESSOAS E PROCESSOS
COM DELI MATSUO E ANDRÉ HARTMANN DUHÁ
AULA 1
são abordados.
PARTE 1
08:58 16:30 24:55

A história da tecnologia Empresas e a nova gestão de Força da marca
pessoas
PARTE 2 PARTE 3
10:55 24:36 00:01

Data Enrichment employee Como a Google contrata? Estudos de caso
management
23:45 28:45
Project Oxygen Os 8 comportamentos de um bom gestor:
•
•
•
•
•
•
•
PARTE 4
08:35 16:46
O encontro perfeito Recrutamento
AULA 2
são abordados.
PARTE 1 PARTE 2
16:55 19:23 18:56

Case: Projeto Aristóteles Resultados do estudo Employee badge
Aristóteles
•
•
•
•
•
PARTE 3
26:35 00:01 16:04

Projeto de dashbords Senso de pertencimento Confiança
•
•
•
PARTE 4
28:25 04:15 13:23

Redução de custos Basics setups Ecossistema de sistemas
abertos
•
•
•
•
•
•
AULA 3
são abordados.
PARTE 1
05:18 11:20 25:45

Evolução das práticas de RH Gestão de pessoas e o papel RH na construção de uma
do RH organização competitiva
•
•
•
•
• •
• •
•
PARTE 2
08:24 32:21 45:25

Papel do RH contemporâneo Avaliando o sucesso da 10 tendências na área de
empresa capital humano
•
•
•
•
•
PARTE 3
02:04 17:56 27:52

Aprendizado personalizado Propósito no trabalho Mudanças e incertezas
PARTE 4
00:09 11:08 21:45

Mobilidade interna e mudanças Geração de valor Novas formas de
contínuas organização do trabalho
COMO USAR ANTES
QUE SEJA TARDE
COM RODRIGO AZEVEDO E ALESSANDRO NUNES DE SOUZA
AULA 1
são abordados.
PARTE 1
10:15 21:12 34:18 37:10

Propriedade intelectual Alternativas de proteções Proteção Exploração
intelectuais intelectual
•
•
• •
PARTE 2
02:53 14:42 22:30 36:12

Patentes Desenho industrial Concorrência Evolução da proteção
desleal aos dados
PARTE 3
01:20 10:35 23:33

LGPDP Tratamento de dados Os personagens
•
•
•
PARTE 4
05:30 13:00 20:55

Procedimentos para Os deveres das 10 hipóteses
exercício de direitos empresas
•
•
•
• •
• •
• •
•
•
•
•
AULA 2
são abordados.
PARTE 1
12:53 20:49 22:23

10 hipóteses (continuação) Serviços gratuitos O uso dos dados
públicos
•
•
•
•
•
PARTE 2 PARTE 3
13:21 25:20 00:01

Autoridade nacional Regras Medidas necessárias
11:18 21:25 35:16

O que precisa ser feito? DPO Operações de tratamento
de dados
•
•
•
•
•
•
•
PARTE 4
05:40 19:15 23:20

Gestão de crises Papeis do DPO Mudança cultural
• •
• •
•
AULA 3
são abordados.
PARTE 1
01:30 09:30 21:42

Usos da criptografia Ameaças e vulnerabilidades Ameaças à segurança:
• •
•
• •
• •
•
•
•
• •
•
•
PARTE 2
23:51
03:22 15:40
Impactos sociais:
Tipos de ameaças Engenharia social
•
•
•
• •
• •
•
•
• •
•
•
• •
•
PARTE 3 PARTE 4
00:22 13:20 04:02

Princípios da segurança Princípios da governança Boas práticas de segurança
da informação
•
•
•
• • •
• •
• •
• •
• •
• • •
•
08:40 13:07
Security Data Science (SDS) Sistemas de controles vs sistemas analíticos
•
DIFERENCIAIS DE
QUALIDADE E PREÇO
COM ALEXANDRE VILLELA E LÉLIS BALESTRIN ESPARTEL
AULA 1
são abordados.
PARTE 1
04:30 17:59 30:20

A revolução da IA Compreendendo a technology Camada de aplicações
stack
•
•
•
•
PARTE 2
03:45 16:19 20:30

Implementando Machine Principais objetivos de Machine Escopo de IA
Learning Learning
PARTE 3
01:25 21:30 35:03

Visualização dos dados Diagrama de dispersão Principal Component Analysis
•
PARTE 4
07:29 18:39 22:12

Explorando dados multi- Clusterização Usando ferramentas em
dimensionais conjunto
AULA 2
são abordados.
PARTE 1
02:48 12:14 21:47

Regressão linear Precificação de Startups Redes neurais
PARTE 2
03:15 18:55 35:25

Dimensionando uma rede Tomada de decisões Estruturando o problema
neural
•
•
•
•
•
•
• •
•
PARTE 3
04:14 04:27 18:00

Multi-armed bandit Maximizando funções Alta disponibilidade de dados
PARTE 4
05:00 16:30 23:55

Reforcement Learning Syntethic Control Exemplos de Startup
AULA 3
são abordados.
PARTE 1
05:32 16:29 24:50

Reflexões Mapa perceptual Pesquisa de
mercado
PARTE 2
04:04 20:20 34:30

Escolhas inteligentes Comportamento do Jornada do cliente
consumidor
•
•
•
•
•
PARTE 3
08:24 12:58 23:46

Interação via IA Escolha e autonomia Desafios da tecnologia
•
PARTE 4
02:27 08:54 20:40

Preparando a nova geração Questões éticas Fatores críticos de sucesso
•
• •
•
• •
•
•
•
CLOUD COMPUTING
(COMPUTAÇÃO EM
NUVEM)
COM BRUNO MACHADO E TIAGO COELHO FERRETO
AULA 1
são abordados.
PARTE 1
12:07 15:52 24:08

Transformação digital Empresa e experiência Novas ofertas
do cliente
•
•
•
•
•
PARTE 2
34:03 03:24 16:00

Novas formas de trabalho Soluções para armazenamento Como realizar a
transição
PARTE 3
17:49 21:35 03:15

Diferenciais da PaaS Oferta Multi-cloud
arquitetura em nuvem:
•
• •
•
•
•
•
•
•
•
PARTE 4
17:54 27:53 00:35

Pontos de atenção: Games Arranjos Arquiteturais
•
•
17:54
Prática de operação:
•
•
•
AULA 2
são abordados.
PARTE 1
04:45 17:29 24:28

Site Reliability Engineering Métricas de produtividade Principais
provedores
•
•
•
•
•
PARTE 2
27:00 05:15 12:25

Aplicação de arquitetura Transformação por Data- Produtos de dados
em nuvem drive
• •
•
• •
• •
PARTE 3
08:20
20:00 Ciência de dados
Monetização de dados
• •
•
•
•
•
15:40 30:09 38:09
Componentes da arquitetura Como escolher plataformas Hadoop
de dados em nuvem?
•
• •
• •
•
•
• •
PARTE 4
02:57 11:44 21:28

Infraestrutura de computação Novos papéis Cases e aplicação de
arquitetura para Big data
•
•
•
•
•
•
AULA 3
são abordados.
PARTE 1
05:35 22:45 32:40

Panorama do Big Data A era dos dados Big data
PARTE 2
43:59 06:49
Dimensões do Big Data Problemas na abordagem
tradicional
•
•
• •
•
• •
• •
PARTE 3
07:07 21:15 02:49

Cluster Computing Hadoop Arquitetura do Hadoop
•
•
•
• • •
•
• •
•
14:30 21:50 29:50
MapReduce Apache Spark Cloud computing
• •
•
•
PARTE 4
03:07 09:58 23:00 25:49

Modelos de serviço Case: AWS OpenStark Cloud Native
Computing
•
•
DATA: CASES DE
SUCESSO E COMO USAR
COM LISIANE LEMOS E EDUARDO ARRUDA
AULA 1
são abordados.
PARTE 1
14:55 19:47 28:36

O que move? Oportunidades de emprego Construindo o branding
profissional
•
•
•
• •
•
•
•
PARTE 2
00:49 11:38 14:30

Habilidades de liderança Dados são o novo petróleo Computação quântica
•
• •
•
• •
• •
•
PARTE 3
20:10 27:20 05:40

Empresas de tecnologia Fintechs e bancos Mercado de startups
PARTE 4
08:42 19:10 00:54

E-commerce no Brasil Cases: Big Data Case: Microsoft Protecta
•
•
•
•
•
•
05:25 12:10 16:47

Google Ads Neogrid 99Jobs.com
AULA 2
são abordados.
PARTE 1 PARTE 2
02:41 11:56 11:29

Estabelecendo as ações Qual problema resolver? Case: IBM
PARTE 3
18:58 26:20 00:01

A importância dos números Fontes de busca Estratégias de posicionamento
• •
•
•
• •
16:26 27:49 29:26

LGPD Case: flowsense Case: Looqbox
PARTE 4
31:06 34:26 04:36

Cases: SVA Tech e Aquarela Montando o time Case: i4se
analytics
06:14 07:42 17:52

Case: KCollector Case: E EMóvel Orientação por dados
•
•
•
•
•
AULA 3
são abordados.
PARTE 1
08:07 14:39 20:24

Provedores na nuvem Investimentos Medições
•
•
•
•
•
•
•
PARTE 2 PARTE 3
00:45 14:05 02:03

Desafios da gestão Traçar estratégias Etapas de um projeto de
big data
•
•
•
•
•
•
•
• •
• •
•
• •
•
• •
•
PARTE 4
22:35 00:01 05:00

AWS AWS Lambda Amazon DynamoDB
• •
• •
•
•
13:22 15:39 23:34
Amazon Redshit Amazon Elastic MapReduce Amazon Elasticsearch
• •
•
•
•
•
29:49 31:36
Amazon Machine Learning Amazon QuickSight
• •
• •
• •
•
• •
•
(MINERAÇÃO DE
DADOS)
COM FABIANO CASTELLO E DUNCAN DUBUGRAS ALCOBA RUIZ
AULA 1
são abordados.
PARTE 1
09:41 15:05 25:42 38:49

Introduzindo BI, KDD e DM KDD vs DM CRISP-DM KDD
PARTE 2
02:20 26:26 39:32 49:30

Exploração de dados Visualização de dados Variável numérica FCA
•
•
• •
• •
•
•
•
•
PARTE 3
02:10 11:28 22:48 25:35

Missing Values Noise: erros aleatórios Redução dimensional PCA
•
PARTE 4
02:51 11:54 16:09 24:16

Redução numérica Probality sampling Data quality Data
transformation
•
•
• •
•
•
•
•
AULA 2
são abordados.
PARTE 1
01:04 11:36 13:44 19:40

Normatização Data mining Inteligência artificial Carros autônomos
technics
•
•
•
•
• •
• •
• •
PARTE 2 •
00:15 09:25 22:18

RH Mente aberta Regressão linear
PARTE 3
02:21 14:50 26:36

Regressão linear múltipla Demonstração de regressão Regressão logística
múltipla
•
•
•
PARTE 4
00:01 25:51
Demonstração de progressão logística Visão geral
AULA 3
são abordados.
PARTE 1
02:43 10:42 18:37 22:33

Avaliação de modelos Matriz de confusão F-Score Resolução de problemas
• •
• •
• •
•
• •
PARTE 2
09:50 09:25 23:40

Pós-processamento Lidando com a variedade Tratamento dos dados variados
•
PARTE 3
05:10 18:29 22:25

Executando Apriori Minerando regras de Desvendando a lenda
associação
•
•
•
•
•
•
PARTE 4
02:46 21:35 29:28

Case: Target Big data ou big mistake? 5 V’s do Big Data
•
•
•
•
•
FERRAMENTA OU
PRODUTO DE
NEGÓCIOS
COM RAYSSA KÜLLIAN E FELIPE RECH MENEGUZZI
AULA 1
são abordados.
PARTE 1
04:27 13:00 19:55

Definições de IA Mercado e previsões Investimentos em IA
•
•
•
• •
• •
•
•
• • •
•
•
PARTE 2
27:27 05:15 14:10

Case: Amazon Drivers Produto de IA
• •
•
• •
• • •
•
•
• •
• •
PARTE 3
25:29 01:07 09:25

Blockers Identificando Ideação
oportunidades
•
•
• • •
• •
• •
•
• •
•
•
•
PARTE 4
17:03 22:52 14:13

Definindo oportunidades Vendendo um projeto Coletando dados
• •
•
• •
• •
• •
•
• •
•
19:10 25:02
Análise exploratória de dados Limpeza de dados
•
• •
• •
• •
•
•
•
•
AULA 2
são abordados.
PARTE 1
06:11 11:48 18:16 22:52

Engenharia de feature Modelagem Deploy MLOps
• • •
•
• •
•
• •
•
• •
• • •
•
PARTE 2
24:44 00:30 09:40

Oferta de serviços Riscos Prevenção
• •
•
• •
•
•
•
•
•
• •
•
•
PARTE 3
20:39 07:31 19:04

CRISP-DM Cientista de dado Histórias
• •
•
•
• • •
• •
• •
•
PARTE 4
26:50 14:00 24:24

Comunicação Proprietário vs open-source Utilizando serviços em
nuvem
•
• •
•
• • •
• •
• •
•
AULA 3
são abordados.
PARTE 1
03:25 08:41 12:15

O que é IA? Aprendizado de IA Mitos e verdade
•
• •
•
•
• •
• •
• •
•
PARTE 2
03:49 22:59 25:02

Resolvedores vs Aplicação de aprendedores Interface agente-
aprendedores ambiente
•
•
• •
•
•
PARTE 3
27:02 01:55 03:19

Aprendizado por reforço Vantagens de aprendedores Vantagens de resolvedores
• • •
• •
•
•
• •
•
PARTE 4
05:50 15:24 03:43

Problemas com Sobre IA Garantias
aprendizado
•
•
•
• •
•
•
• •
05:33 10:40 19:12

Teste de software Produtização IA Atualmente
• • •
•
•
• •
•
• •
•
USAR MODELAGEM
PREDITIVA
COM GUILHERME KOLBERG E FILIPE JAEGER ZABALA
AULA 1
são abordados.
PARTE 1
03:00 10:37 13:59

É ou não é data science Data Science Case 1: internação
hospitalar
•
•
•
PARTE 2
06:25 30:13 33:54

Transformação digital na XP Desafios do negócio: Case 2: XP e seus clientes
PARTE 3
00:20 08:23 20:30

Case 3: Youse Governança de dados Seguro de vida
•
•
•
•
•
•
PARTE 4
02:48 05:16 17:07

Case Uber Case Netflix Perspectivas projetuais
•
AULA 2
são abordados.
PARTE 1
02:00 12:30 28:00

Análise preditiva Experiência do Escutando o cliente
consumidor
•
PARTE 2
02:44 15:39 35:48

Histórias dos clientes Experiência do Pesquisas convencionais
cliente
•
•
•
•
PARTE 3
00:20 20:01 30:32

Case 4: DiDi Case 5: Salesforce Case 6: loft
•
•
PARTE 4
06:00 14:54 16:45

Mkt data hub Lições aprendidas Equipe
• •
•
•
• •
• •
•
•
AULA 3
são abordados.
PARTE 1
02:52 09:43 17:35

Modelagem preditiva Inferência bayesiana Case 1: atribuição
autoral
•
• •
• •
•
• •
• •
• •
PARTE 2 PARTE 3
03:09 15:39 09:46

Case 2: Predição de séries Case 3: Classificação de Case 4: Corrida
temporais falantes eleitoral
•
•
•
25:10
Case 55: Gueule de Bois
PARA NEGÓCIOS –
PARTE 2
COM IONARA RECH
AULA 1
são abordados.
PARTE 1
03:03 04:56 07:36

O que é modelagem de O que é um TCC? Temas sugeridos
negócios?
•
•
•
•
•
•
09:43 12:45 13:37

Apresentação do contexto Produto ou serviço Segmentação de clientes
• • •
• •
•
• •
• •
• • •
• •
• •
PARTE 2
17:50 00:01 02:43

Proposta de valor Canais de comunicação e Relacionamento com o cliente
de distribuição
• •
•
•
• •
• •
•
• • •
• •
•
05:53 09:30 11:50
Receita e precificação Recursos Atividades da empresa
• • •
• • •
• • •
• •
•
• •
•
14:50 18:27
Parceiros estratégicos Custos
• •
• •
• •
• •
• •
MBA em

Material para Revisão - TECH PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Material para Revisão - TECH PDF

Enviado por

Direitos autorais:

Formatos disponíveis

MBA em

COMO FUNCIONA ESSE

O QUE PRECISO SABER PARA

QUANTAS VEZES POSSO FAZER A

SE EU TIVE UMA BOA COMPREENSÃO

SE EU NÃO PASSAR EM UMA

QUE NOTA PRECISO ATINGIR?

02:35 17:29 27:03

2:32 16:37 19:20

2:00 06:35 15:15

13:18 17:40 28:00

14:35 20:29 00:46 06:45

11:20 22:20 11:35

14:55 06:25 13:07

07:58 12:34 29:51

02:28 08:26 28:20

08:24 15:58 26:15 32:03

01:10 08:11 05:00

21:23 08:15 25:10

04:55 18:27 04:05

27:41 12:31 21:39

11:17 21:33 31:23

08:31 12:34 25:21

06:18 22:45 02:12 19:45

06:50 13:10 25:04

11:47 23:52 13:24

02:45 12:04 03:55

02:32 23:08 04:34 22:08

02:19 11:31 16:28

04:05 17:41 06:27 16:30

07:15 11:30 31:20

12:03 30:00 02:25

16:05 02:15 20:08 21:55

09:27 24:06 26:59

07:25 14:08 12:05

13:16 22:30 05:47

29:05 00:01 23:50

00:03 17:29 07:23

13:18 04:41 08:18

08:50 30:31 04:52

20:53 11:05 27:26

19:30 05:10 19:17

07:40 20:36 00:01

00:01 19:32 04:00

23:46 07:30 26:31

12:20 31:12 04:40

25:08 00:16 23:03

03:43 08:04 10:52

21:21 00:01 05:44

12:49 20:21 26:42

01:12 07:25 11:53

34:50 05:47 11:28

19:52 29:50 00:07

08:28 18:49 24:47

05:12 13:21 22:36

00:51 09:40 15:40 23:25

02:15 06:35 14:09 25:58

30:40 01:31 08:37 14:36

17:35 05:15 11:50 17:28

23:32 26:55 01:58

07:25 12:02 15:30

02:19 11:45 18:30 24:17

27:25 07:20 10:30 25:42