Escolar Documentos
Profissional Documentos
Cultura Documentos
Escola de Dados
© FREEPIK
1
CIÊNCIA DE DADOS
3
§ O que é?
§ Por que aprender?
§ Principais áreas e aplicações
2
CURSO DATA SCIENCE
§ O que você poderá fazer
depois do curso?
§ Conteúdo programático
PREDITIVA ANALYTICS
§ Informações gerais
§ Quem somos
§ Professores
§ Diferenciais
§ Metodologia
§ Depoimentos
© FREEPIK
Ciência de dados
§ O que é?
§ Por que aprender?
§ Principais áreas e aplicações
Ciência de Dados
A área de Ciência de Dados engloba Matemática e Estatística
uma infinidade de assuntos e
conhecimentos. No entanto, é possível
resumi-lá como “a junção das técnicas Cálculo, Álgebra, Otimização, Estatística
de matemática, estatística e Descritiva, Probabilidades e Inferência.
computação com o conhecimento do
negócio” de forma a otimizar o
processo decisório das empresas ou
mesmo resolver problemas de qualquer Computação
espécie com o apoio dos dados.
Linguagens de programação, conceitos de
banco de dados relacionais e não relacionais,
ferramentas de Visualização de Dados.
Conhecimento do Negócio
1 Zetabyte = 1 MM de Petabytes
1 Petabyte = 1 MM de Gigabytes
© FREEPIK
* Fonte: https://www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf
O futuro é
da Automação e
Inteligência Artificial
“Entramos na era da Quarta
Revolução Industrial. O Fórum
Econômico Mundial sugere que
a automação irá eliminar 75
milhões de postos de
trabalhos, enquanto 133
milhões de novos empregos
com mais interação entre
homem e máquina serão
criados.”
* Fonte: http://www3.weforum.org/docs/WEF_Future_of_Jobs_2018.pdf
Empregabilidade
alta e duradoura
A profissão de Cientista de Dados foi
classificada como a PROFISSÃO MAIS
DESEJADA EM 2018*. Além disso, qualquer
profissional com habilidades em Dados
terá um futuro muito promissor.
Busca da palavra
“dados” no Linkedin
retornou 30 mil
oportunidades
abertas.
Atualização: Abr/21
* Fonte: https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century
A quantidade de aplicações de
Ciência de Dados é praticamente
infinita, confira algumas:
1 Data Analytics
2 Machine Learning
Processamento de
3
Linguagem Natural
4 Visão Computacional
1 Data Analytics
§ Cálculo de probabilidades de
ocorrência de algum evento. Ex:
Clientes mais propensos a comprar.
§ Detecção de SPAM
§ Carros autônomos
Tecnologia § Drones
§ Internet das Coisas
§ Compressão de arquivos
§ Robôs de autoatendimento
Atendimento § Maximização de NPS
§ Monitoria da Qualidade automática
§ Previsão de turnover de
colaboradores
RH
§ Qual o melhor candidato para uma
vaga?
§ Desenvolvimento de carros
autônomos
§ Check in automático em
estabelecimentos usando
reconhecimento facial
§ Câmeras inteligentes
Qual a única escola
100% focada no ensino de
Ciência de Dados e Analytics?
Nosso propósito é democratizar o uso de Ciência de
Dados para os mais diversos públicos, contribuindo
assim para a preparação dos profissionais para a
Somos a única escola 100% focada no ensino Economia 4.0 - nova revolução causada pela
de Ciência de Dados e Analytics Transformação Digital e Inteligência Artificial
Nossos professores titulares
Nem tudo é necessário dominar. Aqui na Preditiva o aluno aprende Após o curso, todo aluno recebe
Nossos conteúdos se concentram nas fazendo! Temos cases de várias áreas acompanhamento para colocar em
técnicas e conceitos que realmente de negócios prontos para desafiar os prática o que aprendeu. Nossa meta é
agregam valor à sua formação. alunos na busca da melhor solução. ajudar os alunos a desenvolver a carreira!
Customer
Success
Programa de Mentoria
Além do aluno poder tirar dúvidas e fazer consultas
com os professores da Preditiva através das aulas e
do Portal do Aluno, após o término do curso durante
6 meses o aluno também poderá agendar
encontros mensais de 1h30 com os professores.
Quizzes
Para complementar o ensino e deixar as aulas mais
dinâmicas, realizamos competições muito divertidas usando
ferramentas online. Você vai adorar a experiência!
Profissionais
destas empresas
confiam na
Preditiva
© FREEPIK
Inicie a trilha de conhecimento com o
Desenvolva modelos preditivos utilizando
Curso Data Science dados estruturados e não estruturados através
de técnicas de Processamento de Linguagem
Aprenda as técnicas e metodologias que estão
revolucionando os negócios
Natural (NLP) e Visão Computacional
O que você será capaz de fazer depois deste curso?
a) Álgebra Linear: Vetores, Matrizes e a) Estatística descritiva: Tabelas, Medidas a) Python para Ciência de Dados: Estruturas de dados:
suas principais operações. Strings, Listas, Tuplas, Set’s, Arrays e Dicionários;
resumo de posição e dispersão. Estruturas de controle: IF’s e Loops.; Definição de funções
b) Cálculo: Funções, Limites e Derivadas. b) Probabilidades e suas Distribuições: e classes. b) Overview das principais bibliotecas para
c) Técnicas de Otimização: Busca de Modelos discretos e contínuos. Data Science: Numpy, Pandas, Scikit-learn e Matplotlib,
mínimos e máximos de uma função c) Inferência estatística: Amostra, População, H20.ai entre outras. c) Outras ferramentas e linguagens
Linear e Não Linear. estimadores, Viés, Estimação, Testes de utilizadas. Ex: R, SQL, Knime, etc. d) Versionamento de
Hipóteses, Valor P. códigos: Overview sobre o Git e Github.
Conteúdo Programático - Data Science
Módulo 4 Módulo 5
Introdução à Data Science Aprendizado Supervisionado e
Exposição: Aulas ao vivo Semi Supervisionado
Exposição: Aulas ao vivo
a) O que é Data Science e quais suas principais aplicações?
b) Os tipos de profissionais de Dados: Analistas, Engenheiros e
Cientistas de Dados. a) Regressão Linear Simples e Múltipla
c) O que são modelos e para que servem? b) Séries Temporais e Forecasting
d) Diferenças entre modelos descritivos e preditivos c) Árvores de Decisão
e) O Processo de Aprendizado de Máquina: o método Gradient Descent d) Regressão Logística
f) Os tipos de modelagem: Métodos Supervisionados, Semi e) SVM (Support Vector Machines)
Supervisionados e Não Supervisionados. f) Naive Bayes; g) Redes Neurais Artificiais
g) Abordagem Clássica de Modelos (Inferencial) vs Abordagem h) Ensemble de modelos: Blending, Bagging (Random Forests),
Moderna de Modelos (Machine Learning) Boosting e Stacking
Conteúdo Programático - Data Science
Módulo 9
Módulo 10
Framework de Desenvolvimento
Projeto final (Capstone)
de Modelos Exposição: Aulas presenciais
Exposição: Aulas online
Desenvolvimento de um Data Product para as seguintes áreas:
a) Entendimento das necessidades de negócio
b) Planejamento Amostral e Noções de Planejamento de Experimentos – Mercado Financeiro: Modelos de Crédito, Seguros e Trading.
c) Governança de Dados ; d) Metodologia Ágil para Data Science: MV – Marketing e CRM: Segmentação de clientes, Recomendação de
(MPD) – Minimum Viable Model, Plataform e Data Product. Produtos, Cliente propenso à Compra.
e) Deploy de modelos: Deploy em Batch, Near Real Time, Real Time; – People Analytics e RH: Previsão de turnover de colaboradores e
Machine Learning at Scale: AWS, Google Cloud Plataform e Azure; melhor candidato para a vaga.
Construindo Pipelines de Modelos e suas API’s; f) Técnicas – Jurídico: Probabilidade de ganho de ações jurídicas.
de Acompanhamento de Modelos; g) Mensurando o valor que Data – Atendimento: Desenvolvimento de um Chatbot.
Science entrega para o negócio: Como vender seu modelo para a área – Tecnologia: Reconhecimento Facial.
cliente? Calculando os resultados financeiros das decisões usando
Data Science; h) Outras metodologias utilizadas. Ex: CRISP-DM.
Curso Data Science
Aprenda as técnicas e metodologias que estão revolucionando os negócios
Local
Aulas ao vivo via Zoom
(o conteúdo fica gravado e disponível de forma
vitalícia no Portal do Aluno)
Inscrições Abertas!
© FREEPIK
www.preditiva.ai
contato@preditiva.ai