Análise dos cursos de MBA em Data

Science focados em Machine e Deep

learning
1. Instituição: ESALQ/USP
Curso: Data Science e Analytics
Tipo: EAD
Linguagem de programação: lingugem R
Duração:18 meses
Valor R$: 18x590,00
Início das aulas:04/10/2022
Foco: Análise de dados focado em problemas do mundo da estatística
TCC: sim
Encontros ao vivo: Sim, às terças feiras das 19 às 23h

2. Instituição: Uniceub
Curso: Ciência de Dados e ML
Tipo: Presencial
Linguagem de programação: Phyton
Duração: 18 meses
Valor R$: 18 x 819,31
Início das aulas: 01/10/2022
Foco: Ciência de dados
TCC: Sim, com banca.
Encontros ao vivo: sim, presenciais, sábados de 8 às 18h.

3. Instituição: IBMEC
Curso: Inteligência Artificial
Tipo: EAD
Linguagem de programação: Phyton
Duração:
Valor R$:
Início das aulas:
Foco:
TCC:
Encontros ao vivo:

4. Instituição: PUCRS
Curso: Ciência de Dados e Inteligência artificial
Tipo: EAD
Linguagem de programação: Phyton
Duração:
Valor R$: 18 x 716,00
Início das aulas: 01/09/2022
Foco: Ciência de Dados
TCC: Sim, sem banca
Encontros ao vivo: ?

5. Instituição: XP Educação
Curso: Machine Learning
Tipo: EAD
Linguagem de programação: Linguagem R
Duração: 7 meses
Valor R$: 12 x 426,50
Início das aulas: Setembro
Foco: Desenvolver Modelos de Machine learning
TCC: Projeto aplicado a problemas reais
Encontros ao vivo: Sim
6. Instituição: ITI UFSCAR
Curso: ML e Big Data
Tipo: EAD
Linguagem de programação:
Duração: 18 meses
Valor R$: 18 x 944,44
Início das aulas: 2023
Foco: Engenharia de Dados
TCC: Sim, com banca
Encontros ao vivo: sim, quinzenais

R vs Python – Uma Análise

Desapaixonada
Texto retirado do site
https://www.flai.com.br/ricardo/r-vs-python-uma-analise-desapaixonada/
no dia 26/08/2022 às 13:31
Background Histórico
Python nasceu em 1994 pelas mãos de Guido von Rossum, a versão 2.0 veio nos
anos 2000 e a mais recente versão 3.0 chegou ao público em 2008. O nome da
linguagem nada tem a ver com a cobra de mesmo nome, mas sim com uma
homenagem do criador ao programa de TV “Monty Python”.

O R teve seu primeiro release em 1995, mas a versão 1.0 só veio em 2000. A versão
2.0 chegou em 2004 e a versão 3.0 veio em 2013. No final de abril desse ano (2020),
saiu a versão 4.0. Seu nome veio das iniciais de seus criadores, Ross Ihaka e Robert
Gentleman.

R sempre foi referência no campo da análise de dados. Python tomou a frente

aproximadamente em 2016/2017, conforme ilustra o gráfico abaixo
Veja que de um ano para o outro as posições de uso em R e Python praticamente se
inverteram, deixando Python na liderança.

Já em 2019, em nova pesquisa com mais de 1800 participantes realizada pelo

KDnuggets, vemos Python tomar uma dianteira mais aguda em relação ao R,
conforme podemos ver na seguinte figura

Em outra pesquisa, dessa vez realizada com quase 19000 participantes da plataforma
Kaggle, vemos Python com uma discrepância mais acentuada em relação as demais
linguagens, sendo utilizada por 83% dos usuários. A linguagem de banco de dados
SQL ficou em segundo lugar com 44% e R em terceiro, com 36% afirmando terem
utilizado em bases regulares. Veja as colocações das demais linguagens no gráfico
abaixo
Isso deixa bem evidenciado que a linguagem Python, apesar de qualquer coisa, é a
preferida pela maioria dos usuários hoje em dia. No entanto, isso não quer dizer que
uma linguagem é superior a outra ou vice-versa.

Para isso, vamos tentar explorar alguns argumentos mais objetivos.

O que Python faz que R não faz? O que R faz que Python não faz?
No que se refere ao conceitos básicos de Data Science, praticamente tudo que uma
linguagem pode fazer, a outra também pode. No entanto isso não significa que todos
os conceitos, de toda ciência produzida na área, estão bem implementados em
ambos.

Python, por ser uma linguagem de propósito geral, oferece mais ferramentas para criar
programas relacionados a Data Science com integração Web. Bibliotecas famosas
como Django e Flask são os grandes destaques nesse âmbito.

Em relação a Deep Learning, a maioria das funções são desenvolvidas primeiro em

Python. E, aliás, na minha opinião, essa é a grande razão pela qual o Python tomou a
dianteira em utilização em Ciência de Dados.

Grandes empresas, como a Google, produziram ferramentas como o Tensorflow, em

meados de 2015, e foi um grande diferencial para a comunidade. Essa biblioteca
permitiu a criação, experimentação e utilização de modelos de Deep Learning em
larga escala mundo afora.

Em contrapartida, a linguagem R foi feita com o propósito de resolver demandas

relacionadas a análise de dados. Em particular, para resolver problemas do mundo da
Estatística. E R é muito bom nisso. Tanto as funções do R-base, quanto as oferecidas
pelo framework Tidyverse, permitem ao usuário tratar, manipular e visualizar gráficos
de maneira muito fácil, direta e simples.

Algumas bibliotecas famosas do R ainda parecem não ter um dual muito próximo em
Python, que é o caso do pacote GAMLSS. Tal pacote permite o ajuste de modelos
tradicionais da estatística de forma bastante conveniente, com inúmeras distribuições
de probabilidades implementadas, até as mais raras.

Em resumo, em R você vai encontrar primeiro implementações de conceitos novos e

mais particulares do mundo da Estatística.

Em Python, você vai encontrar primeiro implementações mais novas do mundo de

Machine e Deep Learning.

Não que Machine Learning não seja uma área da Estatística, mas isso é polêmica
para outro dia.

E isso tudo implica que você vai encontrar uma comunidade maior trabalhando nesses
conceitos em que as linguagens se destacam, o que significa ter mais material de
apoio disponível.

Comparações
Na tabela abaixo, eu atribuo notas (mania de professor) a ambas linguagens em
relação a diversos quesitos. São notas subjetivas, baseado nas minhas experiências e
pesquisas em relação as linguagens.
Alguns comentários sobre a tabela acima:

Facilidade de aprendizado: na contramão de muitas referências, eu considero R mais

fácil para um leigo do que Python, apesar das duas serem realmente muito simples
para um programador de primeira viagem. R tem funções mais intuitivas e alguns
detalhes que não requerem maiores explicações, como o fato da indexação começar
no 1, utilizar intervalos fechados como default (python usa semi-abertos) e maior parte
das funções necessárias para análise de dados já pertencer ao R-base, não
necessitando instalação de bibliotecas.
Manipulação de dados: R é mais straight-forward, eu considero a sintaxe de
manipulação oferecida pelo pacote dplyr superior ao pandas do Python, apesar dessa
última ser uma biblioteca de excelente qualidade e muito completa.
Machine Learning: como já mencionado, esse é um dos pontos fortes do Python,
principalmente em Deep Learning.
Visualização de dados: empate técnico, Python tem o matplotlib que se contrasta com
os gráficos básicos do R e tem também o Seaborn, que produz gráficos tão bonitos
quanto o ggplot2, natural do R.
IDE’s: talvez a única coisa que eu sinta falta em Python é de uma IDE tão boa como o
RStudio é para o R. Spyder seria a mais próxima nessa questão e, pra mim, tem muito
o que evoluir pra chegar no que é o RStudio. Embora seja possível usar python no
RStudio, não é a mesma experiência.
Comunidade: de fato, há muito mais suporte de comunidade para Python do que para
R, no geral. Isso se dá por conta da própria popularidade do Python na área. Veja, por
exemplo, quantos notebooks em Python você vê no Kaggle em relação aos escritos
em R.
Velocidade: de acordo com pesquisas, Python tem ligeira vantagem no quesito
velocidade. Depende muito do cenário, do que se está fazendo e da maneira que foi
programada a atividade na comparação. Para todos os fins, o diferencial é mínimo.
Pra quem quer mais velocidade, terá que fugir de ambas linguagens.
Empregos: muito mais vagas pedem Python do que R hoje dia, pelo menos no Brasil.
Utilização comercial: Python possui licenças mais permissivas para implementação da
linguagem em produtos com fins comerciais do R.
Nuvem: a Google oferece o Google Colaboratory para se trabalhar em Python,
enquanto que o RStudio oferece o RStudio Cloud para se trabalhar com R. Ambas
ferramentas fantásticas e gratuitas. No entanto, o Colab oferece GPUs gratuitas
também, então por essa razão Python ganha nesse quesito. Há outras opções além
dessas, principalmente em Python. Aliás, mais recentemente descobri que agora
também já é possível utilizar R no Google Colab, basta acessar a partir desse link.
Conclusão
Não é atoa que Python tem tomado a dianteira no mundo da análise de dados, tanto
descritiva quanto preditiva. Seus avanços em pontos muito importantes como Machine
Learning, empregos e utilização comercial deixam claro que é uma linguagem
impossível de se ignorar nos dias de hoje. Eu diria que quem sabe R, precisa se
complementar e conhecer Python, no entanto, a reciproca não é verdadeira.

Se você está começando e já é íntimo com alguma linguagem de programação,

Python é o mais indicado para você. Se está começando, nunca programou na vida e
não tem problema nenhum em aprender mais de uma linguagem com o passar do
tempo, começar com R não é uma má escolha. Se tiver que escolher só uma, escolha
Python.

Pode-se dizer que Python é a linguagem em que se é falado Data Science hoje em
dia. Python está para o inglês assim como as demais linguagens de programação
estão para as demais linguagens faladas mundo afora.

No entanto, eu gostaria de frisar aqui que não se deve criar paixão por linguagem de
programação, isto é, paixão por ferramentas. Como pesquisador ou como analista de
dados em geral, nossa paixão deve ser pelos problemas. No dia em que R ou Python
não for a linguagem mais conveniente para resolver os seus problemas, esteja
preparados para descartá-los e aceitar os novos meios.

Quem foca numa linguagem, achando que vai resolver tudo utilizando somente ela,
está simplesmente abrindo mão de outras ferramentas que, dependendo do cenário,
podem ser mais adequadas. Seria como um construtor ter paixão por um martelo em
específico e se recusar utilizar outros. Já viu isso por ai?
Liberte sua mente. Quem já conhece uma das linguagens, eu garanto que, em umas
20 horas de estudo (meia semana, ou 2 dias bem aproveitados), consegue aprender
todo o básico referente a outra.

Por ser usuário de ambas linguagens, consigo extrair o melhor dos dois mundos.
Tenho scripts que muitas vezes utilizam ambas linguagens. E tenha em mente sempre
uma coisa: a melhor linguagem mesmo é aquela que resolve o seu problema, e
resolve de maneira plena e em tempo mínimo, seja esse tempo de implementação ou
de execução.

E para você? Qual é a melhor linguagem? Você tem um martelinho de estimação?

Quais vantagens você vê numa linguagem que não vê na outra? Você vive esse “Fla-
Flu” ou está livre pra utilizar o que bem entender quando precisar?

Material de apoio do Telegram

Curso Stack Academy completo
Livros sobre PHYTON
Formação Cientista de Dados DSA
Jornada Phyton Academy 2022

A XPE possui cursos com duração de 7 meses em Engenharia de dados, Ciência de

dados, análise de dados, BI, ML. Enquanto os outros MBA´s de outras instituições
oferece um curso com tudo junto em 18 meses. Além disso, a linguagem de
programação oferecida é R. Apesar de ser um curso com valor mais econômico o
conteúdo também é reduzido e especifico pra uma determinada área.
O MBA da ESALQ oferece uma expertise de uma escola centenária e vinculada a uma
instituição de nome internacional , USP, considerada uma das melhores universidades
da américa do sul. A linguagem oferecida é R.
A PUCRS oferece linguagem em Phyton, mais moderna e aceita na área de dados e
ML. Conta com corpo docente de peso entre professores de carreira e profissionais
como consultores da apple e amazon.
O MBA da ITI UFSCAR parece muito sólido. Porém, so haverá turmas para 2023 e
linguagem oferecia é R.
O UNICEUB é a única opção de curso presencial. Entretanto, os encontros acontecem
sábado de 8 às 18h. Não há gravação das aulas, portanto perder um dia de aula seria
quase impossível recuperar. A grande vantagem do curso presencial é a possibilidade
de Network.
Das instituições pesquisadas, a que mais se encaixa nas minhas necessidades é a
PUCRS. Apesar do valor um pouco maior do que a ESLQ , que seria minha segunda
opção, a primeira oferece linguagem Phyton. O corpo docente de ambas é
reconhecido como bastante qualificado. A metodologia usa dois professores por
disciplina, sendo um de carreira docente e outro um profissional da área no mercado
de trabalho, tanto na PUC quanto na ESALQ.
Sendo assim, o fator de desempate entre PUCRS e ESALQ é o uso da linguagem
Phyton pela primeira.
A XPE poderá ser utilizada como complementação futura, pois oferece cursos
específicos com análise de dados voltado para o mercado de ações.
O desconto da PUCRS vai até 31/08/2022.

Análise dos cursos de Phyton

Cursos de rateio do Telegram

A. Desenvolvedor Full Stack Python - EBAC

Curso completo para de operar em todas as etapas de desenvolvimento de um
projeto, de interfaces até criação de funcionalidades internas.

B. Pack Alura - Formação Python Completa

Videos tipo cursos hotmart gravados no quarto.

Não possui exercícios.

C. Python PRO - Renzo Nuccitelli

Aprender phyton construindo o jogo Angry birds.

D. Python Profissional na Prática

Curso geral de phyton.

E. Python para Finanças Investimentos & Análise de Dados

Curso mais focado em finanças e investimentos.

F. Python Impressionador (Atualizado) - Hashtag Treinamentos

Curso extenso e bastante completo.