Linguagem de programação aplicada
Este curso inclui
- Carga Horária: 40 horas
- Acesso ao curso por 6 meses
- Modalidade: Online
- Material PDF
- Certificado de conclusão de curso
De R$ 672,00 por
R$ 120,96
Garantia de devolução do dinheiro em 30 dias
Sobre o curso
Este curso é parte integrante do programa de Pós-Graduação em Data Science & Analytics (Ciência de Dados), mas agora você tem a oportunidade de explorá-lo de maneira independente como um curso livre.
Esse curso abrange os fundamentos da linguagem de programação das diversas ferramentas como Python, Jupyter Notebook, Google Colab, Numpy, Matplotlib, Pandas e SciPy. Apresentar os comandos “for”, “while”, “if‑else” e as operações matemáticas com Python. Compreender a criação de classes e objetos, de métodos de leitura e gravação de arquivos.
Conteúdo do curso
Breve apresentação da linguagem Python e seus benefícios para Data Science. Conceitos básicos de programação: variáveis, tipos de dados, estruturas de controle e funções.
Introdução à biblioteca Pandas para manipulação e análise de dados. Carregamento, exploração e limpeza de conjuntos de dados utilizando Pandas.
Utilização da biblioteca Matplotlib para criar visualizações gráficas de dados. Plotagem de gráficos de linhas, barras, dispersão e histogramas.
Conceitos básicos de regressão linear e sua aplicação em Data Science. Implementação de regressão linear simples e múltipla usando a biblioteca Scikit-Learn.
Introdução à regressão logística como uma técnica de classificação. Aplicação de regressão logística em problemas de classificação binária usando Scikit-Learn.
Conceitos fundamentais de árvores de decisão e seu uso em problemas de classificação. Implementação de árvores de decisão para classificação de dados com Scikit-Learn.
Apresentação do algoritmo Random Forest como uma extensão das árvores de decisão. Utilização do Random Forest para classificação de dados com Scikit-Learn.
Introdução ao algoritmo de clusterização K-means. Agrupamento de dados utilizando K-means com Scikit-Learn.
Noções básicas sobre redes neurais artificiais e sua aplicação em problemas de classificação. Implementação de uma rede neural artificial simples usando a biblioteca TensorFlow.
Conceitos de avaliação de modelos e métricas de desempenho. Utilização de métricas como precisão, recall e F1-score para avaliar modelos de classificação.
Explicação do conceito de validação cruzada para avaliar o desempenho do modelo. Identificação e prevenção do overfitting em modelos de aprendizado de máquina. Utilização de Numpy para suporte às operações matemáticas e manipulação de dados.
Introdução à análise de séries temporais e seu uso em Data Science. Manipulação e visualização de séries temporais com Pandas. Aplicação de técnicas de previsão e decomposição de séries temporais usando bibliotecas como statsmodels ou Prophet.
De R$ 672,00 por
R$ 120,96
Este curso inclui:
- Carga Horária: 40 horas
- Acesso ao curso por 6 meses
- Modalidade: Online
- Material PDF
- Certificado de conclusão de curso