fbpx

Data Science Analytics: transformando negócios

*As informações podem sofrer alterações sem aviso prévio.

392 horas

Segundas e Quartas

Das 19h às 23h

Março 2020 à Maio 2021

Curso Presencial

R. Santa Justina, 352 – conj. 82

Público Alvo

Profissionais de Diversas Áreas

Estatísticos, Engenheiros da Computação, Matemáticos, Advogados, Economistas, Administradores de empresas, Físicos, Químicos, Médicos entre outros que desejam realmente entender e se aprofundar, sendo capazes de realizar Ciência de Dados.

Profissionais de Marketing

que já perceberam que são os dados os grandes direcionadores para estratégias eficientes de relacionamento com o cliente.

Cientistas e Programadores

em busca de técnicas mais sofisticadas para realizar suas análises de dados.

Empreendedores

que queiram aprimorar seus negócios com base em dados e estratégias analíticas.

Processo Seletivo

Primeira Etapa

Preencher o formulário de inscrição.

Segunda Etapa

Após a inscrição, uma entrevista será agendada presencialmente ou online com a coordenação.

Terceira Etapa

Após aprovação, você poderá assinar o contrato e fechar a forma de pagamento.

Diretrizes: compromisso com o melhor desempenho

O curso se estrutura em torno de um desafio e de uma proposta de ação – não é apenas um conjunto de conteúdos. A proposta do curso se ancora na visão de que um Cientista de Dados não é o indivíduo que sabe alguma linguagem de programação, mas sim o indivíduo que realmente entende o contexto, que visualiza a aplicação do que será desenvolvido, para depois entrar em ação. Para tanto, o curso é pautado em teoria fundamentada à aplicação de problemas reais, com professores que aplicam ciência de dados no dia a dia.

Veja uma Breve Descrição de Cada Disciplina

  • Estatística descritiva
  • Distribuições
  • Teorema do Limite Central
  • Teste de Hipótese
  • Conceitos
  • Programação
  • Bancos de dados
  • Big Data
  • O que é
  • Principais serviços
  • Amazon - AWS
  • Microsoft Azure
  • Google Cloud Platform - GCP
  • Consultas SQL básicas
  • Consultas SQL avançadas
  • Modificação de dados
  • Introdução ao R
  • Ambientação ao R e ao RStudio
  • Importação de bases para dentro do R
  • Manipulação de bases de dados
  • Acesso a bases de dados remotas
  • Conceitos Básicos
  • Estruturas de controle de fluxo e bibliotecas
  • Bibliotecas para manipulação de dados
  • Conexão com banco de dados
  • Modelo de Regressão Linear Simples e Múltipla
  • Método dos Mínimos Quadrados
  • Método de Seleção de Variáveis
  • Multicolinearidades
  • Métodos de generalização
  • Interpretação e Tunagem
  • Métricas de Qualidade de Ajuste
  • Modelo de Regressão Logística Simples e Múltipla
  • Método de Seleção de Variáveis
  • Métodos de Generalização
  • Interpretação e Tunagem
  • Métricas de Qualidade de Ajuste
  • Cargas Fatoriais
  • Comunalidades
  • Especificidades
  • Rotações
  • Seleção de Fatores
  • Escores
  • Comentários Teóricos (Geometria)
  • Decomposição Espectral (Álgebra)
  • Seleção do Número de Componentes
  • Independência ou Não-Correlação
  • Visualização da Variabilidade
  • Árvore de Regressão e Classificação
  • Método de Seleção de Variáveis
  • Métodos de Generalização
  • Interpretação e Tunagem
  • Métricas de Qualidade de Ajuste
  • História
  • Vantagens e Desvantagens
  • Linear Perceptron
  • Mutlilayer Perceptron
  • Aprendizado: Early stopping, L1 e L2 regularization e Dropout
  • CNN – Convolution Neural Network
  • RNN – Recurrent Neural Network
  • Linhas, Planos, Hiperplanos e Superfície de Decisão
  • Multiplicadores de Lagrange
  • Otimização Lagrangiana
  • Programação Quadrática
  • Kernel Linear, Polinomial, Gaussiano e Laplaciano
  • Interpretação e Tunagem
  • Junção dos Conceitos de Experimentação e Modelagem
  • Criação de Grupo Controle e Grupo de Ação
  • IRM ou UpLift Models
  • Para que Serve um Modelo?
  • Métricas de Seleção
  • Como Trazer Valor?
  • Cenários de Monetização
  • Risco de crédito e Gerenciamento de Portfólio
  • Basiléia uma Breve Historia
  • Visão Regulatória - RWA e Índices
  • IFRS 9 - Breve overview
  • Entendendo informações de Risco nas "Relações com Investidores"
  • Taxas de default e Variáveis mais utilizadas
  • Tipos de ponderação e suas diferenças
  • Word Cloud em R e Python
  • Criando o BOW
  • Problemas com matrizes esparsas
  • Como calcular a esparcidade
  • Reduzindo a dimensionalidade
  • Visão teórica do SVD
  • Dados Transacionais X Serie de Tempo
  • Componentes das Séries Temporais
  • Lag function, Autocorrelação e Ruído branco
  • Random walk
  • “Médias Móveis” Simples e Ponderadas
  • Modelos de Regressão
  • Alisamento Exponencial
  • Modelos: AR, MA, ARMA, ARIMA, ARIMAX, SARIMA, SARIMAX
  • Métricas de Qualidade de Ajuste
  • Holdout
  • Modelagem de Problemas de Otimização Linear.
  • Representação Gráfica e Solução Gráfica para Otimização Linear: Pontos Extremos, Vértices e Soluções Viáveis Básicas.
  • Otimalidade de pontos extremos
  • Simplex: Primal e Dual (Lagrange)
  • Problemas no formato padrão e o método Simplex Dual.
  • Análise de eficiência
  • Cluster Hierárquico
  • Cluster Não hierárquico
  • Premissas e capacidades
  • Tipos de Dados Geográficos
  • Estruturas de Dados Geográficos
  • Georeferenciamento de Dados
  • Manipulação de Dados Vetoriais
  • Consultas por Atributos e Consultas Espaciais
  • Operações Espaciais
  • Mapas Temáticos
  • Introdução ao SNA
  • Conceitos do SNA
  • Aplicações
  • Métricas de Centralidade
  • Modularidade
  • Introdução ao BI
  • Modelagem e Arquitetura de Dados
  • Preparação de Dados e Visualização
  • Visualização de Dados Básica
  • Técnicas de visualização
  • O Futuro do BI
  • Introdução à WebApp
  • Introdução à PaaS (GCP AppEngine)
  • Introdução à HTML
  • Introdução à Front End
  • Introdução à APIs
  • Visual Studio Code
  • Criação de pacote Python
  • Microframework Flask
  • Criação da API
  • Criação da interface

Trabalho de Conclusão de Curso

O trabalho de conclusão do Data Science Analytics é estruturado a partir de problemas reais dos alunos. Trata-se de um esforço de aplicação dos conhecimentos multidisciplinares desenvolvidos ao longo do curso, levando os concluintes a aprofundarem o diagnóstico do problema em foco e elaborarem alternativas de solução viáveis e exequíveis. Sendo ainda um case de aplicação para o portfólio do aluno.



Professores

Qualificados

Data Science Analytics conta com 10 professores, mestres e doutores que combinam excelência acadêmica e atuação em empresas.

Todos os professores do Data Science Analytics tem ativa atuação na resolução de problemas baseada em dados, ocupando cargos de liderança em empresas renomadas.

Conheça nossos professores

Dúvidas Frequentes

O valor total do curso é de R$ 22.347,33, podendo ser pago em:
14 parcelas de R$ 1.596,24
7 parcelas de R$ 3.032,85 (5% de desconto)
À vista R$ 20.112,60 (10% de desconto)
Não é necessário conhecimento prévio. No curso Data Science Analytics você irá se desenvolver em todas as fases de análise de dados. No entanto é importante ter conhecimento básico de cálculo e álgebra.
Sim. ASN.Rocks tem uma preocupação imensa em garantir a evolução de seus alunos. Sendo assim, é muito importante que o número de alunos seja limitado para que os professores consigam atuar de forma personalizada. São apenas 17 vagas.
Sim. Você deve se inscrever respondendo o questionário do site, em seguida será agendada uma entrevista (presencial ou online) para que ambos os lados (escola e aluno) se conheçam.Nessa entrevista será medido a disposição e tempo para dedicação durante o curso. Somente os alunos aprovados poderão realizar a inscrição.
Todas as aulas são de caráter expositivo, com interação do aluno durante todo o tempo. Seguimos a filosofia de que o “aprender fazendo” fortalece nossos instintos de resolução de problemas, permitindo que a criatividade e inteligência humana aflorem.
Sim, é de responsabilidade do aluno utilizar seu computador pessoal durante todo o curso. Será necessário a utilização de softwares open sources (R e Python) durante todo o curso. Recursos de nuvem também serão utilizados.
Todo tema em ascensão é explorado ao extremo e isso é muito bom. No entanto, muita incoerência está sendo oferecida e algumas inverdades estão sendo propagadas, como por exemplo que, saber programar em R ou Python já o torna um cientista de dados.
ASN.Rocks entende que ciência de dados vai muito além que uma linguagem de programação. Criamos esse curso com o objetivo de melhorar o perfil dos profissionais, dando a capacidade de entendimento profundo das técnicas, além de trabalhar o instinto analítico. Nenhum algoritmo é criado sem propósito, sendo assim ASN.Rocks entende que é necessário trabalhar o lado humano durante o processo de ciência de dados.

O curso Data Science Analytics nasceu com o objetivo de treinar a criticidade, aguçar a curiosidade, exercer a inteligência humana junto com a criatividade. Trazendo em suas aulas o lado técnico e teórico das técnicas estatísticas, seus limites, suas capacidades e a potencialização disso junto com a capacidade da computação e codificação, não deixando de lado a experiência de negócios, resolvendo problemas da vida real.
Várias ferramentas/linguagens serão comentadas/discutidas durante o curso, no entanto, o curso será desenvolvido em R e em Python. Duas linguagens de programação muito importantes na área.
Ciência de dados é a junção de matemática, estatística, computação, programação e “feeling” de negócio. Todos esses andam juntos para que a ciência de dados realmente aconteça. Se você não se sente preparado em algum desses tópicos, o curso irá te agregar valor.
O propósito do curso é abrir a mente do aluno para novas possibilidades e trabalhar o lado de construção de produto, que vai desde o entendimento da necessidade, criação da estratégia de dados, estratégia analítica, estratégia de aplicação e consumo.A ideia é capacitar o aluno a escolher qual dos caminhos percorrer, garantindo a entrega dos projetos que irá atuar.
Sim, todo o curso acontecerá às segundas e quartas-feiras presencialmente na sede da ASN.Rocks .
O curso tem 392 horas de aula, com 64 horas de dedicação para o trabalho de conclusão de curso. O curso é extenso, trabalhoso e exige o dobro de tempo em dedicação fora da sala de aula. Para um curso bem feito, estima-se 16 horas semanais de dedicação, sendo 8 horas presenciais e 8 horas de estudos.
Se o aluno tiver a frequência mínima exigida (75% por disciplina) mais nota acima de 6, um certificado de conclusão de curso será emitido e entregue no encerramento.
Lembrando que ASN.Rocks não é reconhecida pelo MEC, ou seja, o certificado não é válido como uma pós graduação.