3° Edição

Estimativa: 8h

• Entenda as funções das bibliotecas e pacotes na linguagem Python
• Conheça as built-in functions e suas utilidades
• Crie funções personalizadas
• Trabalhe com estruturas de dados compostas e aninhadas
• Construa listas e dicionários seguindo padrões por meio de list e dict comprehension
• Diferencie os tipos de erros e exceções em códigos Python
• Trate erros e comportamentos indesejados em seu código

Estimativa: 8h

• Aprenda fazer visualizações com o Matplotlib.
• Entenda o funcionamento de figuras e eixos do Matplotlib.
• Customize suas visualizações com diferentes cores, estilos, anotações, etc.
• Visualize diversos tipos de dados diferentes como séries temporais e
• dados categóricos.
• Tenha visualizações de dados possam fornecer assertividades para
• tomada de decisão baseada em dados.

Data Science: analise e visualização de dados

Estimativa: 6h

• Entre na área de ciência de dados (data science)
• Explore dados com exploratory data analysis
• Conheça os tipos de variáveis
• Entenda o papel de visualizações como histogramas e boxplots
• Entenda a importância e dê os primeiros passos em visualizações
• Utilize medidas de resumo
• Explore seus dados em Python com Pandas, Matplotlib e Seaborn

Data Science: análise de series temporais

Estimativa: 6h

• Aprenda as principais técnicas de análise de Séries temporais
• Entenda na prática quais os principais elementos presentes nas time series
• Saiba como aplicar a função de autocorrelação nos seus dados
• Aplique a média móvel para normalizar seus dados
• Desenvolva seus conhecimentos em Pandas, Seaborn e Matplotilib

Estimativa: 10h

• Entenda estatística e os números que você lida
• Descubra a diferença entre média, mediana e moda na prática
• Aprenda os tipos de dados e classifique-os
• Saiba o que é a distribuição de frequência
• Conheça a variância e o desvio padrão

Estimativa: 10h

• Entenda as distribuiçōes de binomial, poisson e normal
• Saiba o que o nível e intervalo de confiança
• Conheça técnicas de amostragem
• Calcule o tamanho da amostra

Estimativa: 12h

• Utilize visualizações para entender a distribuição de seus dados
• Descubra a diferença entre variáveis dependentes e explicativas em dados
• Aprenda a separar dados de treino e teste
• Modele com regressões lineares
• Entenda os erros em função dos resíduos e métricas
• Compare e salve os melhores modelos

Regressão Linear: técnicas avançadas de modelagem

Estimativa: 5h

• Aplique transformações antes de treinar seus modelos
• Aplique regressões com Statsmodel e Sklearn
• Aprenda técnicas Avançadas de Modelagem
• Obtenha previsões pontuais
• Interprete coeficientes estimados
• Efetue análises gráficas dos resultados encontrados

Data Science: testes estatísticos com Python

Estimativa: 6h

• Visualize a distribuição de dados coletados
• Levante perguntas e hipóteses
• Responda as hipóteses usando testes
• Crie intervalos de confiança para suas amostras
• Compare dois grupos de amostras
• Utilize Python para executar testes estatísticos
• Responda perguntas de maneira formal, não só exploratória

Estimativa: 10h

• Entenda como os sistemas de recomendação de músicas funcionam
• Conheça e use métodos de machine learning não supervisionada
• Saiba quais são os critérios e características das músicas são utilizadas para a recomendação
• Realize a criação de um recomendador de músicas e conecte com a API do Spotify
• Conheça a API do Spotify mais a fundo com a biblioteca Spotify

Estimativa: 8h

• Identifique fraudes em cartões de crédito utilizando uma árvore de
• decisão
• Entenda como funcionam as árvores de decisão
• Crie diversos modelos de Machine Learning com o scikit-learn
• Aprenda sobre as técnicas Bagging e Boosting
• Explore o famoso algoritmo Random Forest por debaixo dos panos
• Conheça o algoritmo AdaBoost em detalhes

Estimativa: 10h

• Finalize o projeto prático, polindo todos os aspectos para garantir uma entrega de alta qualidade.
• Coordene com seu grupo para integrar e harmonizar as partes do projeto, garantindo coesão e consistência.
• Conduza uma análise colaborativa de todo o trabalho, identificando e corrigindo quaisquer lacunas ou inconsistências.
• Aperfeiçoe as visualizações de dados e a narrativa do projeto, assegurando que a comunicação dos resultados seja clara e eficaz.
• Preparem juntos uma apresentação final dinâmica e persuasiva, que destaque a colaboração e os pontos fortes do grupo.
• Organizem uma sessão de ensaio para aprimorar a apresentação, dividindo papéis e responsabilidades de forma equilibrada.
• Revisem e finalizem a documentação do projeto, incluindo todos os códigos, análises e materiais de suporte.
• Reflitam em equipe sobre o processo de colaboração, destacando aprendizados e desafios superados durante o desenvolvimento do projeto.