🚀 Transforme sua carreira com uma das áreas mais promissoras da tecnologia!
Saiba mais
Preencha com seus dados e efetue a sua inscrição
Por que se tornar um Cientista de Dados?
Ciência de dados é o coração da inovação!
As Empresas são sedentas por profissionais que sabem analisar, interpretar e transformar dados em estratégias de negócios. Se você quer fazer parte da revolução tecnológica, essa é a sua chance!
Detalhes da Formação:
📅 Início: 11 de fevereiro de 2025
🗓 Aulas: Terças e quintas, das 19h às 22h
ou
📅 Início: 8 de março de 2025
🗓 Aulas: sábados, das 8:30h às 17h
Público Alvo
Iniciantes: Pessoas que estão começando na programação e querem construir uma base sólida.
Estudantes Universitários: Alunos de cursos de tecnologia que sentem falta de aulas práticas e querem reforçar sua compreensão de lógica.
Profissionais em Transição: Aqueles que estão mudando de carreira e precisam de um ponto de partida na programação.
Investimento total do curso
R$ 3.500,00
Podendo parcelar das seguintes formas:
1 + 9 de R$350,00 no boleto
ou
12 x 361,99 no cartão de crédito
Carga horária
213 horas aula
10 meses de duração
Acesso a Comunidade VIP
Ao se inscrever no nosso curso, você se tornará parte de uma comunidade vibrante de futuros programadores e profissionais da área de tecnologia. As oportunidades de networking e colaboração são imensas, ajudando você a crescer e se desenvolver ainda mais.
Pré Requisitos
Saber informática básica e ser maior de 13 anos.
Sobre os instrutores
Rogério Aguiar
Professor e Consultor na Treina Recife, graduado em matemática, Pós-graduação em Tecnologia da Informação, mestre em Administração Pública, Especialista em Planejamento Estratégico e na Gestão da TIC, Professor Universitário de Cursos de Graduação ministrando a disciplina Lógica de Programação e Pós-Graduação em diversas Faculdade e Universidades em Pernambuco.
Luiz Fernando Calábria
Professor e Consultor da Treina Recife, Bacharel em Sistemas de Informação, MBA em Inteligência de Negócios – Business Intelligence e MBA em Tecnologia para Negócios: AI, Data Science e Big Data e Mestrando em Informática Aplicada.
Rebeca Valgueiro Teixeira
Professora e Consultora da Treina Recife, Bacharel em Engenharia Civil, MBA em Gestão Empresarial, Analista de Gerenciamento de Projetos PL na empresa SiDi.
Conteúdo do Curso
Módulo 01 – Lógica de Programação com Python
Objetivo: Capacitar os participantes a entenderem e aplicar os conceitos de lógica de programação com Python, desenvolvendo habilidades de resolução de problemas com foco em ciência de dados.
Conteúdo (48h):
Introdução a Ciência de Dados
o Definição de ciência de dados
o Áreas de conhecimento
o Importância da ciência de dados
o Novas carreiras em dados
o Aprendizado de máquina
o Processamento de linguagem natural
o Visão computacional
· Instalação e apresentação da plataforma Anaconda
· Conceitos de programação
· Tipos de dados
· Operações numéricas
· Trabalhando com String
· Estruturas de dados
· Estruturas condicionais
· Estruturas de repetição
· Funções
Módulo 02 – Estatística para Ciência de Dados
Objetivo: Capacitar os participantes a compreenderem e aplicar conceitos fundamentais de estatística para análise de dados, utilizando técnicas estatísticas como base para modelos e insights em projetos de ciência de dados.
Conteúdo (30h):
· Importância da estatística na ciência de dados.
· Diferença entre estatística descritiva e inferencial.
· Variáveis categóricas e numéricas.
· Escalas de medida: nominal, ordinal, intervalar e razão.
· Média, mediana e moda.
· Variância, desvio padrão, amplitude interquartil.
· Detecção de outliers e análise de sua influência.
· Histogramas, box plots, gráficos de dispersão e barras.
· Importância da visualização na análise descritiva.
· Conceitos básicos de probabilidade
· Definição e axiomas da probabilidade.
· Eventos, espaço amostral, probabilidade condicional e regra da multiplicação.
· Distribuições de probabilidade
· Distribuição Normal
· Tipos de amostragem: aleatória simples, estratificada e sistemática.
· Erro amostral e viés.
· Teorema Central do Limite e sua importância.
· Distribuição da média amostral.
· Intervalos de confiança
· Teste de hipóteses:
· Correlação entre variáveis
· Introdução à Regressão linear
· Introdução à regressão logística
· Análise de variância (ANOVA)
· Teste de hipóteses para variáveis categóricas
Módulo 03 – Introdução a Banco de Dados e SQL com MySQL
Objetivo: Capacitar os participantes a desenvolverem uma base sólida em modelagem de dados relacionais e executar consultas SQL para criação, manipulação e análise de dados, aplicando boas práticas para projetar bancos de dados eficientes e bem estruturados.
Conteúdo (18h):
• Sublinguagem DDL
• Sublinguagem DQL
• Sublinguagem DML
Módulo 04 – Python Aplicado para Ciência de Dados
Objetivo: Capacitar os participantes a aplicarem Python para a coleta e limpeza dos dados e análise exploratória dos dados, utilizando bibliotecas essenciais para manipulação, visualização e estatística.
Conteúdo (24h):
• Orientação a objetos
• Matemática com arrays e matrizes com a biblioteca Numpy
• Tratamento de dados com a biblioteca Pandas
• Geração de gráficos com Matplotlib e Seaborn
Módulo 05 – Visualização de Dados com PowerBI
Objetivo: Capacitar os participantes a utilizar o Power BI para criação de dashboards e relatórios interativos, transformando dados brutos em visualizações eficazes e insights valiosos para tomada de decisão.
Conteúdo (24h):
• Intelligence com o MS Power BI
• Infraestrutura e Instalação
• Modelagem e Relacionamentos
• Power Query, ETL, Séries temporais, Agregação e Filtros
• Visualização de dados com Gráficos e Mapas
• Valores Calculados com DAX
• Rodando Python internamente
• Dashboards
Módulo 06 – IA
Objetivo: Capacitar os alunos a compreenderem e aplicar os principais conceitos e técnicas de aprendizado de máquina para desenvolver e avaliar modelos preditivos em diferentes contextos.
Conteúdo (57h):
• Tipos de aprendizado: supervisionado, não supervisionado e semi-supervisionado
• Normalização, padronização e codificação de variáveis categóricas
• Teorema de Bayes e aplicações em ciência de dados
• Modelos de aprendizado supervisionado:
o Regressão linear, regressão logística, k-NN, árvore de decisão, SVM.
o Técnicas de avaliação: validação cruzada, métricas de desempenho (MSE, MAE, AUC).
• Aprendizado não supervisionado:
o Análise de cluster (K-means, DBSCAN).
o PCA e redução de dimensionalidade.
• Introdução a Deep Learning e Rede Convolucionais
Módulo 07 – Git e GitHUB
Módulo 08 – Métodos Agéis
Por que começar agora?
Quanto mais você adia, mais longe fica seus objetivos.
Garanta sua vaga e comece a construir