DATA ANALYTICS
Índice
DATA ANALYTICS
A QUEM SE DESTINa
Profissionais que pretendem ingressar ou que já atuam na área de dados
e têm interesse em entender e criar análises robustas, gerando
indicadores para tomadas de decisão com ferramentas e frameworks
como Spark, BigQuery, PowerBI, Streamlit, amparados pela linguagem
Python e técnicas elementares de Machine e Deep Learning.​
OBJETIVO GERAL
Preparar os(as) estudantes para atuar como especialistas em Data
Analytics, com foco direcionado nas ferramentas de visualização
e criação de indicadores consistentes para as áreas de negócio
de uma empresa ou dentro de uma consultoria, podendo se
comunicar com todos os segmentos de dados, de Data Engineer
a Data Science.
1/2
OBJETIVOS ESPECíficos
Ampliar a formação de profissionais de Analytics com a utilização
de ferramentas tecnológicas modernas
Desenvolver habilidades relacionadas à obtenção e manipulação
de dados de maneira a permitir analisá-los e convertê-los em
informações valiosas para as organizações
Capacitar profissionais que utilizam dados para lidarem com
projetos e comunicarem resultados de forma clara, fornecendo as
ferramentas de gestão necessárias e os conhecimentos para o
entendimento amplo do projeto ou negócio.
PRÉ-REQUISITOS
Conhecimentos básicos em programação Python
Conhecimentos básicos em SQL
Conhecimentos básicos em estatística.
2/2
M AT R I Z C U R R I C U L A R
DISCIPLINA
CONTEÚDO PROGRAMÁTICO
CARGA HORÁRIA (h)
Aquisição e Leitura de Dados Reai
Primeiras visualizações de Dado
Análise
exploratória
Manipulação de Dado
34
Análise de gráficos e criação de
hipótese
Manipulação e interpretação de
gráficos
Tratamento, exploração e
visualização de dado
Proporcionalidade e Seabor
Visualização de dados
Ticks, escalas e formação de
image
34
Trabalhando Datetime e Mel
Manipulando dados e gerando
novas análise
Agrupando Dados e Analisando por
Categoria
1/6
Introdução à álgebra Linea
Vetores, Matrize
Operações com vetores e matrize
Matrizes especiai
Estatística e Algelin em Python
Equação fundamental da álgebra
Linea
10
Aplicação em Método dos mínimos
quadrado
Introdução à estatístic
Medidas de tendência centra
Distribuição norma
Desvio padrão e variância
Bibliotecas fundamentais e primeiros passos em M
Análise exploratória de Dados
(EDA
Machine
Learning com Python
Feature Engineerin
22
Avaliando o melhor modelo de Regressã
Limitações e os Modelos de Classificação
2/6
Modelos de Classificaçã
KNN e SV
Kmean
Machine
Learning
Avançado
Modelos Baseados em Árvore
32
Validação Cruzada e Pipeline no
Sklear
Classification report e métricas de
classificaçã
AUC score e ROC Curve
O problema de Time Serie
Utilizando datas como índic
Bibliotecas fundamentais em Time
Series Proble
Análise de séries
temporais
Análise exploratória de Dados
(EDA
32
Modelando e realizando o
Forecastin
Graficando com Plotly e as
limitações do ML frente ao
problema
3/6
Conhecendo o Spar
Operações Básicas no Spar
Consultas e Seleçõe
Operações entre Dataframes e
Armazenament
Framework de Big Data
Introdução aos Sistemas de
Recomendaçã
32
Recomendações com o Algoritmo
ALSQuebra de Controle de Acesso
Realização de consultas com
Bigquer
Disponibilização de bases de
dados na nuve
Bancos de
dados para Big Data
Interação com ferramentas
externa
Consultas e interação através de
Pytho
34
Manipulação de dados
geoespaciai
Graph Database & GraphQ
Clustering
4/6
Processos e formas de anális
Ligação com bancos de dado
Análise de negócios
Geração de insight
32
Técnicas de visualizaçã
Dashboards e storytelling
Tratando os dado
Criando a variável targe
Deploy de
aplicações
Machine Learning: Construindo a
Pipelin
32
Machine Learning: Escolhendo o
Melhor Model
Criando a aplicação
Perceptron de múltiplas camada
Redes convolucionai
Deep &
Reinforcement
Learning
Transferência de aprendizage
32
Redes recorrente
Redes não supervisionada
Gans
5/6
Web Scrappin
Mineração de texto
Dados Gerados
por Humanos
Análise de sentimento
34
Regex e modelos de linguage
Word embedding
Carga horária total: 360h
6/6
C R I T É R I O D E AVA L I A Ç Ã O
nota final:
+ Tech Challenge (0 a 60 pontos)
+ Hackathon (0 a 30 pontos)
+ Atividade Presencial* (0 a 10 pontos)
Total = 100 pontos
I
v
Para APROVAÇÃO, Nota Final ≥ 70 pontos
*a realização da Atividade Presencial é OBRIGATÓRIA (conforme Decreto nº 9057
de 25/05/2017, art.4º e Portaria Normativa 11 de 20/06/2017, art. 8º) e poderá
ser agendada pelo(a) estudante em qualquer um dos polos da FIAP. O prazo para
sua realização é de até 6 meses após o encerramento da Fase 5.
Dúvidas e informações?
atendimento.postech@fiap.com.br
(11) 98170-0028