fbpx

Academy Space

MAIS SOBRE A PÓS-GRADUAÇÃO COMPACTA

FUNDAMENTOS, PRINCÍPIOS E APLICAÇÕES EM DATA SCIENCE E MACHINE LEARNING

Gerenciar e analisar grandes quantidade de dados, o que chamamos de Big Data, tornou-se uma parte essencial das finanças, varejo, marketing, ciências sociais, desenvolvimento e pesquisa, medicina , governo modernos e qualquer área científica.

Essa pós compacta que a Academy Space está oferecendo apresentará os principais conceitos de Data Science e de Machine Learning para que você possa estar preparado tanto para cursos mais avançados como também para se destacar na sua atividade profissional.

Ele se concentra nas habilidades básicas de matemática, estatística e programação necessárias para tarefas típicas usadas atualmente para realizar uma completa análise de dados.

Será apresentada uma revisão da parte matemática e da parte estatística fundamental para o aprendizado de técnicas mais avançadas, além de álgebra linear que está no coração dessas análises.

Os conceitos de machine learning, deep learning, agrupamento de dados, categorização, redução de dimensionalidade, redes neurais, processamento de imagens e de sinais serão apresentados e exemplificados durante o curso. Códigos de programação onde esses conceitos são aplicados também serão apresentados e usando dados reais para exemplificar de forma prática o conceito.

 

pós-graduação em astronomia

Programa da Pós-Compacta em Data Science e Machine Learning

360 horas de c com Prof. Sérgio Sacani. Clique em cada disciplina para ver o conteúdo

1.1. INTRODUÇÃO AO DATA SCIENCE
1.2. O QUE É DADO
1.3. EXEMPLOS DE DADOS
1.4. TIPOS DE DADOS
1.5. Data Mining

2.1. Revisão de estatística básica
2.2. Média, mediana, desvio padrão,
2.3. Probabilidade revisão
2.4. Probabilidade discreta e probabilidade contínua
2.5. Variáveis aleatórias
2.6. Amostragem
2.7. Distribuições

3.1. Revisão de Álgebra Linear
3.2. Matriz, vetores
3.3. Cálculos com matriz e vetores

4.1. Introdução
4.2. Técnicas de redução de dimensionalidade, Análise de componentes Principais
4.3. Regressão linear
4.4. Técnicas de agrupamentos e classificação
4.5. Exemplos de redução de dimensionalidade

5.1. Introdução
5.2. O que é inteligência artificial, tip[os de inteligência artificial
5.3. Machine Learning vs Inteligência Arttificial
5.4. Métodos supervisionados
5.5. Métodos não supervisionados
5.6. K-Means

6.1. O que são redes neurais
6.2. Deep learning vs Machine Learning
6.3. Método do gradiente
6.4. Back Propagation
6.5. Redes Neurais convolucionais

7.1. Introdução ao Python e bibliotecas
7.2. Exemplos de códigos
7.3. Lógica de programação

8.1. Preparação dos dados
8.2. Filtros – FFT e Transformada Wavelet
8.3. Segmentação dos dados
8.4. Machine Learning e Deep Learning em dados 1D, 2D, 3D e 4D

INSCRIÇÕES ENCERRADAS

Receba por Email quando abrirmos uma nova turma!

Cadastre seu email em nossa lista de espera e seja o primeiro a saber quando abrirmos uma nova turma da Pós-Graduação

Por favor, coloque seu melhor email no campo abaixo:
×

Hello!

Click one of our contacts below to chat on WhatsApp

× Como posso te ajudar?