Técnicas e Algoritmos em Ciência de Dados

Introdução: IA, Aprendizado de Máquina, Ciência de Dados; Problemas de classificação e regressão; Métodos para avaliar o desempenho de generalização; Regressão linear; Modelos lineares regularizados; Regressão logística; Redes neurais; Árvores de decisão; Ensemble learning e florestas aleatórias; Técnicas de aprendizagem não supervisionadas, Clustering; Técnicas para redução de dimensionalidade. Ferramentas para Computação Científica e Ciência de Dados: numpy, pandas, scikit-learn. Em geral, implementação dos algoritmos acima em python.

Informações Básicas

Carga horária
60
Pré-requisito
Introdução à Ciência de Dados, Linguagens de Programação, Análise Exploratória de Dados e Visualização

Obrigatória: 

  • Provost Foster,‎ Fawcett Tom. Data Science para Negócios. O que Você Precisa Saber Sobre Mineração de Dados e Pensamento Analítico de Dados. 2016.
  • Wes McKinney. Python for Data Analysis O'Reilly Media.
  • Dean Abbott. Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst

Complementar: 

 

Baixe o Plano de Ensino