Pós-Graduação em Data Science

Chat

A quantidade de dados gerados pelas organizações tem vindo a crescer e consequentemente a necessidade de pessoas especializadas capazes de retirar valor desses dados. Quando devidamente explorados, permitem suportar decisões estratégicas para o negócio, criação de novos produtos, oferta de serviços mais personalizados entre muito outras potencialidades.  Data Science é por isso uma área transversal a todos o tipos de organizações e a todos os sectores, sendo o seu valor reconhecido pelas vantagens competitivas que potencia.

A Pós-Graduação em Data Science destina-se a todos aqueles que pretendam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para retirar o máximo valor dos dados, dando uma visão detalhada, teórica e prática, de conceitos e metodologias.

O programa do ciclo de estudos de Pós-Graduação em Data Science (PGDS) é composta por dois ciclos de especialização, Especialização Data Science Manager e Especialização Data Science Researcher que no seu conjunto permitem aos alunos ficarem com uma visão alargada e detalhada dos conceitos e metodologias subjacentes à área de Data Science.

A Especialização Data Science Manager fornece aos alunos os principais conceitos e ferramentas usadas pelos Data Scientists e os princípios de constituição e orientação de equipas de Data Science para que o resultado do trabalho destas seja bem sucedido. A Especialização Data Science Researcher oferece uma forte base dos princípios necessários para o desenvolvimento de um projeto de Data Science com práticas de aplicação a projetos reais.

Os alunos que concluam o curso com sucesso ficam habilitados a proceder à criação e gestão de equipas de Data Science na organização, a estruturar projetos de Data Science, serem capazes de identificar oportunidades para uso de Data Science dentro das organizações, saberem extrair, processar e explorar dados aplicando métodos estatísticos para retirar mais informação dos dados e serem capazes de criar modelos descritivos e preditivos.

Os alunos vão adquirir na PGDS amplos conhecimentos, teóricos e práticos, para exercer uma carreira que é altamente procurada e valorizada no mercado nacional e internacional.

Objetivos:

  • Criação e Gestão de equipas de Data Science
  • Estruturação de um Projecto de Data Science
  • Capacidade de identificar oportunidades para uso de Data Science dentro da Organização
  • Extracção, pre-processamento e exploração de dados
  • Aplicação de métodos estatísticos para retirar mais informação dos dados
  • Criação de modelos descritivos e preditivos
  • Proficiência em Python

Diploma de Estudos

Cada módulo formativo tem uma avaliação dos conhecimentos adquiridos que permite a atribuição de um Diploma de Estudos no final do curso a todos os alunos que o terminem com sucesso. A avaliação de conhecimentos é individual, sendo obtida através da participação em trabalhos de grupo e testes.

 

Investimento

  • Inscrição: 150€
  • Propina total: 3.500€

A estes valores acresce IVA à taxa legal. Oferta especial do valor do IVA a particulares e estudantes.

Condições de pagamento:

  • Pagamento Faseado: A propina total pode ser liquidada em 8 propinas mensais.
  • Pronto-pagamento: 5% desconto no valor da propina total.

Para mais informações sobre condições de pagamento, contacte-nos.

Destinatários

A Pós-Graduação em Data Science destina-se a todos aqueles que queiram adquirir conhecimentos que lhes permitam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para conseguirem retirar o máximo valor dos dados e com isso aportarem valor competitivo para as organizações, nomeadamente profissionais que desempenhem funções diretas de tomada de decisão ou que intervenham em processos de análise de dados para a tomada de decisão sobre os negócios da organização.

Pré-Requisitos

Os alunos deverão ter:

  • Conhecimentos básicos de Matemática e Estatística;
  • Conhecimentos básicos de utilização de uma qualquer linguagem de programação;
  • Bom nível de capacidade de leitura em língua inglesa.

Metodologia

A PGDS é constituída por dez módulos formativos que se enquadram em sequência lógica dentro dos dois ciclos de Especialização: Especialização Data Science Manager e a Especialização Science Researcher.

A metodologia pedagógica está focada no saber fazer, pelo que os conceitos e teoria de base são fortemente explorados em treino orientado para a colocação dos conhecimentos em prática.

Os alunos devem ter em conta que para além da exigência das aulas há a exigência de estudo adicional e de desenvolvimento de trabalhos práticos que permitam um cabal desenvolvimento do saber fazer nesta área de conhecimento.

Objetivos

  • Criação e Gestão de equipas de Data Science
  • Estruturação de um Projecto de Data Science
  • Capacidade de identificar oportunidades para uso de Data Science dentro da Organização
  • Extracção, pre-processamento e exploração de dados
  • Aplicação de métodos estatísticos para retirar mais informação dos dados
  • Criação de modelos descritivos e preditivos
  • Conhecimentos de Python

Programa

Ciclo de especialização Data Science Manager

  • Fundamentos de Ciência de Dados (9 horas)
  • Gestão de Equipas de Ciência de Dados (9 horas)
  • Gestão do Processo de “Data Mining” (18 horas)
  • Aplicação da Ciência de Dados (18 horas)

Ciclo de especialização Data Science Researcher

  • Programação em Python (27 horas)
  • Metodologia de Recolha de Dados (9 horas)
  • Metodologia de Pré-Processamento de Dados
  • Inferência Estatística (18 horas)
  • Análise Exploratória de Dados (18 horas)
    • por: Hugo Lopes, Data Scientist e Senior Software Engineer na Crowd Process
  • Fundamentos Práticos de “Machine Learning” (18 horas)

Ciclo de especialização Data Science Manager

  • Fundamentos de ciência de dados
    • O que é Data Science (DS)
    • O papel da Data Science nos diferentes tipos de organizações
    • Estruturação de um projeto de Data Science
    • Resultados de um projeto de Data Science
    • As ferramentas básicas de um Data Scientist
  • Gestão de equipas de ciência de dados
    • O papel do Data Science Manager
    • Perfil dos vários membros de uma equipa de Data Science
    • Métricas de sucesso de um projecto de Data Science
    • Entrevistas
  • Gestão do Processo de Data Mining
    • Etapas do processo de data mining
    • Tipos de questões e características de boas questões, expectativas e objetivos
    • Conceito de recolha de dados
    • Conceito de Exploratory Data Analysis
    • Conceito de inferência estatística
    • Conceito de modelos preditivos
    • Critério de paragem
    • Comunicação de resultados
  • Aplicação da ciência de dados
    • Comparação do cenário ideal versos o cenário real
    • Qualidade dos dados fonte
    • Factores que afectam os resultados
    • Inferência estatística versus predição
    • Dimensão dos dados
    • Interpretação de resultados
    • Escalabilidade
    • Reprodutibilidade
    • Casualidade versus confusão
    • A/B Testing
    • Manutenção dos modelos

Ciclo de especialização Data Science Researcher

  • Programação com Python
    • Instalação do python
    • Básicos da programação com python
    • Pacotes Pandas
    • Jupyter notebooks
  • Metodologia de recolha de dados
    • Processo ETL (extract, transform, load)
    • Conceito de data governance
    • Fontes de dados: Excel, XML, MySQL, Web, APIs
  • Metodologias de pré-processamento de dados
    • Tipos de dados
    • Limpeza de dados
    • Transformação de dados
  • Inferência estatística
    • Funções massa e densidade em probabilidade
    • Probabilidades condicionadas e teorema de Bayes
    • Valores expectáveis
    • Média, desvio padrão e variância
    • Distribuições binomial, normal e de Poisson
    • Teorema Limite Central
    • Testes de hipóteses
    • Significância estatística e valor P
    • Pacotes NumPy e statsModels
  • Análise exploratória de dados
    • Seleção de Variáveis
    • Sumário estatístico dos dados
    • Redução de dimensão
    • Visualização para exploração dos dados
  • Fundamentos práticos de “Machine Learning”
    • Predição, erros e validação cruzada
    • Aprendizagem Supervisionada e não supervisionada
    • Modelos de Regressão
    • Modelos de Classificação
    • Pacote Scikit-learn
Chat

Quero saber mais informações sobre este curso

Pós-Graduação em Data Science

Bases de Dados | 162h


Notas

Pretende mais informação sobre este curso?

Preencha o formulário com os seus dados e as suas questões e entraremos em contacto consigo para lhe darmos todas as informações pretendidas.

Obrigado!