Cientista de Dados

Tópicos de Estudo

• Fundamentos de análise estatística de dados para o Big Data;
• Conceitos e aplicação de correlação entre variáveis;
• Conceitos e aplicação de regressão Linear univariada e multivariada;
• Conceitos e aplicação do controle Estatístico de Processos;
• Aplicações e conceitos de Séries Estatísticas;
• Aplicações da análise estatística de dados aplicadas ao Big Data;
• Análise prática da probabilidade de eventos de interesse;
• Análise comparativa entre conjunto de dados;
• Aplicações e conceitos de Testes de hipóteses e testes A/B.

------------------------------------------------------

Trabalho Prático

• Aplicar os conceitos de estatística descritivas para a realização de uma análise de dados utilizando a linguagem de programação R.

------------------------------------------------------

Desafio

• Aplicar os conceitos de estatística inferencial para a análise de dados utilizando a linguagem de programação R.

Tópicos de Estudo

• Conceitos básicos sobre Spark;
• Dataframe;
• SparkSession;
• Transformações;
• Tipos de dados;
• Operações;
• Funções de Agregações;
• Fontes de Dados;
• RDDs;
• Estatística descritiva com Spark;
• Spark SQL;
• GraphX;
• MLlib e Streaming;
• Deploy;
• Spark x Hadoop.

------------------------------------------------------

Trabalho Prático

• Realizar o pré-processamento de dados utilizando as diferentes operações do Spark  (RDD e estatística descritiva).

------------------------------------------------------

Desafio

• Realizar a construção e deploy de um modelo de análise de dados utilizando o Spark.

Tópicos de Estudo

• Processamento dinâmico de dados utilizando o Spark Streaming;
• Aplicações utilizando os ambientes Spark GraphX e MLlib;
• Algoritmos de aprendizado de máquina para a preparação e processamento do Big Data;
• Aplicações utilizando o Spark MLlib;
• Ambientes Kafka e Amazon Kinesis;
• Integração entre ambientes e ferramentas para o processamento do Big Data;
• Conceitos de modelagem e teoria de grafos; 
• Aplicações utilizando Neo4j.

------------------------------------------------------

Trabalho Prático

• Utilizar o SparkMLib para realizar o pré-processamento de dados (data wrangling com spark).

------------------------------------------------------

Desafio

• Utilizar o SparkMLlib para realizar uma análise completa de dados por meio da modelagem preditiva.

Tópicos de Estudo

• Introdução aos dashboards;
• Categorias dos dashboards;
• Estudos de gráficos para dashboards;
• Os erros mais comuns na construção de um dashboard;
• Os princípios visuais da Gestalt;
• Boas práticas de construção de dashboards;
• Principais metas para um dashboard visual;
• Desenvolvendo dashboards empresariais.

------------------------------------------------------

Trabalho Prático

• Construir e analisar dashboards para a geração de insights.Selecionar quais são as melhores estruturas de visualização e apresentação dos dados a partir de diferentes fontes.

------------------------------------------------------

Desafio

• Selecionar quais são as melhores estruturas de visualização e apresentação dos dados a partir de diferentes fontes.

• Aplicar a coleta, o armazenamento e a detecção de anomalias em diferentes bases de dados.