WhatsApp
 

Jornada Ômega Data Science

Bem-vindo à Jornada Ômega Data Science! Aqui, você terá acesso a uma formação completa que irá transformá-lo em um Cientista de Dados autônomo e seguro. Com a nossa formação, você estará preparado para analisar dados de forma independente e extrair insights valiosos para qualquer negócio.


Jornada Ômega Data Science

Imagine se você pudesse se tornar um cientista de dados independente, seguro, confiante e autônomo, capaz de navegar com habilidade no vasto mar de dados que inunda nosso mundo moderno. Parece uma jornada épica, certo? É exatamente isso que a Jornada Ômega Data Science oferece - uma formação completa que o levará a se tornar um especialista em dados com autonomia analítica.

Não é preciso ser um herói para trilhar essa jornada - nossos experientes professores já mapearam cuidadosamente a estrada e desenvolveram uma metodologia comprovada para guiá-lo em direção à autonomia analítica. Com nossa abordagem orientada para a ação, você aprenderá a usar os dados disponíveis de maneira eficaz, identificando as melhores estratégias analíticas para cada problema que surgir.

Quando você se torna autônomo analiticamente, você se torna uma força a ser reconhecida. Você se torna um profissional analítico e orientado por dados, capaz de ir além do óbvio para criar soluções inovadoras e resolver problemas complexos. E o melhor de tudo é que a Jornada Ômega Data Science oferece tudo isso por uma fração do preço de um MBA ou especialização.

Então, se você está pronto para começar sua jornada épica em direção à autonomia analítica e se tornar um cientista de dados confiante e autônomo, a Jornada Ômega Data Science é a escolha certa para você. Vamos embarcar nesta aventura juntos?

DIFERENCIAIS

  1. Curso completo do zero ao aprendizado de máquina.
  2. Forte fundamentação matemática e estatística.
  3. Vídeos com excelente áudio e vídeo.
  4. Material didático completo e exclusivo.
  5. Foco em aplicações e conjuntos de dados reais.
  6. Didática clara e objetiva.
  7. Professores experientes e atuantes na academia e no mercado.
  8. Livros exclusivos.
  9. Suporte durante e após o curso.
  10. Preço acessível.

QUAL CONTEÚDO?

Conheça toda a Jornada Ômega Data Science (clique aqui)

Para quem é a Jornada?

Pessoas que querem analisar dados de forma autônoma e segura para criar soluções inovadores em qualquer área de negócio.  

 

Autonomia analítica implica:

 

  • Ser um Cientista de Dados confiante e seguro.
  • Evoluir exponencialmente em sua carreira
  • Resolver mais problemas em menos tempo.
  • Ser reconhecido pelo seu perfil analítico/quantitativo.
  • Ser mais eficiente na execução de suas tarefas.
  • Elevar o valor analítico do que ele faz.
  • Melhor aproveitamento dos dados.
  • Fazer pesquisas de maior impacto..
  • Melhorar a sua capacidade de julgamento em projetos de dados.
  • Coordenar equipes e grupos de pesquisa em ciência de dados.
  • Começar sua carreira em dados já conquistando as melhores vagas e salários.
  • Fazer uma transição de carreira, mas não tem tempo para uma nova faculdade ou MBA.
  • Ter a possibilidade de ganhar em dólar trabalhando de casa.

 

 

Wagner Hugo Bonat

Wagner Hugo Bonat

Doutor

Prof. Wagner é doutor em Matemática, atuando no Departamento de Estatística desde 2010 e é um experiente programador R. Possui vasta experiência no ensino de Estatística e Data Science, e já atuou como consultor desenvolvendo soluções inovadoras em R. Além disso, ele é o coordenador do programa de Especialização em Data Science e Big Data da UFPR e membro ativo de programas de pós-graduação com orientações de mestrado e doutorado. Com todo esse conhecimento e habilidades, ele é o professor ideal para ajudá-lo a decolar na sua carreira em Ciência de Dados.

Walmes Marques Zeviani

Walmes Marques Zeviani

Doutor

Prof. Walmes possui doutorado em Estatística e Experimentação Agropecuária, sendo professor do Departamento de Estatística desde 2010, além de ser um experiente programador R. Com ampla experiência no ensino de Estatística e Data Science, Prof. Walmes já ministrou inúmeros cursos de R em diversas instituições de ensino e pesquisa desde 2008. Com sua paixão pelo ensino, ele está pronto para guiar você em sua jornada de aprendizado em Ciência de Dados com a linguagem R!

MÓDULOS

Jornada Ômega Data Science

Sua Média: | Mínimo para aprovação:
Instruções gerais sobre a Jornada Ômega Data Science
Machine learning

Sua Média: | Mínimo para aprovação:
Neste Módulo você vai entender o que é aprendizado de máquina e suas diversas versões. Vai ser capaz de descrever e executar as diversas etapas para treinar um algoritmo de aprendizado de máquina e a criar métricas para avaliar a performance das diferentes estratégias.

Sua Média: | Mínimo para aprovação:
Neste módulo explicamos por meio de algumas animações um dos principais conceitos dentro do contexto de aprendizado de máquina: o balanço entre vício e variância.

Sua Média: | Mínimo para aprovação:
Neste Módulo descrevemos todas as etapas de preparação dos dados para posteriomente utilizar algoritmos de aprendizado de máquina.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos os principais algoritmos de aprendizado supervisionado.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos a aplicação de algoritmos de aprendizado supervisionado por meio do pacote caret.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos os frameworks caret e tidymodels para o treinamento de modelos em R.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos uma das principais técnicas para redução de dimensão: Análise de componentes principais.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos alguns dos principais algoritmos para agrupamento.
Matemática para Ciência de Dados

Sua Média: | Mínimo para aprovação:
Neste módulo vamos apresentar o conteúdo do curso, os principais materiais didáticos e diversos exemplos de aplicações.

Sua Média: | Mínimo para aprovação:
Neste módulo vamos apresentar a principal ferramenta matemática usada em ciência de dados: funções. Vamos entender que todos os modelos são descrições simplificadas da realidade e que funções são a nossa forma de especificar tais modelos. Começamos discutindo os componentes de uma função e diferentes tipos de funções. Na sequência vamos criar diversas ferramentas para lidar com funções principalmente para estudar o seu comportamento. Os conceitos de máximos e mínimos serão apresentados e usados para motivar a obtenção de duas das mais populares técnicas da ciência de dados: a média e o modelo de regressão linear simples. A principal ferramenta matemática para analisar o comportamento de funções, as derivadas, serão apresentadas em detalhes e o seu potencial explorado. Por fim, apresentamos a ideia de integral como sendo a antiderivada e estendemos o seu uso para o cálculo da área abaixo do gráfico de uma função.

Sua Média: | Mínimo para aprovação:
Neste módulo veremos como generalizar as ideias do Cálculo Diferencial e Integral para funções com múltiplas variáveis independentes. Vamos aprender sobre vetores e matrizes e a sua importância para análise de dados. No decorrer do Módulo vamos obter o modelo de regressão linear múltipla e uma de suas variações a regressão ridge. Um tópico importante é a obtenção da inversa de uma matriz. Neste Módulo vamos mostrar como obter a inversa e a sua importância no contexto de solução de sistemas lineares.

Sua Média: | Mínimo para aprovação:
Neste módulo vamos apresentar os principais métodos numéricos para a solução de sistemas de equações não-lineares. Na sequência serão apresentados métodos numéricos para derivação e integração numérica. Fechamos o módulo com a apresentação de métodos de otimização linear, quadrática e não-linear.

Sua Média: | Mínimo para aprovação:
Neste módulo vamos apresentar três estudos de casos: Regressão logística, algoritmo k-means e redes neurais artificiais. O objetivo é ilustrar como tudo que foi visto no decorrer do curso é aplicado em três técnicas populares em ciência de dados.
Modelagem estatística para Data Science

Sua Média: | Mínimo para aprovação:
Crie modelos analíticos, ganhe insights valiosos e gere valor em qualquer negócio.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos um dos modelos mais populares da literatura estatística e de aprendizado de máquina, o modelo de regressão linear simples. Descrevemos todos os detalhes da sua especificação, estimação e inferência.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos estender o modelo de regressão linear simples para acomodar múltiplas covariáveis.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos apresentar as principais ferramentas para diagnosticar problemas com o ajuste do modelo de regressão linear múltipla. Vamos apresentar ferramentas gráficas e também os principais testes da literatura.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos apresentar como corrigir os problemas mais comuns no ajsute do modelo de regressão linear múltipla.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos discutir diversas estratégias para a seleção de modelos. Vamos ver alguns dos principais critérios da literatura como o AIC (Critério de Informação de Akaike) e BIC (Critério de Informação Bayesiano). Vamos discutir estratégias de seleção de covariáveis como o método stepwise e suas variações.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos estender ainda mais a flexibilidade do modelo de regressão linear múltipla. Vamos apresentar a classe dos modelos aditivos que permite uma forma flexível de aprender a relação entre uma variável e potenciais covariáveis. Vamos ter um estudo de caso completo que será abordado de diferentes formas. Por fim, apresentamos um modelo de regressão desenvolvido com objetivo preditivo e que vem ganhando popularidade na literatura e na indústria, o modelo prophet.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos discutir modelos de regressão para respostas binárias. Em particular vamos discutir os aspectos da especificação, estimação, inferência e validação do modelo de regressão logística. Diversas extensões como a inclusão de termos suaves o uso de componentes principais e regularização serão discutidos e aplicados em um estudo de caso. Por fim, alguns outros modelos relacionados como a regressão binomial e regressão beta serão apresentados.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos apresentar modelos de regressão para o caso de uma variável resposta do tipo contagem. Começamos com o modelo de regressão de Poisson e sua extensão mais simples o modelo quasi-Poisson. Descrevemos como especificar, estimar, interpretar e validar o modelo de regressão Poisson. Algumas outras extensões como o modelo de regressão binomial negativa e modelos inflacionados de zeros e uns são descritos. Por fim, fechamos o Módulo com um tutorial detalhando uma análise de dados de campanhas de marketing e um exemplo desafiador onde buscamos entender fatores associados ao número de ovos de mosquitos Aedes Aegypti em um bairro da cidade de Recife/Pernanbuco.
Probabilidade e Estatística para Ciência de Dados

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos a estrutura do curso. Introduzimos alguns conceitos fundamentais de estatística. Por fim, discutimos alguns métodos de amostragem como uma forma de alerta para cuidados que devemos ter ao analisar qualquer conjunto de dados.

Sua Média: | Mínimo para aprovação:
Neste módulo vamos apresentar os princípios da análise exploratória de dados. Começamos definindo os diferentes tipos de variáveis e como lidar com cada uma delas. Descrevemos os fundamentos da descrição tabular e gráfica para cada tipo de variável. Por fim, apresentamos as principais estatísticas descritivas como média, moda, mediana, desvio-padrão, variância, covariância e correlação.

Sua Média: | Mínimo para aprovação:
Neste módulo vamos iniciar uma Jornada pelo mundo da Teoria das Probabilidades. Começamos definindo o tipo de fenômeno que estamos interessados em analisar, os fenômenos aleatórios ou estocásticos. Usando a Teoria dos Conjuntos definimos os elementos básicos para analisar um fenômeno aleatório chegando a definição axiomática de probabilidade. Discutimos estratégias para atribuir probabilidades e a regra da adição e do complementar. Definimos probabilidade condicional e a usamos para definir o conceito fundamental de independência estatística. Fechamos o módulo com o Teorema de Bayes e algumas aplicações de probabilidade condicional na avaliação de testes de diagnóstico e o famoso problema de Monty Hall.

Sua Média: | Mínimo para aprovação:
Neste módulo vamos conitnuar discutindo sobre probabilidades, porém agora vamos resumir o resultado de um experimento aleatório por meio de números. Estes números vão receber o nome especial de variáveis aleatórias. Nosso objetivo é construir ferramentas matemáticas para descrever o comportamento de variáveis aleatórias. Vamos classificar as variáveis aleatórias entre discretas e contínuas e construir as chamadas distribuições de probabilidade e densidade probabilidade. Vamos estender ainda mais a ideia para a situação em que temos mais do que uma variável aleatória. Neste caso estamos lidando com distribuições de probabilidades multivariadas. As definições de distribuição conjunta, marginal e condicional serão apresentadas e exemplificadas. Por fim, fechamos o módulo definindo algumas medidas para resumir a distribuição de probabilidade de variáveis aleatórias.

Sua Média: | Mínimo para aprovação:
Neste Módulo terminamos a nossa Jornada pela Teoria da Probabilidades. Vamos motivar e apresentar as principais distribuições de probabilidades discretas, contínuas e também multivariadas. A genesis da distribuição e seus detalhes matemáticos são apresentados junto com exemplos de aplicação. Por fim, mostramos como usar distribuições de probabilidades com o R.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos começar a nossa Jornada por um novo mundo o da Inferência Estatística. Neste Módulo você vai entender como a estatística explica o mundo. Em particular, vamos discutir o Pensamento frequentista e introduzir os conceitos de estimação pontual e intervalar. Diversos casos particulares são discutidos em detalhes.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos toda a estrutura de construção e componentes de um teste estatístico de hipóteses. Diversos casos particulares são discutidos entre eles: teste Z, teste t, teste t pareado, teste F para variância, teste qui-quadrado além de diversas variações.

Sua Média: | Mínimo para aprovação:
Neste módulo vamos apresentar dois modelos estatísticos muito populares: a regressão linear simples e o modelo de análise de variância (ANOVA). Começamos o módulo motivando a construção de modelos estatísticos. Na sequência particularizamos para a regressão linear simples explicando todos os seus detalhes em sua especificação matemática e estatística. Construimos o quadro de ANOVA para verificar a significância do modelo de regressão. Por fim, apresentamos o modelo de ANOVA para testar a diferença de médias para covariáveis categóricas com mais de dois níveis. Uma generalização da ideia de comparação entre duas populações apresentada no Módulo de Testes de hipóteses.
R para Data Science

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos apresentar o curso e seus principais materiais didáticos.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos começar a nossa Jornada pelo tidyverse.

Sua Média: | Mínimo para aprovação:
Neste Módulo vamos apresentar as principais tarefas relacionadas a manipulação e arrumação de dados usando os pacotes tidyr e dplyr.

Sua Média: | Mínimo para aprovação:
Neste Módulo você vai aprender como trabalhar com strings (texto) e datas.

Sua Média: | Mínimo para aprovação:
Neste Módulo apresentamos os conceitos fundamentais de programação funcional e fechamos o curso com diversos estudos de dados.
R para decolar

Sua Média: | Mínimo para aprovação:
Neste módulo você vai conhecer a estrutura do curso, seus objetivos e materiais didáticos.

Sua Média: | Mínimo para aprovação:
Neste módulo você vai aprender a instalar e configurar o R para começar a fazer análises de dados.

Sua Média: | Mínimo para aprovação:
Neste módulo serão apresentadas as principais estruturas de dados.

Sua Média: | Mínimo para aprovação:
Controlar como o R executa suas instruções é fundamental para automatizar tarefas. Neste módulo as estruturas de controle e repetição são apresentadas junto com o básico de lógica de programação comuns a diversas linguagens de programação.

Sua Média: | Mínimo para aprovação:
Analisar uma realidade complexa é uma tarefa difícil. Porém, se você dividir a tarefa em pequenas tarefas especializadas fica mais fácil abordar o problema. Cada uma destas pequenas tarefas pode ser implementada em uma função. Assim, aprender como criar suas funções em R é importante para desenvolver autonomia e resolver problemas cada vez mais complexos.

Jornada Ômega Data Science
INSCRIÇÃO

à vista por R$2.997,00 ou 12x de R$249,75
(R$2.997,00)pagando com Asaas - Crédito

Comprar Agora
Compartilhe:

  • Asaas - CréditoÀ Vista por R$2.997,00
  • 2x de R$1.498,50 (R$2.997,00)
  • 3x de R$999,00 (R$2.997,00)
  • 4x de R$749,25 (R$2.997,00)
  • 5x de R$599,40 (R$2.997,00)
  • 6x de R$499,50 (R$2.997,00)
  • 7x de R$428,14 (R$2.997,00)
  • 8x de R$374,63 (R$2.997,00)
  • 9x de R$333,00 (R$2.997,00)
  • 10x de R$299,70 (R$2.997,00)
  • 11x de R$272,45 (R$2.997,00)
  • 12x de R$249,75 (R$2.997,00)

  • Asaas - BoletoÀ Vista por R$2.997,00

  • Asaas - PixÀ Vista por R$2.997,00