O CURSO
Descubra como transformar dados em insights valiosos e gerar valor para qualquer negócio com nosso curso de modelagem estatística para Ciência de Dados.
Nossas aulas oferecem uma visão completa sobre especificação, estimação, diagnóstico e validação de modelos estatísticos, preparando você para escolher, especificar e aplicar o modelo ideal em cada situação prática.
Através de estudos de caso detalhados, você aprenderá como utilizar as mais recentes técnicas de análise de dados e colocá-las em prática. Você também terá acesso a códigos em R para aplicar suas novas habilidades em projetos reais.
Com o nosso curso, você irá desenvolver as habilidades necessárias para se destacar no mercado de trabalho e obter sucesso em qualquer setor. Inscreva-se agora e comece a criar modelos analíticos poderosos para gerar insights valiosos e impulsionar o crescimento da sua carreira profissional.
DIFERENCIAIS
- Professores experientes e pesquisadores da área.
- Abordagem completa e didática.
- Material próprio.
- Diversos estudos de casos completos.
- Suporte computacional.
- Suporte durante e pós-curso.
- Foco em aplicações e problemas reais.
- Multidisciplinar.
- Para profissionais de mercado e acadêmicos.
- Projetos para incrementar o seu portfólio.
PARA QUEM?
Se você é um profissional de análise de dados e busca elevar sua carreira a um patamar superior, nosso curso é perfeito para você. Desenvolvido para profissionais que desejam especificar modelos mais realistas e obter insights valiosos de negócios, nosso programa é ideal para aqueles com formação em engenharias, ciência da computação, economia, física, administração, gestão da informação e tecnologia em análise e desenvolvimento de sistemas.
Wagner Hugo Bonat
Dr.
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 & 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
Dr.
Prof. Walmes possui doutorado em Estatística & 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!
Materiais
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.
