O CURSO
Este curso é um verdadeiro diferencial para profissionais de todas as áreas! Com uma abordagem completa e acessível, você será guiado por tópicos fundamentais do cálculo diferencial integral, álgebra linear e otimização. E sabe o que isso significa? Você estará pronto para compreender e criar técnicas avançadas de análise de dados, as mesmas utilizadas por cientistas de dados no seu dia a dia.
Aprender a representar a realidade por meio de equações matemáticas é um diferencial e tanto, não é mesmo? Imagine dominar ferramentas de álgebra linear e ser capaz de lidar com dados de forma super eficiente. Essa habilidade pode ser a chave para você avançar em sua carreira e se destacar no mercado. Não perca mais tempo e faça agora mesmo esse investimento em si mesmo!
DIFERENCIAIS
- Foco em aplicações da matemática.
- Matemática e programação de mãos dadas.
- Desafios para incrementar seu portfólio.
- Material didático completo e próprio.
- Professor experiente.
- Suporte durante e após o curso.
- Preparação para pesquisa na área de dados.
- Livro exclusivo.
- Projeto final.
PARA QUEM?
Se você é um profissional que busca uma formação acessível em matemática
customizada para cientistas de dados, este é o curso perfeito para
você! Desenvolvido especialmente para engenheiros, cientistas da
computação, economistas, físicos, administradores, gestores de
informação, e profissionais de tecnologia em análise e desenvolvimento
de sistemas, este curso abrange os principais tópicos em matemática de
forma clara e concisa. Com este
curso, você estará pronto para dominar os conceitos fundamentais de
matemática necessários para ser um cientista de dados de sucesso.
Professor
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 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 desenvolver a matemática necessária para uma carreira de sucesso em Ciência de Dados.
MÓDULOS
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.
