Formação Livre Data Science com Python

O curso Data Science com Python visa introduzir os princípios introdutórios de Data Science com recurso à linguagem de programação Python. Este curso irá iniciar-se e desenvolver-se no domínio da programação orientada a objetos, com foco no desenvolvimento de competências ao nível da análise e interpretação de dados. Construído sobre uma metodologia prática e de proximidade a contextos reais, os formandos irão compreender e resolver os problemas associados a domínios interdisciplinares como, por exemplo, Ciências e Atendimento Médico, Farmacologia, Banca e Redes Sociais. A complementaridade entre o estado da arte e as boas práticas profissionais, alinharão os formandos com as principais tendências de contratação e evolução de carreira.

Os relatórios - U.S. Bureau of Labor Statistics - reportam que a necessidade de profissionais em Data Science irá crescer a uma média de 27.9%/ano até 2026. São referenciadas como principais saídas profissionais: - Data Scientists: profissionais que encontram, processam e instrumentalização dados de empresas, para suporte estatístico à tomada de decisões. - Machine Learning Engineers/ Scientists: profissionais que padronizam metodologias de processamento e análise de dados, convergindo para o desenvolvimento de soluções finais.

Data de Início Prevista: 18/12/2023. Data limite para as candidaturas: 18/11/2023. Formato: online Datas (8 Sessões - 9h - 13h) Dias: 18, 19, 20, 21, 22, 27, 28 e 29 de Dezembro 2023 Programa do Curso 1 - Introdução a Data Science (2 h) 2 - Introdução a Python (12 h) 2.1 Enquadramento Tecnológico e Aplicabilidade Profissional 2.2 Formatação de Espaços em Branco 2.3 Módulos 2.4 Aritmética 2.5 Funções 2.6 Strings 2.7 Lists 2.8 Tuples 2.9 Dictionaries 2.10 Sets 2.11 Controlo e Fluxo 2.12 Ordenação, Aleatoriedade, Geração e Iteração 2.13 Expressões Regualres 2.14 Programação Orientada a Objectos 2.15 Args e Kwargs 3 - Raw Data: Limpar e Operar Dados em Bruto (4 h) 3.1 Arrays, operadores matemáticos, indexação e manipulação 3.2 Estruturas de Dados 3.3 Inserção e Exportação de Dados 3.4 Limpeza de Dados: Verificação 4 - Inferência Estatística: Tópicos em Data Science (4 h) 4.1 Distribuições I 4.2 Z-score 4.3 p-value 4.4 Testes unilaterais e bilaterais 4.5 Erros tipo 1 e tipo 2 4.6 Intervalos de confiança 4.7 Correlação 4.8 Teste Z vs. Teste T 4.9 Distribuições II 4.10 Teste Qui Quadrado para Independência 5 - Data Visualization: Gráficos, Seleção e Abordagens (5 h) 5.1 Gráficos de Linhas 5.2 Criação de Múltiplos Gráficos 5.3 Estilização e Grafismo 5.5 Box plots 5.5 Heatmaps 5.6 Scatter plots, histogramas e matrizes 5.7 Area plots 5.8 Bubble plots 5.9 Hexagon binning 5.10 Trellis plots 5.11 3D plots 6 - Machine Learning: Princípios Básicos (5 h) 6.1 Diferentes tipos de Machine Learning 6.2 Árvores de Decisão 6.3 Regressão Linear 6.4 Regressão Logística 6.5 Classificação Bayesiana 6.6 k-means clustering 6.7 Hierarchical clustering