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.

Alunos do Ensino Superior ou Profissionais das áreas das Ciências ou Engenharias sem experiência em programação, ou experiência elementar em programação, que visem adquirir conhecimento na área das Ciências dos Dados.

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: 19/12/2023. 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