Curso de Extensão em Python para Cientistas de Dados em Ambiente Big Data


Curso de Extensão em Python para Cientistas de Dados em Ambiente Big Data

Engenharia e Tecnologia

Presencial

No momento não temos turmas para esse curso. Clique no botão abaixo para ser avisado quando as inscrições estiverem abertas.

Para saber sobre Inscrições, Matrículas, Inicio das Aulas, Duração e Local, selecione os campos abaixo:

Avise-me
Veja o valor do curso

Sobre o nosso curso


Veja os arquivos deste curso

Objetivo do curso


Formar profissionais com conhecimento das áreas de ciência de dados e dos frameworks de desenvolvimento em python.

Conteúdo Programático das Aulas:

Pacotes: Pandas, Numpy, Matplotlib, Sklearning Revisão das Bibliotecas Python para Ciência de Dados - Identificando Pacotes, Pandas, Numpy, Scipy, Matplotlib, SKlearn. Lendo dados, selecionando e filtrando dados, manipulação de dados. Ordenação, agrupamento, limpeza, transformação, classificação dos dados, além do fatiamento dos dados, outros processos de manipulação de dados.

Coleta de Dados Coleta de Dados em Redes Sociais e serviços baseados em *.CSV, *.XML e *.JSON; Coleta de Dados com Técnicas de Scrapy e (Web Crawler e Web Scraping). Utilização das Bibliotecas BeautifulSoup4, Requests, entre outras; Coletando Dados via API e Armazenando no ElasticSearch Kibana e MongoDB (NoSQL). E SQL (Mysql, Postgresql, entre outros).

Processamento de Linguagem Natural Pré-processamento de Textos. Mineração de Textos com NLTK: identificação de StopWorld, Steams, Busca de Palavras, Frequência dos Termos a aplicação, classificação dos vetores e separação dos termos;

Sistemas de Recomendação Princípios básicos do funcionamento de algoritmos de recomendação. Exemplo de matriz de ratings. Implementação de um sistema de Recomendação baseado no Algoritmo igual ao Netflix.

Machine Learning Técnicas avançadas de análise e especificação com algoritmos de ML Modelos de Classificação: o Árvore de Decisão, Random Forest, Naive Bayes, ADABosting, SVM, etc. Modelos de Regressão: o Regressão Linear; Regressão Logística. Redução da Dimensionalidade, técnicas de validação e regressão. Modelos de Cluster: o KMeans, VBGMM.

Visão Computacional e Reconhecimento Técnicas de Reconhecimento de Padrões com visão computacional com reconhecimento facial com a Biblioteca: OPENCV E DLIB; Visualização de Objetos e Faces. Algoritmos: Eigenfaces; Fisherfaces; LBPH. (Local Binary Patterns Histograms) Validação e Classificação de Imagens. E Criação de aplicação para validar o reconhecimento facial de pessoas em uma sala.

Deep Learning TensorFlow Keras (Implementação de Redes Neurais Artificiais); Implementação de Perceptron de uma camada; recorrentes com TensorFlow Keras. Redes Neurais Multicamadas; Convolucionais com TensorFlow Keras; Reconhecimento de Objetos e Pessoas, utilizando várias bibliotecas de dados na nuvem.

Coordenação


Conheça um pouco mais sobre UNIPÊ

×

Engenharia e Tecnologia

Presencial

Para saber sobre Inscrições, Matrículas, Inicio das Aulas, Duração e Local, selecione os campos abaixo:

No momento não temos turmas para esse curso. Clique no botão abaixo para ser avisado quando as inscrições estiverem abertas.

Avise-me Veja o valor do curso

Conheça um pouco mais sobre UNIPÊ


Público Alvo


Alunos de graduação, desenvolvedores de software e técnicos.

Pré-requisitos


Mercado de Atuação


Você também pode se interessar por:


Design e Projeto de Chatbots com IBM Watson e Google Dialogflow (04 BOTS)

Design e Projeto de Chatbots com IBM Watson e Google Dialogflow (04 BOTS)

  • Extensão/atualização
  • 18 horas
Desenvolvendo Aplicação Web com Python

Desenvolvendo Aplicação Web com Python

  • Extensão/atualização
  • 24 horas