CURSO DE EXTENSÃO EM PYTHON PARA CIENTISTAS DE DADOS EM AMBIENTE DE BIG DATA
Área:
Ciências Exatas e Tecnológicas
Público Alvo:
Alunos de graduação, desenvolvedores de software e técnicos.

Área:
Ciências Exatas e Tecnológicas
Público Alvo:
Alunos de graduação, desenvolvedores de software e técnicos.
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.
Disciplina |
---|
Curso de extensão em python para cientistas de dados em ambiente de big data |
Para acessar o Teste Vocacional e descobrir a carreira certa para você, preencha os campos abaixo.
É bem rapidinho!
Para que possamos agendar a sua vista, preencha o formulário abaixo.