Banco de Dados e Ciência de Dados para TRANSPETRO (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) - 2026 (Pós-Edital)

Name: Banco de Dados e Ciência de Dados para TRANSPETRO (Profissional de Nível Superior - Ênfase 8: Ciências de Dados) - 2026 (Pós-Edital)
Price: 490 BRL

Curso de Banco de Dados e Ciência Dados para TRANSPETRO (Nível Superior - Ênfase 8: Ciências de Dados) em PDF+videoaulas. Compre em até 12x s/ juros!

Produto

12x

R$ 40,83

No Cartão de Crédito ou 10% de desconto no Boleto ou Pix à vista

Cursos disponíveis nesse produto

Banco de Dados e Ciência de Dados para TRANSPETRO (Profissional de Nível Superior - Ciências de Dados) (PÓS-EDITAL) Professores: Diego Carvalho; Lucas Ianni
- Conceitos fundamentais de dados, informação e conhecimento; dados qualitativos (nominal, ordinal) e quantitativos (discretos, contínuos); tidy data; formatos de arquivos de dados comuns (txt, csv, xlsx, xml e json). dados estruturados…
- Introdução a Bases de Dados: o que são bases de dados; metadados. Sistemas Gerenciadores de Base de Dados (SGBDs): definição de SGBD; principais funções; principais tipos de SGBDs (SQL) e suas diferenças; transações e índices; controle de acesso…
- Modelo de entidade-relacionamento (ER);
- Modelo de dados: modelo relacional: tabelas, esquemas, chaves (primária e estrangeira), consultas;
- Linguagem SQL (Structured Query Language): conceitos introdutórios; comandos básicos para consultas (inserção, atualização e exclusão de dados).
- SQL: análise de dados (como funções de agregação, filtros, joins, subconsultas e demais).
- Introdução ao armazenamento de dados: armazenamento de arquivos; principais estruturas de armazenamento de dados analíticos (data warehouse, data mart, data lake, data lakehouse), suas diferenças conceituais e casos de uso; armazenamento na nuvem…
- Modelagem Dimensional; OLAP; [conteúdo não explícito no edital, mas ajuda a entender as aulas seguintes]
- Big Data: conceito de big data; conceitos gerais sobre técnicas.
- Ferramentas para lidar com grandes volumes de dados (Spark, Hadoop, Parquet, HDFS e MapReduce).
- NoSQL: modelo chave-valor; modelo colunar; modelo orientado a documentos; modelo orientado a grafos.
- Noções de governança de IA: conceitos e objetivos da governança de IA; gestão de riscos em IA. Principais riscos e vulnerabilidades relacionados a IA: viés algorítmico; exposição de dados sensíveis; envenenamento de dados de treinamento; ataques…
- VIII- PROCESSAMENTO DE LINGUAGEM NATURAL (NLP): Técnicas de pré-processamento de texto: limpeza; normalização; remoção de stop words; stemming; lematização e demais. Representação de texto: N-grams; CBoW; FTD-IDF; word embeddings (Word2Vec, GloVe e…
- Metodologias de gestão de projetos de ciência de dados: CRISP-DM, Microsoft Team Data Science Process (TDSP), OSEMN; Pipeline de treinamento de modelos e suas etapas.
- Problemas comuns de qualidade de dados: valores ausentes; duplicatas; outliers; desbalanceamento; erros de imputação. Pré-processamento de dados: técnicas de normalização e padronização; discretização; metodologias de codificação de variáveis…
- Divisão de dados: técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para cross-validation. Trade-off entre viés e variância; detecção de overfitting e underfitting. Validação de Modelos: Kfold cross-validation…
- Redução de dimensionalidade: Principal Component Analysis (PCA); LDA; ICA; T-SNE; uso de autoencoders. Técnicas de clusterização: K-Means; agrupamento hierárquico; Gaussian Mixture Models; DBSCAN. Técnicas de classificação: Regressão logística…
- Métricas para avaliação e seleção de modelos: métricas para regressão (MSE; RMSE; MAE; R²; R² ajustado); métricas para classificação (accuracy, precision, recall, F1-score e ROC-AUC); análise de matriz de confusão;
- Técnicas de regularização: lasso; ridge; elastic net; dropout; early stopping; batch normalization. Dados desbalanceados: técnicas para lidar com dados desbalanceados; oversampling; undersampling; dados sintéticos; ajuste de pesos.
- Ensembling de modelos: Bagging; boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM e CatBoost); stacking. Florestas Aleatórias (Random Forest).
- Sistemas de recomendação: Filtragem colaborativa (baseadas em usuários ou itens); filtragem baseada em conteúdo; sistemas híbridos; problemas comuns (cold start, escalabilidade, data sparsity). Modelos de séries temporais: definição; componentes…
- Redes neurais: Introdução a Redes Neurais Artificiais (arquitetura, funções de ativação, treinamento, forward pass, backpropagation, loss functions, algoritmos de otimização, épocas, batch size e demais); embeddings; redes profundas (deep…
- Bibliotecas Python: Pandas (manipulação; limpeza; transformação e pré-processamento de dado); NumPy (operações de arrays); Matplotlib e Seaborn (visualização de dados); TensorFlow; Keras e PyTorch (redes neurais); Scikit-learn e XGBoost…
- Microsoft Power BI: conexão e importação de dados; modelagem de dados; criação de medidas e colunas calculadas; visualizações e gráficos; interações entre visualizações; criação de relatórios e painéis.
- Noções de governança de dados (DMBOK): conceitos e objetivos da governança de dados; principais técnicas de qualidade e integridade de dados; princípios de privacidade e proteção a dados.