Ciência de dados e inteligência artificial para SEFAZ-SP (Analista em Planejamento, Orçamento e Finanças Públicas - Ciência de Dados e Tecnologia)

Name: Ciência de dados e inteligência artificial para SEFAZ-SP (Analista em Planejamento, Orçamento e Finanças Públicas - Ciência de Dados e Tecnologia)
Price: 490 BRL

Curso de Ciência de dados e inteligência artificial para o concurso SEFAZ-SP (Analista em Planejamento, Orçamento e Finanças Públicas - Ciência de Dados e Tecnologia): Livro Digital Interativo, videoaulas, questões comentadas e Fórum de Dúvidas.

Produto

12x

R$ 40,83

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

Cursos disponíveis nesse produto

Tecnologia da Informação - Ciência de dados e inteligência artificial - para SEFAZ-SP (Analista em Planejamento, Orçamento e Finanças Públicas) (PÓS-EDITAL) Professores: Lucas Ianni; Diego Carvalho; Vinicius Borges
- Ciência de dados: Fundamentos: tipos de dados, ciclo de vida.
- Banco de Dados
- Modelagem de dados;
- Banco de Dados relacionais;
- Linguagem SQL e variações. (Parte 1)
- Linguagem SQL e variações. (Parte 2)
- Banco de Dados colunares.
- Banco de Dados NoSQL.
- Business Intelligence, Analytics e Visualização: Arquitetura de BI, indicadores, métricas, relatórios, dashboard, análise descritiva, diagnóstica, preditiva e prescritiva. Self-service BI. Data Warehouse, Data Mart, Data Lake, Data Lakehouse…
- Visualização e comunicação de dados.
- Big Data: Conceitos Básicos. Processamento em lote (batch) e processamento de dados em fluxo (streaming).
- Big Data e Arquitetura: Processamento distribuído.
- Modelagem dimensional: tabelas fato e dimensão, esquema estrela, granularidade e hierarquias. Modelagem de dados dimensional. Análise de Dados: OLAP.
- Mineração, analytics. Metodologia CRISP-DM: fases e ciclo de aplicação.
- Análise exploratória de dados.
- Inteligência artificial: LLMs (conceitos). Governança e Ética em IA: transparência, responsabilidade, explicabilidade, privacidade, segurança, alucinação, viés. IA generativa: conceitos, modelos fundacionais, LLMs, prompts, embeddings, recuperação…
- Aprendizado de Máquina: supervisionado e não supervisionado. Treinamento, validação, teste, inferência, sobreajuste (overfitting).
- Classificação, regressão.
- Agrupamento (clustering), redução de dimensionalidade
- Métricas de avaliação de modelos de classificação e regressão.
- Redes neurais, Deep Learning
- PLN
- Microsoft Power BI, versão vigente: Power Query, linguagem M, modelagem de dados, DAX, medidas, relacionamentos, filtros e dashboards. DAX: contexto de linha, contexto de filtro, transição de contexto e funções de inteligência de tempo. Power…
- Ferramentas e Linguagens para ciência de dados: Python.
- PySpark, NLTK.
- Pandas, scikit-learn.
- Ferramentas e Linguagens para ciência de dados: R.