PREÇO

330€: Todos os Módulos

> Oferta de 10% de desconto em inscrições, em simultâneo, nos dois níveis: Nível Introdutório/Intermédio e Nível Avançado

Este curso, em conjunto com o curso Python em Data Science – Nível Introdutório/Intermédio (Saiba Mais) constituem o Data Science Program em Python.

Para inscrição neste curso, recomendamos a participação no curso Python em Data Science – Nível Introdutório/Intermédio ou conhecimento de Python.

Os participantes que se inscreverem em ambos os níveis, em simultâneo, beneficiarão de 10% de desconto no valor total da inscrição.

descrição

Este curso pretende capacitar profissionais ou investigadores académicos a usarem Python como uma ferramenta de apoio a projetos de data science, com o intuito de melhorar a tomada de decisão. Serão abordadas técnicas avançadas dentro da área de machine learning ou deep learning, para quem pretenda iniciar ou reforçar os seus conhecimentos nestas áreas.

Serão abordadas metodologias orientadas para a análise estatística, visualização explicativa de dados, realização de previsões, assim como técnicas para adaptar um projeto em python às necessidades de cada formando, recorrendo a casos práticos e exemplos.

A discussão e a aplicação a casos reais serão incentivadas, sensibilizando para a aplicação de diferentes técnicas em projetos futuros.

Espera-se que no final os alunos sejam capazes de extrair poder dos dados e possam utilizar as técnicas ministradas para executar autonomamente um projeto de data science, apto a criar valor no âmbito das suas organizações.

Será privilegiada a interação durante as sessões, através da aplicação dos conceitos em casos práticos e da discussão acerca da sua aplicação em problemas reais. Espera-se assim que os formandos sejam capazes de trazer as suas questões e problemas que enfrentam nas suas organizações ou na sua investigação.

a quem se destina

Profissionais e estudantes acadêmicos que queiram incorporar a análise de dados para fins descritivos, preditivos e no suporte à tomada de decisão.

formador

José Guimarães

É formado em Engenharia Industrial e Gestão pela Universidade do Porto e trabalhou durante mais de 6 anos de em consultoria. Ao longo deste período, ajudou organizações de diferentes setores como Retalho, Indústria ou Saúde, a melhorar a sua tomada de decisão usando diferentes técnicas como análise de dados, visualização de dados, simulação ou otimização para resolver problemas de negócio. Ao longo do seu percurso, já trabalhou com diferentes linguagens como Python, R, VBA e SQL. Atualmente trabalha no setor financeiro, onde continua a auxiliar as organizações a obter melhorias de performance sustentáveis através da análise de dados.

Jorge Ferreira

Jorge Ferreira é um Product Manager de produtos digitais. Na sua carreira trabalhou no ecossistema das startups portuguesas, começou como Data Scientist, onde trabalhou na investigação, desenho e implementação de diversas soluções com recurso ao Analytics. Nestes projetos, destacam-se a implementação de modelos de Machine Learning e Otimização aplicados à Indústria da Logística e E-commerce. Também como Product Manager é responsável pelo Roadmap de uma equipa de Software de Inteligência artificial. O seu background académico é Engenharia Industrial e Gestão a qual está a ser agora complementada com um Mestrado em Data Mining.

Pedro Esmeriz

Pedro Esmeriz é cientista de dados, com 5 anos de experiência na criação de algoritmos preditivos e prescritivos para diversas industrias. desde moda, e-commerce e logística. O seu background académico inclui um Mestrado em Engenharia e Gestão Industrial e um Mestrado em Data Analytics. Atualmente leciona no ISLA.

Recursos Disponibilizados

– Link para instalação do Python
– Certificado GADES Solutions e DGERT
– Gravações das Sessões do Curso
– Slides e material demonstrado no decorrer do curso, em formato digital

programa

Módulo 1: Machine Learning (4 Horas)

Explicação dos conceito de modelos preditivos, diferença entre modelos supervisionados e não supervisionados, incluindo os conceitos de regressão e classificação. Serão abordadas técnicas de transformação e pré-processamento de dados, com recurso a métodos específicos para modelos de machine learning. Serão apresentadas as principais famílias de modelos e os métodos de treino, bem como como avaliar a qualidade de um modelo.

1. Problemas supervisionados ou não-supervisionados
2. Regressão e classificação
3. Feature Engineering
4. Métodos de treino
5. Medidas de avaliação
6. Overview de algoritmos

Módulo 2: Clustering (2 Horas)

Iniciação ao conceito de agrupamento de dados não supervisionados para geração de informação útil através de vários métodos. Serão abordadas metodologias baseados na centralização dos dados, como K-Means e DBSCAN, e de associação hierárquica multinível  entre outros, bem como as principais vantagens e desvantagens entre os vários métodos.

1. K-means
2. DBScan/HDBScan
3. Hierarchical clustering
4. Other Clustering models

Módulo 3: Classificação e Regressão (4 Horas)

Abordagem dos conceitos por detrás de cada uma das famílias de modelos de Machine Learning clássico. Explicação dos hiperparâmetros de cada modelo e do seu impacto no processo de aprendizagem e ajuste do modelo. Serão realizados casos práticos onde os formandos poderão construir cada um dos modelos e ver os seus resultados. Metodologias de seleção de variáveis independentes, bem como modelos compostos (ensembles) vão ser abordados.

1. KNN
2. Árvores de Decisão
3. Naive Bayes
4. Support Vector Machine
5. Sintonização de hiperparâmetros (grid search)
6. Backward e Forward feature selection
7. Ensembles (bagging e boosting) – Random Forest, modelos múltiplos

Módulo 4: Métodos de Previsão com Séries Temporais (4 Horas)

Neste módulo será feito um overview a diferentes técnicas de modelação com recursos a séries temporais, que poderão ser usadas para se realizarem previsões. Serão também abordados os métodos de escolha do melhor modelo, quais os parâmetros necessários ao seu ajustamento e como se poderá avaliar o seu grau de erro.

1. Séries temporais
2. ARIMA
3. Exponential Smoothing
4. Medidas de erro (MAPE, MAE, MSE)

Módulo 5: Deep Learning (4 Horas)

Introdução às redes neuronais, às estruturas mais utilizadas e as principais valências desta família de algoritmos preditivos. Será também abordado os métodos de gradiente descendente e de backpropagation no treino de redes. Por último, segue-se a aplicação prática de redes neuronais convolucionais para exercícios tradicionais de detecção de imagem.

1. Introdução Redes Neuronais
2. Estrutura
3. Metodologia de treino e parâmetros
4. Problemas de detecção de imagem

Módulo 6: Aplicação (4 Horas)

Projeto de “A a Z”. Caso de estudo onde serão aplicadas técnicas de visualização e exploração de dados, a sua limpeza, transformação e criação de variáveis e o teste de diversos modelos para posterior avaliação. Este módulo tem como objetivo a aplicação de todas as competências lecionadas.

Rácio Teoria/Prática: 40% Teórico | 60% Prático

preço

330€ (Isento de IVA)

> Oferta de 10% de desconto em inscrições, em simultâneo, nos dois níveis: Nível Introdutório/Intermédio e Nível Avançado

data e horário

Janeiro/Fevereiro 2024

pré-requisitos

– Familiaridade e conhecimentos básicos, a nível do utilizador, dos produtos da família Microsoft e/ou MAC
– Computador com o Python e VS Code instalados
– Recomenda-se a utilização de um 2º monitor
– Frequência no curso Python em Data Science – Nível Introdutório/Intermédio ou Conhecimento de Python e de utilização de bibliotecas de manipulação de dados (NumPy, Pandas, matplotlib/seaborn…)

Tópicos adicionais relevantes mas não obrigatórios:
– SQL

Formato

ONLINE 
A formação será realizada online, em tempo real, através da plataforma Cisco Webex.

Inscrição

Escolha uma das seguintes opções: