Contenido del curso
Introdução ao Curso e Objetivos
2Instalando Python e Ambientes Virtuais
3Configurando o Ambiente de Desenvolvimento (IDEs e Editores de Texto)
4Fundamentos de Programação com Python
5Fundamentos de Programação com Python: Introdução ao Python
6Fundamentos de Programação com Python: Instalação e Configuração do Ambiente de Desenvolvimento
7Fundamentos de Programação com Python: Variáveis e Tipos de Dados
8Fundamentos de Programação com Python: Operadores e Expressões
9Fundamentos de Programação com Python: Estruturas de Controle de Fluxo (Condicionais e Loops)
10Fundamentos de Programação com Python: Funções e Escopo de Variáveis
11Fundamentos de Programação com Python: Trabalhando com Strings
12Fundamentos de Programação com Python: Coleções de Dados (Listas, Tuplas, Conjuntos, Dicionários)
13Fundamentos de Programação com Python: Tratamento de Exceções
14Fundamentos de Programação com Python: Leitura e Escrita de Arquivos
15Fundamentos de Programação com Python: Módulos e Pacotes
16Fundamentos de Programação com Python: Programação Orientada a Objetos (Classes e Objetos)
17Fundamentos de Programação com Python: Testes Unitários
18Fundamentos de Programação com Python: Trabalhando com Datas e Horas
19Fundamentos de Programação com Python: Manipulação de Dados com Pandas
20Fundamentos de Programação com Python: Visualização de Dados com Matplotlib e Seaborn
21Fundamentos de Programação com Python: Introdução a Expressões Regulares
22Fundamentos de Programação com Python: Conceitos de Iteradores e Geradores
23Fundamentos de Programação com Python: Decoradores
24Compreendendo Variáveis e Tipos de Dados
25Operadores e Expressões em Python
26Estruturas de Controle de Fluxo (Loops e Condicionais)
27Trabalhando com Funções e Modularização de Código
28Manipulação de Exceções e Erros em Python
29Introdução à Análise de Dados com Python
30Introdução à Análise de Dados com Python: Introdução à linguagem Python
31Introdução à Análise de Dados com Python: Ambientes de desenvolvimento para análise de dados (IDEs e notebooks)
32Introdução à Análise de Dados com Python: Bibliotecas Python para análise de dados (Pandas, NumPy, Matplotlib, Seaborn, etc.)
33Introdução à Análise de Dados com Python: Importação e exportação de dados com Python
34Introdução à Análise de Dados com Python: Limpeza e preparação de dados
35Introdução à Análise de Dados com Python: Exploração e análise de dados com Pandas
36Introdução à Análise de Dados com Python: Visualização de dados com Matplotlib e Seaborn
37Introdução à Análise de Dados com Python: Análise exploratória de dados (EDA)
38Introdução à Análise de Dados com Python: Fundamentos de estatística para análise de dados
39Introdução à Análise de Dados com Python: Manipulação de dados em grande escala com Dask ou Vaex
40Introdução à Análise de Dados com Python: Introdução a Machine Learning com Python
41Introdução à Análise de Dados com Python: Trabalhando com dados temporais (séries temporais)
42Introdução à Análise de Dados com Python: Técnicas de agrupamento e agregação de dados
43Introdução à Análise de Dados com Python: Automatização de tarefas de análise de dados
44Introdução à Análise de Dados com Python: Melhores práticas e dicas para análise de dados eficiente
45Bibliotecas Essenciais para Análise de Dados: NumPy e Pandas
46Leitura e Escrita de Dados em Arquivos
47Processamento e Limpeza de Dados com Pandas
48Processamento e Limpeza de Dados com Pandas: Introdução ao Pandas
49Processamento e Limpeza de Dados com Pandas: Importação de Dados
50Processamento e Limpeza de Dados com Pandas: Visualização Inicial dos Dados
51Processamento e Limpeza de Dados com Pandas: Limpeza de Dados
52Processamento e Limpeza de Dados com Pandas: Tratamento de Valores Faltantes
53Processamento e Limpeza de Dados com Pandas: Remoção de Duplicatas
54Processamento e Limpeza de Dados com Pandas: Filtragem de Dados
55Processamento e Limpeza de Dados com Pandas: Conversão de Tipos de Dados
56Processamento e Limpeza de Dados com Pandas: Renomeação de Colunas
57Processamento e Limpeza de Dados com Pandas: Trabalho com Datas e Horários
58Processamento e Limpeza de Dados com Pandas: Normalização de Textos
59Processamento e Limpeza de Dados com Pandas: Agrupamentos e Agregações
60Processamento e Limpeza de Dados com Pandas: Junção, Mesclagem e Concatenação de Dados
61Processamento e Limpeza de Dados com Pandas: Exportação de Dados Limpos
62Exploração de Dados: Estatísticas Descritivas
63Visualização de Dados com Matplotlib e Seaborn
64Análise Exploratória de Dados (EDA)
65Trabalhando com Dados Temporais (Séries Temporais)
66Unindo e Mesclando Datasets com Pandas
67Agregação e Resumo de Dados com GroupBy
68Manipulação Avançada de DataFrames
69Introdução ao Machine Learning com Python
70Pré-processamento de Dados para Modelos de Machine Learning
71Construindo Modelos Preditivos com scikit-learn
72Validação e Seleção de Modelos de Machine Learning
73Avaliação de Modelos e Métricas de Desempenho
74Avaliação de Modelos e Métricas de Desempenho: Conjunto de dados de treino e teste
75Avaliação de Modelos e Métricas de Desempenho: Validação cruzada
76Avaliação de Modelos e Métricas de Desempenho: Métricas de classificação
77Avaliação de Modelos e Métricas de Desempenho: Métricas de regressão
78Avaliação de Modelos e Métricas de Desempenho: Matriz de confusão
79Avaliação de Modelos e Métricas de Desempenho: Curva ROC e AUC
80Avaliação de Modelos e Métricas de Desempenho: Precisão e revocação
81Avaliação de Modelos e Métricas de Desempenho: F1-Score
82Avaliação de Modelos e Métricas de Desempenho: Erro quadrático médio (MSE)
83Avaliação de Modelos e Métricas de Desempenho: Coeficiente de determinação (R²)
84Avaliação de Modelos e Métricas de Desempenho: Análise de resíduos
85Avaliação de Modelos e Métricas de Desempenho: Comparação de modelos
86Avaliação de Modelos e Métricas de Desempenho: Otimização de hiperparâmetros
87Avaliação de Modelos e Métricas de Desempenho: Curvas de aprendizado
88Avaliação de Modelos e Métricas de Desempenho: Curvas de validação
89Avaliação de Modelos e Métricas de Desempenho: Sobreajuste e subajuste
90Avaliação de Modelos e Métricas de Desempenho: Importância das características (Feature Importance)
91Tunning de Hyperparâmetros e Otimização de Modelos
92Aprendizado Supervisionado: Regressão e Classificação
93Aprendizado Não Supervisionado: Clusterização
94Redução de Dimensionalidade (PCA)
95Uso de Pipeline para Fluxos de Processamento de Dados
96Trabalhando com Dados Textuais e Processamento de Linguagem Natural (NLP)
97Introdução a Deep Learning com TensorFlow/Keras
98Deploy de Modelos em Ambiente de Produção
99Importância da Governança e Ética em Análise de Dados
100Criando Dashboards Interativos com Plotly e Dash
Descripción del curso
O curso “Desvendando Dados com Python: Uma Jornada Analítica” é o recurso ideal para quem deseja mergulhar no mundo da análise de dados utilizando uma das linguagens de programação mais versáteis e poderosas: Python. Pertencente à categoria Informática (TI) e mais especificamente à subcategoria Linguagens de Programação Multiuso (Python, Ruby, Java, C), este curso oferece um conteúdo abrangente e detalhado em 123 páginas.
Desde o início, o curso prepara os alunos com uma introdução clara aos objetivos e uma explicação detalhada sobre a instalação do Python e a configuração dos ambientes virtuais necessários. Com uma abordagem prática, os estudantes serão guiados na configuração de ambientes de desenvolvimento, como IDEs e editores de texto, essenciais para um workflow eficiente.
Os fundamentos da programação com Python são explorados minuciosamente, abordando desde a introdução à linguagem até conceitos mais complexos, como programação orientada a objetos, testes unitários, e manipulação de dados com bibliotecas como Pandas. Os alunos aprenderão a trabalhar com variáveis, operadores, estruturas de controle de fluxo (condicionais e loops), funções e escopo de variáveis.
Além dos conceitos básicos de programação, o curso avança para tópicos específicos na análise de dados com Python. Os estudantes descobrirão como importar e exportar dados, limpar e preparar conjuntos de dados, e explorar as bibliotecas mais relevantes para esse campo, como NumPy, Matplotlib e Seaborn.
Uma parte significativa do curso é dedicada à visualização de dados, um componente crítico na análise, onde os alunos aprenderão a utilizar ferramentas como Matplotlib e Seaborn para criar gráficos informativos e visualmente atraentes. Análises mais profundas, como a exploratória de dados (EDA) e técnicas estatísticas fundamentais, também são abordadas.
O curso leva os alunos além das funções básicas, introduzindo conceitos de machine learning com Python, onde aprenderão a construir modelos preditivos utilizando scikit-learn, fazer pré-processamento de dados, selecionar e validar modelos. Métricas de desempenho e técnicas de avaliação para modelos de machine learning são discutidas detalhadamente.
A trilha avançada do curso cobre tópicos como deep learning com TensorFlow/Keras, deploy de modelos em produção, integração de Python com bancos de dados SQL e NoSQL, e automatização de processos de análise de dados. A introdução ao Big Data com Python é um destaque, ensinando como lidar com grandes volumes de dados utilizando bibliotecas como pandas e NumPy, e ferramentas como Hadoop e Spark.
Aspectos práticos e éticos da análise de dados também são abordados, incluindo governança, criação de dashboards interativos com Plotly e Dash, testes unitários e de integração, versionamento de código com Git, e construção de portfólio para a carreira em análise de dados.
Por fim, o curso oferece uma conclusão abrangente, fornecendo dicas de carreira e próximos passos, garantindo que os alunos estejam não apenas prontos para aplicar o conhecimento adquirido, mas também para continuar seu aprendizado e desenvolvimento profissional na área de análise de dados.
Este curso gratuito incluye:
12h26m curso de audio en línea gratuito
123 páginas de contenido
Certificado digital de finalización del curso.
Ejercicios para entrenar tus conocimientos
