12x R$ 32,08
R$ 385,00 à vista
Valor promocional de lançamento até dia 19/08/2024.
Concurso: BNDES - Banco Nacional do Desenvolvimento - 2024.
Cargo: Profissional Básico - Ciência de Dados
Banca: Cesgranrio
Disciplina: Tecnologia da Informação - Conhecimentos Específicos.
Professores: Equipe Professor Gabriel Pacheco.
Parcerias: Neste curso nós teremos as seguintes parcerias garantidas para os alunos efetivamente matriculados:
Observações:
MÓDULOS
IV- DADOS E BASES DE DADOS – todas as aulas disponíveis
1. Conceitos fundamentais de dados: o que são dados; processos geradores de dados; tipos e classes de dados; formatos de arquivos de dados comuns (txt, csv, xlsx, xml, json e parquet). 2. Introdução a Bases de Dados: o que são bases de dados; tipos de bases de dados; metadados; tidy data. 3. Introdução ao armazenamento de dados: armazenamento de arquivos; principais estruturas de armazenamento de dados analíticos (data warehouse, data mart, data lake data lakehouse, vector stores), suas diferenças conceituais e casos de uso; armazenamento na nuvem. 4. Sistemas Gerenciadores de Base de Dados (SGBD): definição de SGBD; principais funções; principais tipos de SGBDs (SQL e NoSQL) e suas diferenças; transações e índices. 5.Modelo de dados: modelo de entidade-relacionamento (ER); modelo relacional: tabelas, esquemas, chaves, consultas; dados estruturados, semiestruturados e não estruturados; modelo chave-valor; modelo colunar; modelo orientado a documentos; modelo orientado a grafos. 6. Ingestão e armazenamento de dados; definição de ingestão em lote (batch) e em tempo real (stream). 7. Big Data: conceito de big data; conceitos gerais sobre técnicas e ferramentas para lidar com grandes volumes de dados (Spark, Hadoop, HDFS e MapReduce).
V - GESTÃO DE PROJETOS DE CIÊNCIA DE DADOS – todas as aulas disponíveis
1. Ciclo de vida de projetos de ciência de dados. 2. Metodologias de gestão de projetos de ciência de dados: CRISP-DM; Microsoft Team Data Science Process (TDSP); princípios de métodos ágeis (Scrum/Kanban); fundamentos de design thinking. 3. Principais papéis envolvidos em projetos de ciência de dados.
VI - QUALIDADE E PREPARAÇÃO DE DADOS -
1. Metadados: a sua importância para avaliação da qualidade de dados; linhagem de dados; 2. Coleta de dados: fontes comuns de dados (internas e externas); interface de programação de aplicação (API); técnicas de web scraping. 3. Problemas comuns de qualidade de dados: valores ausentes; duplicatas; outliers; desbalanceamento; erros de imputação. 4. Preparação de dados: técnicas de tratamento e limpeza de dados; técnicas detecção de vieses; data profiling. 5. Pré-processamento de dados: técnicas de normalização e padronização; discretização; metodologias de codificação de variáveis categóricas (encoding). 6. Feature engineering: processos para enriquecimento de dados, com criação e seleção de features relevantes; transformações matemáticas e estatísticas comuns em variáveis. . 7. Divisão de dados: técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para crossvalidation.
VII – MODELAGEM – todas as aulas disponíveis
1. Pipeline de treinamento de modelos e suas etapas. 2. Otimização de hiperparâmetros: grid search; random search; algoritmos de otimização avançados; automl; autotuning; autofeature engineering. 3. Métricas para avaliação e recall, F1-score e ROC-AUC); análise de matriz de confusão; trade-off entre viés e variância; detecção de overfitting e underfitting. 4. Técnicas de regularização: lasso; ridge; elastic net; dropout; early stopping; batch normalization. 5. Dados desbalanceados: técnicas para lidar com dados desbalanceados; oversampling; undersampling; dados sintéticos; ajuste de pesos. 6. Validação de Modelos: Kfold cross-validation; leave-one-out cross-validation; bootstrap. 7. Modelagem de IA centrada em dados (data-centric). 8. Interpretabilidade de modelos: feature importance; valores de Shapley (SHAP) e LIME. 9. Implantação de modelos em produção: exportação de modelos (pickle, PMML e ONNX); modelos como serviço (APIs; microsserviços); integração com sistemas existentes; APIs e serviços web; conceitos de MLOps; implantação local (on premise) e na nuvem. 10. Monitoramento de modelos: monitoramento de desempenho; data drift; concept drift; detecção de drifts; retreino e atualização de modelos.
VIII - CLASSES DE MODELOS – todas as aulas disponíveis
Redução de dimensionalidade: Principal Component Analysis (PCA); LDA; ICA; T-SNE; uso de autoencoders. 2. Técnicas de clusterização: K-Means; agrupamento hierárquico; Gaussian Mixture Models; DBSCAN. 3. Técnicas de classificação: Regressão logística; K-Nearest Neighbors (KNN); Suport Vector Machines (SVM); Decision Trees (CART); classificadores Naive-Bayes (Binomial- Beta, Poisson-Gama, Normal-Normal); Florestas Aleatórias (Random Forest). 4. Introdução à regressão: regressão linear simples e múltipla; hipóteses clássicas, método dos mínimos quadrados, diagnóstico e avaliação de modelos de regressão (F-test, coeficiente de determinação, análise de resíduos e demais), testes de significância, intervalos de confiança, análise ANOVA, modelos não lineares (log-log, lin-log, log-lin e inverso). 5. Ensembling de modelos: Bagging; boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM e CatBoost); stacking. 6. Sistemas de recomendação: Filtragem colaborativa (baseadas em usuários ou itens); filtragem baseada em conteúdo; sistemas híbridos; problemas comuns (cold start, escalabilidade, data sparsity). 7. Modelos de séries temporais: definição; componentes (tendência, sazonalidade, ciclos e ruído); autocorrelação e autocorrelação parcial; conceito e testes de estacionaridade; cointegração; modelos AR, ARMA e ARIMA; modelos de suavização exponencial; modelos de decomposição; modelos de regressão com variáveis temporais (ARIMAX). 8. Tópicos em regressão: modelos de dados em painel; GLM; regressão espacial; regressão quantílica; regressão de Poisson; modelos VAR; ECM e GARCH. 9. Introdução a modelos causais: fundamentos de causalidade estatística, experimentos e quase-experimentos, desenho de descontinuidade de regressão, modelos de variáveis instrumentais, diferenças em diferenças, modelos de equações estruturais (SEM), métodos de pareamento. 10. 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 learning); Redes Neurais Convolucionais (CNNs) e Recorrentes (RNNs); LSTM; GRU; GAN; modelos multimodais. 11. Modelos de aprendizado por reforço: Q-Learning; Deep QNetworks (DQN); Policy Gradient Methods; multi-armed bandit. 12. Visão Computacional: técnicas de pré-processamento de imagem; OCR; segmentação e extração de características de imagens; detecção; segmentação e reconhecimento de objetos; classificação de imagens. 13. Modelos multi-modais: principais aplicações. 14. Quantificação de incertezas em modelos preditivos: Programação Probabilística; Amostragem de Gibbs; Inferência Variacional; Hamiltonian Monte Carlo; Modelos de Markov Ocultos; Aprendizado Profundo Probabilístico; Conformal Prediction.
IX - PROCESSAMENTO DE LINGUAGEM NATURAL (NLP) – todas as aulas disponíveis
1. Técnicas de pré-processamento de texto: limpeza; normalização; remoção de stop words; stemming; lematização e demais. 2. Representação de texto: N-grams; CBoW; FTD-IDF; word embeddings (Word2Vec, GloVe e demais) e document embeddings (Doc2Vec, BERT, ELMo e demais). 3. Modelagem de tópicos: latent dirichlet allocation (LDA); non-negative matrix factorization (NMF). 4. Modelos de linguagem: modelos de linguagem tradicionais; redes neurais recorrentes; redes neurais convolucionais; transformers. 5. Tarefas básicas em NLP: classificação de texto; análise de sentimento; extração de informação (NER; REL); similaridade textual; sumarização de texto; rotulação de partes do discurso (POS-tagging) e tradução automática. 6. Aplicações relacionadas a modelos de NLP: geração de texto; question answering e diálogo conversacional; retrieval augmented generation (RAG); chatbots; extração estruturada de informações; agentes de IA (IA agents).
X - PROGRAMAÇÃO E FERRAMENTAS – 15/08/2024
1. Linguagem de programação Python: sintaxe básica; operadores; variáveis; estruturas de dados (dataframes, listas, matrizes, dicionários e conjuntos); estruturas de controle de fluxo; funções; escopo; método; paralelização de rotinas; serialização e desserialização. 2. 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 (aprendizado de máquina); NLTK e spaCy (processamento de linguagem natural); huggingface (LLM); PySpark (Big data); Beautiful Soup (web scraping); Streamlit (data apps). 3. Linguagem SQL (Structured Query Language): conceitos introdutórios; comandos básicos para consultas (inserção, atualização e exclusão de dados) e para análise de dados (como funções de agregação, filtros, joins, subconsultas e demais). 4. Gestão de Código: qualidade de código; testes automatizados; versionamento (Git). 5. Ambientes de programação: Jupyterhub e Jupyter Notebooks; linha de comando (navegação em diretórios, manipulação de arquivos e dados); gerenciamento de processos; configuração de ambientes e variáveis de ambiente; gerenciamento de pacotes Python (pip); ambientes virtuais Python. 6. 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.
XI - VISUALIZAÇÃO; STORYTELLING E COMUNICAÇÃO CORPORATIVA – 01/09/2024
1. Principais tipos de visualizações e gráficos: tabela; gráfico de barras; linhas; pizza; dispersão; histograma; área; boxplot; bolhas; radar; mapas cartográficos; mapa de calor. 2. Visualização de dados: princípios de design de gráficos efetivos; principais conceitos de codificação visual; interatividade; acessibilidade em gráficos. 3. Dashboards: técnicas para construção de interfaces e layout; abordagens para escolha de designs; organização de elementos visuais e gráficos; seleção de gráficos e visualizações; interatividades e drill-downs; acessibilidade. 4. Storytelling com dados: construção de narrativas visuais e contextualizações; componentes de um storytelling efetivo. 5. Reportes executivos: princípios de comunicação corporativa; interpretação e apresentação de dados de resultados de análises e de insights.
XII – GOVERNANÇA E SEGURANÇA DE DADOS – todas as aulas disponíveis
1. 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.
XIII – GOVERNANÇA, SEGURANÇA E APLICAÇÃO RESPONSÁVEL DE IA – 01/09/2024
1. Noções de governança de IA: conceitos e objetivos da governança de IA; gestão de riscos em IA; gestão de ciclo de vida de modelos. 2. Principais riscos e vulnerabilidades relacionados a IA: viés algorítmico; exposição de dados sensíveis; envenenamento de dados de treinamento; ataques adversariais; ataques de manipulação de modelos; roubo de modelos; ataque de inferência; alucinações. 3. Aplicação de IA responsável: definição; ética; transparência; justiça e equidade; responsabilização; segurança cibernética; compliance regulatório.
Os tópicos abaixo não serão trabalhados neste curso.
I – MATEMÁTICA: 1. Cálculo Básico: funções; limites; derivadas; derivadas parciais; máximos e mínimos; integrais.
2. Álgebra Linear: vetores e matrizes; operações com vetores e matrizes; tipos de matrizes; transformações lineares; espaços e subespaços vetoriais de Rn; sistemas de equações lineares; normas (L1, L2, infinita, p-generalizada, Minkowksi e Chebyshev), autovalores e autovetores; decomposição matricial (Cholesky e Singular Value Decomposition (SVD)). 3. Otimização Matemática: programação linear inteira e mista; problemas de otimização unidimensionais e multidimensionais, com e sem restrições; otimização convexa; programação
dinâmica.
II - PROBABILIDADE E ESTATÍSTICA: 1. Fundamentos de probabilidade: definições básicas de probabilidade; axiomas; probabilidade condicional. 2. Variáveis aleatórias e distribuições de probabilidades: variáveis aleatórias; funções de probabilidade;
principais distribuições discretas e contínuas (Uniforme, Binomial, Normal, Poisson, Bernoulli e Exponencial). 3. Estatísticas Descritivas: medidas de tendência central (média, mediana e moda); medidas de dispersão (variância, desvio padrão e amplitude); medidas de posição (percentis e quartis). 4. Teoremas fundamentais da probabilidade: independência de eventos; teorema de Bayes; teorema da probabilidade total; lei dos grandes números; teorema central do limite. 5. Distribuições amostrais: distribuição amostral da média; distribuição amostral da proporção; distribuição qui-quadrado; distribuição t de Student; distribuição F. 6. Inferência estatística: estimação pontual e intervalar; intervalos de confiança; testes de hipóteses (formulação, tipos de erros, e poder do teste); testes z e t para médias; testes de proporções; testes qui-quadrado para independência e ajuste de Goodness-of-Fit; teste A/B. 7. Correlação: correlação e causalidade; correlação de Pearson; correlação de Spearman; correlação parcial. 8. Inferência Bayesiana: distribuições a priori e a posteriori; estimativa pontual e intervalar; predição e testes de hipóteses bayesianos; critérios de seleção de modelos; métodos MCMC.
III - FINANÇAS QUANTITATIVAS: 1. Matemática financeira: Convenções de Cálculo de Juros; Valor Presente Líquido; Taxa Interna de Retorno; projeção de fluxos de caixa futuros. 2. Mercados de Taxas de Juros: Instrumentos de Renda Fixa; Taxa Spot; Taxa Foward; Relações Básicas de Não Arbitragem no Mercado de Juros; Curvas de Juros; Bootstraping de Curvas de Juros; Duration; Convexidade; técnicas de interpolação de taxas de juros; modelos de Svenson e de Nelson-Siegel. 3. Medidas de Desempenho e de Riscos: Volatilidade; Value At Risk; Conditional Value at Risk; Backtesting de Modelos de Risco; Maximum Drawdown; Sharpe Ratio; Information Ratio. 4. Otimização de carteiras: modelo de média-variância com e sem restrições; modelos de paridade de riscos; modelos de paridade de riscos hierárquica (HRP). 5. Simulação de Monte Carlo em Finanças: principais aplicações em precificação e análise de riscos. 6. Derivativos: conceitos gerais; derivativos de renda variável; derivativos de renda fixa; modelo de Black-Scholes.
Todos os Concurseiros que estão estudando para o cargo de Profissional Básico - Ciência de Dados e precisam de um conteúdo adequado de Tecnologia da Informação.
Sem tempo para fazer o curso agora?
Fique tranquilo, você poderá participar desse curso em até 1 ano após a matrícula.
1Comece por aqui - Avisos e uso da plataforma.
Novidades na nova plataforma 1 - Acesso aos cursos, acompanhamento dos cursos e novidades no acesso.
13:10
Conhecendo nossas Categorias de Cursos e tirando maior proveito da plataforma.
13:33
Entenda a Parceria com o TECConcursos e como tudo funciona após a sua matrícula
01:59
2Aulas exclusivas ao vivo.
3MÓDULO BONUS - Conhecimentos Transversais para Todos os Cargos.
Conceitos de BD e SGBDs - Cesgranrio - 01
28:35
Conceitos de BD e SGBDs - Cesgranrio - 02
31:27
Fluência em Dados - Conceitos, Atributos, Métricas, Transformação de Dados - 1
32:12
Fluência em Dados - Conceitos, Atributos, Métricas, Transformação de Dados - 2
31:20
Fluência em Dados - Conceitos, Atributos, Métricas, Transformação de Dados - 3
38:40
Machine Learning - Aprendizado de Máquina - 01
27:00
Machine Learning - Aprendizado de Máquina - 02
28:08
Machine Learning - Aprendizado de Máquina - 03 - Questões
17:00
Governança de Dados e Qualidade de Dados - DMBok - 01 - Multibancas
29:45
Governança de Dados e Qualidade de Dados - DMBok - 02 - Multibancas
30:50
Governança de Dados e Qualidade de Dados - DMBok - 03 - Multibancas
24:00
Governança de Dados e Qualidade de Dados - DMBok - 04 - Multibancas
29:07
Ciclo de Vida de Ciência de Dados - 1
29:45
Ciclo de Vida de Ciência de Dados - 2
28:48
Ciclo de Vida de Ciência de Dados - 3
30:29
Ciclo de Vida de Ciência de Dados - 4
33:45
Ciclo de Vida de Ciência de Dados - 5
27:08
Ciclo de Vida de Ciência de Dados - 6
30:47
Ingestão de dados - Multibancas - 01
20:00
Otimização de Consultas SQL - FGV - 01
26:35
Indexação de Dados - FGV - 01
30:39
Liquibase e Gestão de Configuração de Esquema de Banco de Dados - Multibancas - 01
19:29
Tratamento de Dados - Multibancas - 01
24:22
Dados Espaciais - Multibancas - 01
23:50
Visualização e Análise Exploratória de Dados - 1
28:57
Visualização e Análise Exploratória de Dados - 2 - Questões
08:32
LGPD - Lei 13.853/2019 - PDF
70 págs.
LGPD-Regular-01
34:00
LGPD-Regular-02
31:15
LGPD-Regular-03
31:57
LGPD-Regular-04
31:21
LGPD-Regular-05
31:26
LGPD-Regular-06
28:37
LGPD-Regular-07
34:17
LGPD-Regular-08
28:45
LGPD-Regular-09
32:01
LGPD-Regular-10
30:52
LGPD-Regular-11
LGPD-Regular-12
31:26
LGPD-Regular-13
36:56
LGPD-Regular-14
36:53
LGPD-Regular-15
26:40
LGPD-Regular-16
35:59
4IV- DADOS E BASES DE DADOS – todas as aulas disponíveis
Conceitos de BD e SGBDs - Cesgranrio - 01
28:35
Conceitos de BD e SGBDs - Cesgranrio - 02
31:27
Big Data Conceitos - 01
25:54
Big Data Conceitos - 02
31:20
Big Data Conceitos - 03
47:20
Big Data em Relação às demais Disciplinas - 01
25:17
Big Data em Relação às demais Disciplinas - 02
22:31
Papéis dos envolvidos em projetos de Ciência de Dados e Big Data - 01
28:06
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 01
31:47
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 02
30:57
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 03
42:22
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 04
26:24
CloudComputing_RetaFinal_MULTIBANCAS_Aula01
29:42
CloudComputing_RetaFinal_MULTIBANCAS_Aula02
25:45
CloudComputing_RetaFinal_MULTIBANCAS_Aula03
32:37
DAS-NAS-SAN - Multibancas - 01
25:24
DAS-NAS-SAN - Multibancas - 02
31:06
DAS-NAS-SAN - Multibancas - 03
23:34
DAS-NAS-SAN - Multibancas - 04
32:39
NoSQL - Regular - Aula 01 - Introdução
35:33
NoSQL - Regular - Aula 02 - Questões de Concurso
37:06
NoSQL - Regular - Aula 03 - NoSQL orientados a grafos
25:07
NoSQL - Regular - Aula 04 - NoSQL orientados a colunas e a documentos
23:19
NoSQL - Regular - Aula 05 - MongoDB
34:49
Abordagem Relacional, Modelagem Conceitual e Relacional - Cesgranrio - 01
30:59
Abordagem Relacional, Modelagem Conceitual e Relacional - Cesgranrio - 02
32:16
Abordagem Relacional, Modelagem Conceitual e Relacional - Cesgranrio - 03
28:57
Abordagem Relacional, Modelagem Conceitual e Relacional - Cesgranrio - 04
32:26
Ingestão de dados - Multibancas - 01
20:00
5V - GESTÃO DE PROJETOS DE CIÊNCIA DE DADOS – todas as aulas disponíveis
Ciclo de Vida de Ciência de Dados - 1
29:45
Ciclo de Vida de Ciência de Dados - 2
28:48
Ciclo de Vida de Ciência de Dados - 3
30:29
Ciclo de Vida de Ciência de Dados - 4
33:45
Ciclo de Vida de Ciência de Dados - 5
27:08
Ciclo de Vida de Ciência de Dados - 6
30:47
Métodos Ágeis - Regular - 01 - Conceitos
31:01
Métodos Ágeis - Regular - 02 - Conceitos
36:13
Métodos Ágeis - Regular - 03 - Planejamento Ágil, RAD
29:13
Métodos Ágeis - Regular - 04 - Prototipação Evolucionária, XP
31:28
Métodos Ágeis - Regular - 05 - Scrum
27:49
Métodos Ágeis - Regular - 06 - Scrum
29:53
Métodos Ágeis - Regular - 07 - Scrum
38:06
Métodos Ágeis - Regular - 08 - Scrum
33:10
Métodos Ágeis - Regular - 09 - Scrum, Kanban
37:51
Métodos Ágeis - Regular - 10 - Lean, TDD, BDD
32:07
Papéis dos envolvidos em projetos de Ciência de Dados e Big Data - 01
28:06
6VI - QUALIDADE E PREPARAÇÃO DE DADOS – 01/09/2024
API REST - FGV - 01
39:08
API REST - FGV - 02
34:39
Ingestão de dados - Multibancas - 01
20:00
Otimização de Consultas SQL - FGV - 01
26:35
Indexação de Dados - FGV - 01
30:39
Liquibase e Gestão de Configuração de Esquema de Banco de Dados - Multibancas - 01
19:29
Tratamento de Dados - Multibancas - 01
24:22
Dados Espaciais - Multibancas - 01
23:50
7VII – MODELAGEM – todas as aulas disponíveis
Aula 00 - Introdução à Inteligência Artificial.
36:43
IA - Avaliação de Modelos - Multibancas
32:01
Tópicos de IA - Aula 01 - IA Generativa Parte 01
27:30
Tópicos de IA - Aula 02 - IA Generativa Parte 02
35:20
Tópicos de IA - Aula 03 - MLOps
29:08
Tópicos de IA - Aula 04 - Ética na IA
31:55
Resolução de Questões Avançadas IA - FGV - 01
35:47
Resolução de Questões Avançadas IA - FGV - 02
29:59
Resolução de Questões Avançadas IA - FGV - 03
27:41
8VIII - CLASSES DE MODELOS – todas as aulas disponíveis
Aula 01 - Introdução a Machine Learning
26:36
Aula 02 - Introdução a Machine Learning - 02
09:10
Aula 03 - Machine Learning - Over e Underfitting
26:21
Aula 04 - Machine Learning - Tipos de Aprendizado
14:42
Aula 05 - Machine Learning - Métricas de Classificação
24:08
Aula 06 - Machine Learning - Classificação, Árvores de Decisão e Random Forest
36:16
Aula 07 - Machine Learning - KNN e Naive Bayes
29:00
Aula 08 - Machine Learning - Redes Neurais Artificais
26:40
Aula 09 - Machine Learning - Regressão Logística e SVM
23:52
Aula 10 - Machine Learning - Regressão
11:40
Aula 11 - Machine Learning - Agrupamento
29:37
Aula 12 - Machine Learning - Regras de Associação e Redução de Dimensionalidade
17:21
Aula 05 - Visão Computacional e Mineração de Textos
18:43
9IX - PROCESSAMENTO DE LINGUAGEM NATURAL (NLP) – todas as aulas disponíveis
Aula 03 - PLN Parte 01
21:34
Aula 04 - PLN Parte 02
23:21
10X - PROGRAMAÇÃO E FERRAMENTAS – 15/08/2024
Python - Regular - 01
31:47
Python - Regular - 02
33:23
Python - Regular - 03
30:31
Python - Regular - 04
31:25
Python - Regular - 05
31:07
Python - Regular - 06
31:54
Python - Regular - 07
33:44
Python - Regular - 08
33:09
Pandas- Regular - 01
32:05
Pandas- Regular - 02
35:19
Python NumPy - Multibancas - 01
36:24
Python NumPy - Multibancas - 02
42:40
Python Matplotlib - Regular
21:44
SQL - Cesgranrio - 01
30:42
SQL - Cesgranrio - 02
31:14
SQL- Cesgranrio - 03
23:14
Git - Multibancas - 01
26:05
Git - Multibancas - 02
26:49
Git - Multibancas - 03
34:07
Power BI - Regular - 01 Introdução e Power BI Desktop
26:36
Power BI - Regular - 02 - Power BI Desktop
31:33
Power BI - Regular - 03 - Power BI Service e Conceitos
30:53
Seaborn- Multibancas
29:40
NLTK e Spacy Multibancas
32:19
Tensor Flow - Regular
29:31
Keras - Multibancas
25:16
PyTorch - Multibancas
35:14
Scikit Learn Multibancas 01
27:33
Scikit Learn Multibancas 02
42:07
11XI - VISUALIZAÇÃO; STORYTELLING E COMUNICAÇÃO CORPORATIVA – 01/09/2024
Visualização e Análise Exploratória de Dados - 1
28:57
Visualização e Análise Exploratória de Dados - 2 - Questões
08:32
QlikView
24:30
Oracle BI EE - 01
29:53
Oracle BI EE - 02
16:52
Oracle BI EE - 03
23:07
12XII – GOVERNANÇA E SEGURANÇA DE DADOS – todas as aulas disponíveis
Governança de Dados e Qualidade de Dados - DMBok - 01 - Multibancas
29:45
Governança de Dados e Qualidade de Dados - DMBok - 02 - Multibancas
30:50
Governança de Dados e Qualidade de Dados - DMBok - 04 - Multibancas
29:07
Governança de Dados e Qualidade de Dados - DMBok - 03 - Multibancas
24:00
13XIII – GOVERNANÇA, SEGURANÇA E APLICAÇÃO RESPONSÁVEL DE IA – 01/09/2024
Professor e Facilitador de Treinamentos
Professor
Servidor Público Federal
Auditor
Professor
professor
Servidor
Atendimento ao aluno Faleconosco. Onde tiro as minhas dúvidas técnicas e resolvo os problemas gerais na plataforma?
Tenho uma dúvida sobre a aula, onde postar?
Durante quanto tempo eu posso assistir às aulas do curso?
Quais as formas de pagamento aceitas no site?
Posso baixar as videoaulas para o meu computador?
Fiz minha matrícula, em quanto tempo o curso estará na área do aluno?
Onde faço o download dos Slides e do material em PDF?
Posso compartilhar o meu curso com outra pessoa?
Em quais formatos os Slides são disponibilizados?
Acesso por 1 ano
Até 1 ano de suporte
Estude quando e onde quiser
Materiais para download
12x R$ 32,08
R$ 385,00 à vista
…
As matrículas para este curso esgotaram-se no momento. Inscreva-se abaixo para reservar o seu nome na próxima turma.
É necessário ter uma conta Professor Gabriel Pacheco. Se você já é aluno, faça o login . Caso não seja, cadastre-se abaixo e comece já!
…
