Planos e Assinaturas Mapeamentos/Reta Final - Revisões, Questões Comentadas Focadas no Edital Isoladas/Cursos Regulares - Teoria Completa, Exercícios e Aulas em PDF Isoladas/Cursos de Revisões e Questões - FGV Isoladas/Cursos de Revisões e Questões - FCC Isoladas/Cursos de Revisões e Questões - CESPE/Cebraspe Isoladas/Cursos de Revisões e Questões - Cesgranrio Isoladas/Cursos de Revisões e Questões - Outras Bancas Revisões de Véspera, Simulados e Provas Corrigidas Redações, Discursivas e Peças Técnicas Aprendendo a Estudar - Técnicas de Estudos, de Aprendizagem e Mentoria.

Pesquisar por cursos... Pesquisando por … Sem resultados para … Ver todos os cursos com …

Aula 01 - Introdução a Machine Learning

Vitor Kessler

Auditor Federal de Finanças e Controle da Controladoria-Geral da União – CGU, trabalhando com auditoria de TI e cruzamento de bases de dados.

Compre agora e tenha acesso ao curso completo

R$ 385,00 à vista

Comprar agora

Conteúdo

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

ASSISTIR
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.

Aqui serão postadas agendas das aulas ao vivo e também as próprias aulas realizadas para que possam acompanhar.

3MÓDULO BONUS - Conhecimentos Transversais para Todos os Cargos.

4. Princípios de análise de dados e informações: 4.1. Os dados e as organizações: Tipos de dados: estruturados e não estruturados; quantitativos e qualitativos. Tipos de produtos de dados (bases de dados, relatórios, planilhas, análise exploratória de dados, dashboards, modelos de aprendizado de máquina) e seus usos (explorar, alertar, descrever, explicar, prever, recomendar, otimizar). Princípios de organizações orientadas a dados. Governança de dados e seus benefícios; 4.2. Etapas do ciclo de análise de dados (CRISP-DM). Fundamentos para criação de métricas de negócio (KPIs). Técnicas de identificação de causa raiz (Diagrama de Ishikawa, Cinco Porquês, Análise de Pareto); 4.4. Coleta e preparação dos dados. Problemas comuns em dados: outliers, dados faltantes, erros no tipo dos dados e viés de seleção; 4.6. Introdução à visualização de dados: Tipos de gráficos (barras, pizza, linha, dispersão, histograma), como interpretá-los e quando utilizá-los. Boas práticas para a construção de gráficos (escala dos eixos, margens de erro, disposição de mais de uma série em um único gráfico, ênfase em uma série ou em um ponto, barra ou fatia específicos). Princípios de storytelling com dados; 4.7. Uso responsável de dados: Lei Geral de Proteção de Dados Pessoais – LGPD (Lei nº 13.709/2018 e suas alterações).

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

ASSISTIR
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

ASSISTIR
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

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).

Conceitos de BD e SGBDs - Cesgranrio - 01

28:35

ASSISTIR
Conceitos de BD e SGBDs - Cesgranrio - 02

31:27

ASSISTIR
Big Data Conceitos - 01

25:54

ASSISTIR
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

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.

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

ASSISTIR
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

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.

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

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.

Aula 00 - Introdução à Inteligência Artificial.

36:43

ASSISTIR
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

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.

Aula 01 - Introdução a Machine Learning

26:36

ASSISTIR
Aula 02 - Introdução a Machine Learning - 02

09:10
Aula 03 - Machine Learning - Over e Underfitting

26:21

ASSISTIR
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

ASSISTIR
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

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).

Aula 03 - PLN Parte 01

21:34
Aula 04 - PLN Parte 02

23:21

10X - 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.

Python - Regular - 01

31:47

ASSISTIR
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

ASSISTIR
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

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.

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

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.

Governança de Dados e Qualidade de Dados - DMBok - 01 - Multibancas

29:45

ASSISTIR
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

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.

MAIS 10 MÓDULOS ESCONDER 10 MÓDULOS