Iniciando Data Science (foco em classificação)
1) Fundamentos de análise de dados
- Trabalhando com dados: fundamentos da análise de dados
- Data-Driven: transformação organizacional com foco em dados
- Fundamentos de nuvem: construindo a base
Entregável - Projetar cenários onde sua área pode atuar dentro dos fundamentos de análise de dados e construção na nuvem.
2) Trabalhando com dados relacionais
- Python para Data Science: primeiros passos
- Python para Data Science: trabalhando com funções, estruturas de dados e exceções
- SQLite online: conhecendo instruções SQL
- Realizando consultas com SQL: Joins, Views e transações
- SQLite online: análise de dados com SQL
Entregável - Pegar uma base de dados de exemplo da sua empresa e criar um banco SQLite local para treino.
3) Manipulação de dados com Pandas
- Python e APIs: conhecendo a biblioteca Requests
- Pandas: conhecendo a biblioteca
- Pandas: selecionando e agrupando dados
- Pandas: limpeza e tratamento de dados
- Pandas: transformação e manipulação de dados
Entregável - Automatizar com pandas a limpeza de uma base de dados de uma fonte externa (utilizar API públicas/disponíveis na sua empresa para treinar o uso de Requests).
4) Estatística com Python
- Data Science: explorando e analisando dados
- Estatística com Python: frequências e medidas
- Estatística com Python: Correlação e Regressão
- Data Science: testando hipóteses
Entregável - Análise estatística de uma base de dados da sua área (utilize o máximo de técnicas que conseguir aplicar).
5) Modelos de classificação (Machine Learning)
- Classificação: aprendendo a classificar dados com Machine Learning
- Classificação: validação de modelos e métricas de avaliação
- Classificação: selecionando features
- Classificação: resolvendo problemas multiclasse
- Classificação: otimizando modelos de machine learning
- Classificação: melhorando o desempenho com XGBoost
- Clusterização: lidando com dados sem rótulo
- Dash: construindo dashboards para modelos de Machine Learning
Entregável - Construir um modelo de classificação (não necessariamente o modelo precisa performar. É para treino e exploração/aprendizado).
Planos de estudo são sequências de cursos e outros conteúdos criados por alunos e alunas da Alura para organizar seus estudos. Siga planos que te interessem ou crie o seu próprio.
Passo a passo
-
1
Conteúdo do plano
-
Curso Trabalhando com dados: fundamentos da análise de dados
-
Curso Data-Driven: transformação organizacional com foco em dados
-
Curso Fundamentos de nuvem: construindo a base
-
Curso Python para Data Science: primeiros passos
-
Curso Python para Data Science: trabalhando com funções, estruturas de dados e exceções
-
Curso SQLite online: conhecendo instruções SQL
-
Curso Realizando consultas com SQL: Joins, Views e transações
-
Curso SQLite online: análise de dados com SQL
-
Curso Python e APIs: conhecendo a biblioteca Requests
-
Curso Pandas: conhecendo a biblioteca
-
Curso Pandas: selecionando e agrupando dados
-
Curso Pandas: limpeza e tratamento de dados
-
Curso Pandas: transformação e manipulação de dados
-
Curso Data Science: explorando e analisando dados
-
Curso Estatística com Python: frequências e medidas
-
Curso Estatística com Python: Correlação e Regressão
-
Curso Data Science: testando hipóteses
-
Curso Classificação: aprendendo a classificar dados com Machine Learning
-
Curso Classificação: validação de modelos e métricas de avaliação
-
Curso Classificação: selecionando features
-
Curso Classificação: resolvendo problemas multiclasse
-
Curso Classificação: otimizando modelos de machine learning
-
Curso Classificação: melhorando o desempenho com XGBoost
-
Curso Clusterização: lidando com dados sem rótulo
-
Curso Dash: construindo dashboards para modelos de Machine Learning
-