Pular para o conteúdo
KnowledgeCity

Data Science & Machine Learning

Filtros de cursos
Nível de habilidade do curso
Tempo de execução
Limpar todos os filtros
83 cursos para 'Data Science & Machine Learning'
Não encontramos nada hoje, mas volte sempre que adicionamos novos conteúdos todos os meses!
TensorFlow Principiante 1h 49m • 22 Lições • Iniciante Neste curso sobre TensorFlow, começará por aprender como a aprendizagem automática pode ser utilizada para resolver problemas do mundo real em diferentes domínios, como finanças e biologia. Explorará modelos de classificação, processamento de dados Pandas, visualização Seaborn e avaliação de modelos e métricas de desempenho.
TensorFlow para Principiantes: O que é o TensorFlow? 15m • 3 Lições • Iniciante O TensorFlow é uma popular biblioteca de software de código aberto para aprendizagem profunda e é amplamente utilizado em aplicações de aprendizagem automática. Nestas lições, aprenderá sobre a divisão de treino/validação mais comum e a importância de manter um equilíbrio entre os dois conjuntos. Também descobrirá uma das técnicas de pré-processamento que o TensorFlow fornece para imagens, que é crucial para melhorar a precisão do modelo.
TensorFlow para Principiantes: Aprendizagem profunda com TensorFlow 20m • 3 Lições • Iniciante A aprendizagem profunda é um campo em rápida evolução, e ter uma compreensão fundamental dos diferentes métodos e técnicas utilizados na aprendizagem profunda pode ser valioso para os profissionais neste espaço. Nestas lições, aprenderá sobre os diferentes métodos de aprendizagem profunda utilizados no domínio, incluindo as Redes Neuronais Convolucionais (CNN) e os Perceptrons Multicamadas (MLP).
TensorFlow Principiante: Redes Neurais 19m • 3 Lições • Iniciante As redes neurais tornaram-se parte integrante do aprendizado de máquina e podem ser usadas em uma variedade de aplicações, desde o processamento de imagens até o processamento de linguagem natural. Nestas lições, você aprenderá sobre os conceitos fundamentais das redes neurais, incluindo Redes Neurais Artificiais (RNAs) e o método dos mínimos quadrados. Explorará como criar uma ANN usando o TensorFlow e como usar o método dos mínimos quadrados para otimizar seu desempenho.
TensorFlow para Principiantes: Aprendizagem por transferência 20m • 4 Lições • Iniciante A aprendizagem por transferência é uma técnica poderosa na aprendizagem automática que envolve a utilização de modelos pré-treinados para melhorar o desempenho dos seus próprios modelos. Nestas lições, aprenderá sobre os diferentes benefícios da aprendizagem por transferência e como utilizar modelos pré-treinados para melhorar o desempenho dos seus projectos de aprendizagem automática.
TensorFlow para Principiante: Add-ons para TensorFlow 13m • 3 Lições • Iniciante O TensorFlow é uma ferramenta poderosa para a aprendizagem automática, mas há também uma série de complementos disponíveis que podem melhorar as suas capacidades. Nestas lições, irá explorar os diferentes add-ons disponíveis e como utilizá-los eficazmente nos seus projectos de aprendizagem automática.
TensorFlow para Principiantes: Aplicações do mundo real 18m • 4 Lições • Iniciante Nestas lições, aprenderá a aplicar técnicas de aprendizagem automática para resolver problemas complexos do mundo real em vários domínios, como finanças e biologia. Aprenderá sobre modelos de classificação e como podem ser utilizados para resolver desafios como a análise de tensão/esforço de uma barragem, como um exemplo notável.
Modelagem de Classificação 1h 56m • 32 Lições • Intermediário
Aprovado por
International Institute of Business Analysis (IIBA®)
Neste curso, aprenderá os fundamentos da modelagem de classificação usando aprendizagem de máquina. Examinará o pipeline de modelo de classificação típico e onde a classificação de problemas pode ser aplicada. Também aprenderá a recolher, pré-processar e analisar os dados necessários para criar um modelo de classificação viável.
Aprendizagem de máquina e classificação 26m • 6 Lições • Intermediário Estas lições apresentarão a modelagem de classificação e o seu espaço de problemas na aprendizagem de máquina supervisionada. Isso incluirá aprender e reconhecer a diferença entre classificação e previsão e como a modelagem de classificação se encaixa no campo maior da aprendizagem de máquina. Aprenderá como abordar problemas de classificação e será apresentado ao pipeline de modelo de classificação típico.
Problemas de classificação 27m • 6 Lições • Intermediário Estas lições explicarão o processo típico de construção de modelo em referência ao pipeline do modelo de classificação. Também receberá uma introdução aos problemas de classificação binária e multiclasse e as maneiras pelas quais estes são melhor usados. Aprenderá a usar a engenharia de recursos para descobrir as melhores entradas de dados para os seus modelos de classificação.
Algoritmos/Modelos de Classificação 34m • 8 Lições • Intermediário Nestas lições, aprenderá os algoritmos de classificação mais usados e a que problemas eles normalmente se aplicam. Abordaremos vários estilos de modelagem, incluindo: regressão, Naive Bayes, máquinas de vetor de suporte, árvores de decisão, modelos de floresta aleatória, K-Nearest Neighbours e modelos multiclasse.
Desafios 16m • 6 Lições • Intermediário Nestas lições, você aprenderá a escolher o modelo certo, considerando os trade-offs entre eles. Também aprenderá a lidar com desafios comuns enfrentados em modelos de classificação, incluindo viés, imparcialidade e problemas de recolha de dados.
Formulários 10m • 4 Lições • Intermediário Estas lições guiá-lo-ão pelas várias aplicações da modelagem de classificação em cenários da vida real. Aprenderá como a modelagem de classificação e a IA estão a ser usadas em imagens médicas, diagnóstico e prevenção; e como os pesquisadores esperam ajudar os cuidados de saúde no mundo inteiro.
Aprendizado de máquina 55m • 20 Lições • Iniciante Neste curso, aprenderás os fundamentos do aprendizado de máquina. Serás apresentado ao aprendizado de máquina e a alguns dos conceitos e tópicos relacionados. Entenderás os vários tipos e categorias de aprendizado de máquina. Este curso também abordará como implementares modelos de aprendizado de máquina em Python a utilizar o pacote scikit-learn. Os métodos de aprendizado de máquina supervisionados e não supervisionados serão abordados e demonstrados.
Introdução ao aprendizado de máquina 13m • 6 Lições • Iniciante Este capítulo apresentará o aprendizado de máquina e suas duas categorias principais — supervisionado e não supervisionado. Aprenderás sobre o que são e como são usados. Também aprenderás sobre como o aprendizado de máquina está relacionado à inteligência artificial. A importância dos dados será discutida e explicada neste capítulo. Este capítulo também explicará a diferença entre classificação e regressão para aprendizado de máquina.
Métodos de aprendizado de máquina não supervisionado 14m • 3 Lições • Iniciante Este capítulo apresentará o aprendizado de máquina não supervisionado conceitos e técnicas. Ele cobrirá modelos de mistura gaussianas. Também abrangerá vários tipos de clustering. Este capítulo também apresentará o conceito de aprendizagem múltipla e a diferença entre vários tipos.
Métodos de aprendizado de máquina supervisionado 15m • 4 Lições • Iniciante Neste capítulo, aprenderás sobre conceitos e técnicas de aprendizagem supervisionada. Ele cobrirá a regressão linear e logística. Aprenderás sobre máquinas de vector de suporte e seus usos. Este capítulo também abrange árvores de decisão, florestas aleatórias, aprendizado conjunto e como todos eles estão relacionados. As redes neurais também são discutidas neste capítulo.
Desafios e aplicações de aprendizado de máquina 10m • 5 Lições • Iniciante Este capítulo abordará desafios e aplicações no campo de aprendizado de máquina. Ele cobrirá a seleção de modelos para aprendizado de máquina, bem como considerações éticas e outras considerações importantes. Desafios específicos de aprendizado de máquina, bem como algumas de suas aplicações mais populares, também serão abordados.
Ética e responsabilidade da IA 2h 31m • 54 Lições • Intermediário Este curso sobre ética e responsabilidade da IA fornecerá uma visão geral completa das considerações e princípios éticos em torno da responsabilidade nos sistemas de IA. Aprenderá sobre princípios que se aplicam apenas a sistemas de IA, como a explicabilidade, bem como princípios mais amplos, como o princípio da igualdade de acesso à tecnologia, serviços e oportunidades. Aprenderá sobre a intersecção entre a IA ética e os direitos humanos, a governação e o sistema jurídico.
Ética e Responsabilidade da IA: Desenvolvimento da Inteligência Artificial Moderna 24m • 7 Lições • Intermediário Estas aulas sobre o Desenvolvimento da Inteligência Artificial Moderna abordam a história e os antecedentes da inteligência artificial e os aspectos e conceitos fundamentais da inteligência artificial, incluindo o modo como a IA funciona como sistema de decisão.
Ética e Responsabilidade em IA: Desafios Únicos da IA e da Aprendizagem Automática 16m • 5 Lições • Intermediário Nestas lições sobre os desafios únicos da IA e da aprendizagem automática, irá explorar os tipos de aprendizagem automática, incluindo a supervisionada, que utiliza dados rotulados para fazer previsões; a não supervisionada, uma série de técnicas para compreender a estrutura dos dados sem uma variável de resultado; e a aprendizagem por reforço, um dos estilos mais antigos de aprendizagem automática que utiliza um método de aprendizagem baseado em objectivos.
AI Ethics and Accountability: Introduction to Ethical Artificial Intelligence 21m • 7 Lições • Intermediário In these lessons, you’ll learn about the governance landscape around AI. You will learn about AI alignment with human values and external impacts that are indirectly related to the creation and deployment of any AI system, such as environmental impacts. You will also learn about AI systems that do deliberate harm and dark patterns, deceptive design patterns that are used to influence individuals to perform an action that may not be in their best interest.
Ética e responsabilidade da IA: Responsabilidade na IA 8m • 4 Lições • Intermediário A responsabilidade é uma parte crítica da ética da IA e é relevante em todas as fases do ciclo de vida de um sistema de IA, incluindo durante a concepção, após a implementação, bem como quando ocorre algum dano devido ao sistema. Nestas lições sobre Responsabilidade na IA, aprenderá como os sistemas de IA podem ser avaliados utilizando princípios de responsabilidade, juntamente com reformas regulamentares e quadros jurídicos e a sua intersecção com a responsabilidade.
Ética e responsabilidade da IA: Privacidade, Segurança e Protecção na Inteligência Artificial 13m • 6 Lições • Intermediário Estas lições sobre Privacidade, Segurança e Protecção na Inteligência Artificial discutirão o Regulamento Geral de Protecção de Dados, o consentimento, a portabilidade dos dados, a capacidade de restringir o processamento, o direito à rectificação e o direito ao apagamento. Aprenderá conceitos importantes que envolvem fiabilidade e segurança e descobrirá como a monitorização pode detectar potenciais riscos e mitigar rapidamente os danos se o sistema não estiver a funcionar como desejado.
Ética e responsabilidade da IA: Transparência e Explicabilidade na Inteligência Artificial 14m • 5 Lições • Intermediário Nestas lições sobre Transparência e Explicabilidade na Inteligência Artificial, aprenderá sobre explicabilidade e interpretabilidade e a sua intersecção com os conceitos de caixa negra e caixa de vidro da IA. Analisará as vantagens e desvantagens do software de código aberto no desenvolvimento de um sistema de IA. Aprenderá também sobre os princípios da notificação da decisão e da interacção e a sua importância para os sistemas que utilizam a linguagem natural ou o reconhecimento facial.
Ética e responsabilidade da IA: Preconceito, Inclusão e Equidade na Inteligência Artificial 8m • 4 Lições • Intermediário Estas lições sobre Preconceito, Inclusão e Equidade na Inteligência Artificial irão explorar a razão pela qual o preconceito é um dos conceitos mais discutidos envolvendo a ética da IA e porque é que a prevenção do preconceito deve fazer parte da governação de todos os sistemas de IA. Além disso, estas lições irão rever os conceitos de justiça, representatividade e o princípio do impacto inclusivo.
Ética e responsabilidade da IA: Responsabilidade Profissional e Controlo Humano da Tecnologia de IA 8m • 5 Lições • Intermediário Nestas lições sobre Responsabilidade Profissional e Controlo Humano da IA, aprenderá sobre o princípio geral do controlo humano da tecnologia e como este se cruza com o desenvolvimento de sistemas de IA. Verá também como a responsabilidade dos conceptores está ligada à governação do sistema de IA e à colaboração entre várias partes interessadas, a fim de permitir um feedback valioso sobre a concepção do sistema e o seu impacto nos vários grupos de partes interessadas.
AI Ethics and Accountability: Artificial Intelligence and Sociotechnical Systems 17m • 6 Lições • Intermediário In these lessons on AI and Sociotechnical System Impact on Society and Human Values, you’ll learn how human rights may be impacted by AI and understand the intersection of civil rights and civil liberties with AI. You’ll learn about the principle of equal access to technology, services, and opportunities and how this broad principle will change as AI develops further.
Ética e responsabilidade em matéria de IA: Incidentes Críticos de Inteligência Artificial 14m • 3 Lições • Intermediário Estas lições sobre Incidentes Críticos de Inteligência Artificial analisam incidentes significativos de IA através de uma série de exemplos do mundo real de resultados negativos na IA, como foram resolvidos e como poderiam ter sido evitados. Especificamente, trabalhará com estudos de caso centrados em questões de identidade e discriminação, conteúdo ofensivo e implicações legais.
Redes neurais 1h 25m • 24 Lições • Iniciante Neste curso, aprenderás os fundamentos das redes neurais. Receberás uma introdução às redes neurais e conceitos e tópicos intimamente relacionados. Serás capaz de entender os vários aspetos de design das redes neurais e como fazeres selecções para elas. O curso também abordará como implementar redes neurais, especificamente em python.
Introdução às redes neurais 17m • 5 Lições • Iniciante Este capítulo apresentará as redes neurais. Aprenderás sobre o que são e como são usados. Também aprenderás sobre o tipo mais básico de rede neural. As entradas e saídas serão discutidas e explicadas neste capítulo. Este capítulo também explicará a diferença entre classificação e regressão para redes neurais.
Projecto de rede neural 29m • 7 Lições • Iniciante Este capítulo apresentará os conceitos de projecto de redes neurais. Ele abordará a importância dos dados no desempenho e na selecção de redes neurais. Ele também abordará quais funções de activação, funções de perda e otimizadores são, bem como a forma para seleccionares quais usar. Este capítulo também apresentará treinamento, teste e validação para redes neurais.
Implementação de Redes Neurais 28m • 6 Lições • Iniciante Neste capítulo, aprenderás sobre a implementação de redes neurais. Serão discutidas várias linguagens capazes de serem usadas para implementar redes neurais. Aprenderás por que o python é recomendado como a linguagem de programação para começar a implementação da rede neural. Este capítulo também abrange vários frameworks para implementação de redes neurais em python.
Aplicações práticas para redes neurais 7m • 4 Lições • Iniciante Este capítulo cobrirá usos práticos e aplicações para redes neurais. Ele abordará como as redes neurais podem ser usadas para segurança cibernética, automação, detecção de anomalias e sistemas preditivos.
Clustering em Machine Learning 2h 38m • 37 Lições • Intermediário
Aprovado por
International Institute of Business Analysis (IIBA®)
Neste curso, aprenderás o básico de uma variedade de áreas de aprendizado de máquina, a incluir clustering, deteção de anomalias e modelagem de associação. Entenderás o método mais comum de agrupamento, k-means, e como ele pode ser aplicado a dados de pesquisa para criares uma segmentação robusta de clientes, a incluir a criação de personas e uma ferramenta de digitação. Ao final deste curso, saberás como executares várias técnicas diferentes de agrupamento e análise.
Analisar clusters de dados 36m • 7 Lições • Intermediário Estas lições apresentarão o clustering e seu espaço de problemas no aprendizado de máquina não supervisionado. Serás apresentado aos pares de clustering com outras etapas de modelagem, como redução de dimensão, engenharia de recursos e previsão. Também aprenderás a considerar o clustering do ponto de vista comercial, juntamente com os tipos de problemas para os quais ele é útil.
Clustering K-means 52m • 8 Lições • Intermediário Estas lições apresentam o estilo mais comum de clustering, k-means, e funcionam por meio de um caso de uso detalhado de uma segmentação de clientes. Aprenderás a escolher variáveis de entrada, seleccionar o número de clusters e interpretar os centroides. Aprenderás como podes avaliar a qualidade de um modelo de análise de cluster e como lidares com os desafios computacionais que acompanham o clustering. Examinaremos como criar personas e métodos para classificares novos dados.
Algoritmos 24m • 6 Lições • Intermediário Nestas lições, aprenderás os algoritmos de cluster mais usados e a quais problemas eles normalmente aplicam-se. Cobriremos e avaliaremos seus pontos fortes e fracos relativos, e as vantagens e desvantagens entre eles.
Regras associação 16m • 4 Lições • Intermediário Nestas lições, aprenderás sobre as regras de associação e como elas podem ser aplicadas a lojas de varejo, sites de comércio eletrónico e plataformas de mídia. Por sua vez, exploraremos as três medidas mais importantes - suporte, confiança e sustentação - e também como podes interpretar cada uma.
Anomalias 16m • 5 Lições • Intermediário Estas lições te guiarão por vários métodos de deteção de anomalias e suas aplicações no mundo real. Aprenderás como vários estilos de aprendizado de máquina podem ser usados na deteção de anomalias e quais métodos de cluster específicos funcionam para a deteção de anomalias. Por sua vez, exploraremos as florestas de isolamento e como elas podem aplicar-se à aplicação real da deteção de fraudes.
Usos/Aplicações 10m • 5 Lições • Intermediário Estas lições levarão te a vários casos de uso e aplicações do mundo real dos métodos que abordamos no curso. Os casos de uso abrangerão vários cenários, a incluir cenários de medicina, varejo e marketing.
Python para iniciantes em ciência de dados 3h 2m • 24 Lições • Iniciante Neste curso Python para Ciência de Dados, você descobrirá os fundamentos do Python e as habilidades básicas de programação necessárias para usá-lo para a ciência de dados. Essas habilidades fundamentais permitirão que você trabalhe com conjuntos de dados de qualquer tamanho. Você estará escrevendo código em pouco tempo e aproveitando os muitos recursos e ferramentas que vêm com a instalação do Python.
Python para Ciência de Dados: Introdução à Ciência de Dados 31m • 5 Lições • Iniciante Neste curso sobre Introdução à Ciência de Dados, você aprenderá sobre a história do Python e por que ele é uma ótima opção para a ciência de dados. Você também fará o download e instalará diferentes ferramentas para escrever código Python, como IDLE, PyCharm, Anaconda e Jupyter Notebook.
Python para a ciência dos dados: Noções básicas de Python para a ciência dos dados 53m • 6 Lições • Iniciante Neste curso sobre Noções básicas de Python para a Ciência dos Dados, aprenderá sobre variáveis e constantes, tipos de dados, métodos de string, operadores, condicionais e loops. Você aprenderá como reconhecer os diferentes operadores e como escrever loops e instruções if. Este curso irá fornecer-lhe a base necessária para começar a aprender sobre os principais conceitos de programação em Python.
Python para ciência de dados: Estruturas de dados e ciência de dados em Python 46m • 5 Lições • Iniciante Neste curso de Python Data Structures and Data Science, aprenderá sobre tipos de dados complexos, como as diferentes colecções. Também aprenderá a organizar o seu código em funções.
Python para a ciência dos dados: Utilizar Python para recuperar e guardar dados 48m • 6 Lições • Iniciante Neste curso sobre como utilizar Python para recuperar e guardar dados, aprenderá como trabalhar com dados. Python vem com vários recursos embutidos, bem como bibliotecas externas que podemos importar para nos permitir trabalhar com dados de forma eficaz e eficiente. Este curso abordará alguns desses recursos e bibliotecas, incluindo Requests, Math, NumPy e Pandas, além de trabalhar com arquivos em Python.
Python para visualização de dados 1h 33m • 20 Lições • Intermediário O curso centrar-se-á na utilização da biblioteca Python Matplotlib para visualizar dados. A programação Python será feita usando notebooks Python (ficheiros .ipynb) na ferramenta JupyterLab, onde aprenderá a desenhar gráficos de linhas, histogramas, heatmaps e box plots usando Matplotlib. Mostraremos como usar a biblioteca HVPlot para adicionar widgets interativos aos gráficos para obter uma visão mais profunda dos dados que estão sendo visualizados.
Python: Visão geral da visualização de dados e biblioteca de escolha 15m • 3 Lições • Intermediário Estas lições mostrar-lhe-ão como traçar pontos usando coordenadas x e y. De seguida, desenhará uma linha entre os pontos. Também aprenderá a desenhar várias linhas no mesmo gráfico. Os gráficos de linhas podem ser melhorados através da adição de estilos. Com estes gráficos de linhas, aprenderá a adicionar um título ao gráfico, etiquetas para os eixos x e y e etiquetas para cada linha do gráfico. Também verá como adicionar uma legenda que contém cada uma das etiquetas das linhas do gráfico.
Python: Encontrar a Distribuição de Dados com Histogramas 20m • 3 Lições • Intermediário Nestas lições, irá utilizar a biblioteca Numpy para gerar uma distribuição normal aleatória para visualizar com um histograma. Especificaremos a média, o desvio padrão e o número de valores aleatórios para gerar dados exclusivos para diferenciar os gráficos. Aprenderá a utilizar a sub-biblioteca Pyplot da biblioteca Matplotlib para criar histogramas e gerar sub-parcelas, e mostraremos como adicionar estilo a um histograma, como etiquetas, títulos, uma grelha e uma legenda.
Python: Visualizar dados com gráficos de linhas 12m • 3 Lições • Intermediário Nestas lições, irá aprender a visualizar dados com gráficos de linhas. Mostraremos como criar uma única linha de gráfico com etiquetas e grelhas, e aprenderá a dispor subplots de gráficos de linhas. Começará por criar um gráfico de linhas simples e, em seguida, aprenderá a gerar gráficos de linhas com estilos como títulos, rótulos do eixo x e do eixo y e grelhas. Aprenderá também a especificar tipos de letra individuais para títulos e etiquetas de gráficos de linhas.
Python: Criar dados interactivos com gráficos 14m • 3 Lições • Intermediário Nestas lições, aprenderá a criar gráficos interactivos usando HVPlot. A biblioteca Python HVPlot é uma API de plotagem de alto nível construída em HoloViews, que fornece uma API geral e consistente para plotagem de dados. Mostraremos como usar o HVPlot e como funcionam os vários widgets da barra de ferramentas, com funções que incluem panorâmica, redefinição, zoom de caixa, zoom de roda, salvar e passar o mouse.
Python: Criar mapas de calor para visualização de dados 12m • 3 Lições • Intermediário Nestas lições, aprenderá a criar mapas de calor bidimensionais. Inicialmente, irá criar mapas de calor usando a sub-biblioteca Python Matplotlib da biblioteca Pyplot. Simularemos dados de mapa de calor que são gerados usando a função aleatória Numpy para uma matriz bidimensional de valores.
Python: Utilizar a visualização temporal 17m • 3 Lições • Intermediário Nestas lições, irá utilizar o Pandas para ler dados de séries temporais de um ficheiro Excel. Os dados temporais ou de séries temporais podem ser considerados como o acompanhamento do desempenho ao longo do tempo ou a observação de dados numa linha temporal. Vamos mostrar-lhe como traçar várias séries temporais no mesmo gráfico e tirar conclusões sobre os dados a partir dos gráficos.
Tableau intermediário 3h 15m • 31 Lições • Intermediário Este curso de Anna Foard ensinará a criar cálculos de nível intermediário no Tableau. Também aprenderá como construir parâmetros e gráficos avançados. Este curso permitirá que identifique e analise as melhores práticas de painel e aprenda como construir conjuntos. Ao final deste curso, será capaz de criar cálculos lógicos, de data e proporção com o Tableau.
Tableau avançado 3h 9m • 32 Lições • Avançado
Aprovado por
International Institute of Business Analysis (IIBA®)
Neste curso avançado, Anna Foard se concentrará em gráficos e cálculos de dados avançados. Este curso foi criado para que o usuário final tenha um entendimento adequado do Tableau.
Visualização de Dados 2h 13m • 26 Lições • Intermediário
Aprovado por
International Institute of Business Analysis (IIBA®)
A utilização eficaz de técnicas de visualização requer uma combinação de competências, incluindo um conhecimento prático de uma plataforma de programação como o Python versão 3.x, uma sólida experiência em carregar, descarregar e analisar dados em estruturas de dados; utilização de ficheiros como CSVs e JPEGs e conhecimento de um conjunto de ferramentas de bibliotecas para Python.
Definir a visualização de dados 22m • 3 Lições • Intermediário Nestas lições, apresentamos nosso ambiente virtual, Python 3.x, nosso primeiro gráfico, nosso primeiro gráfico 2D e exploraremos a plataforma de notebook Jupyter. Também apresentaremos nossa fórmula para visualização de dados, que inclui recolher, organizar e plotar os resultados. Aprenderá a controlar linhas, padrões, cores, anotações e transparência.
Visualização de dados e ciência de dados 15m • 3 Lições • Intermediário Nestas lições, vamos explorar o trabalho com múltiplas variáveis, múltiplos gráficos, subplots e como interpretar dados. Começaremos com uma exploração de múltiplas variáveis num gráfico simples, como um gráfico XY. Você aprenderá o motivo pelo qual um gráfico XY pode ter um grande número de valores para Y, mas apenas um para X. Também apresentaremos o Numpy, outra ferramenta principal para visualização de dados.
Visualização de Dados e Plotagem 15m • 3 Lições • Intermediário Nestas lições, começamos por mergulhar profundamente no layout e no espaçamento e explorar diferentes formas de desenvolver e traçar usando uma figura com o eixo. De seguida, começará a explorar o Pandas, uma das ferramentas de visualização mais importantes. Descobrirá como o Pandas e a biblioteca Pandas fornecem soluções polivalentes para a visualização e, em alguns casos, é a única biblioteca de que necessitará.
Visualização de dados e mapeamento 17m • 3 Lições • Intermediário Uma realidade da maioria dos projectos de visualização de dados é que, normalmente, terá de enfrentar a tarefa de obter ou criar alguns dos dados de que necessita. Nestas lições, concentramo-nos em duas das técnicas automatizadas mais comuns para obter dados e enfatizamos como pode sempre introduzir os dados de que necessita. Aprenderá que um website é todo em HTML, com muitas etiquetas que podem ser utilizadas para identificar e obter dados.
Visualização de dados e expressão/narrativa 19m • 3 Lições • Intermediário Nestas lições, vamos concentrar-nos na relação entre os gráficos e os conjuntos de dados subjacentes utilizados para os criar. Nem todos os dados são iguais e alguns gráficos funcionam melhor do que outros em determinadas situações. Iremos explorar vários conjuntos de dados conducentes a histogramas, gráficos de dispersão e mapas de calor.
Visualização de dados e tomada de decisões 17m • 3 Lições • Intermediário Nestas lições, aprenderá a modelar um desafio empresarial usando Python. Começaremos por aplicar as regras básicas do negócio a listas Python e outras variáveis, onde as podemos incluir programaticamente no nosso design e depois usá-las como regras de negócio. No nosso exemplo, uma organização de fabrico pode fabricar vários produtos diferentes numa série de máquinas.
Visualização de dados e tecnologia 12m • 3 Lições • Intermediário Nestas lições, começamos com uma rápida exploração da conversão de uma imagem num formato base64 para podermos manipular os dados de forma programática. Por exemplo, verá como uma miniatura pode ser fabricada a partir de uma imagem original densa que pode ser programada para produzir uma imagem miniatura mais pequena e menos densa.
Usos da visualização de dados 10m • 3 Lições • Intermediário A visualização de dados é o produto da nossa capacidade de recolher, organizar e traçar dados; e pode ser mais semelhante a uma forma de arte do que a uma disciplina de programação. O engenheiro de DV bem sucedido consegue recolher dados de todas as fontes, organizá-los e desenhá-los num curto espaço de tempo. Nestas lições, você usará todos os três componentes da abordagem de recolha, organização e plotagem para identificar outliers e tendências nos dados.
Fluxos de Trabalho Essenciais de SIG 1h 49m • 24 Lições • Iniciante Neste curso de Fluxos de Trabalho Essenciais de SIG para Iniciantes, aprenderá os fundamentos dos Sistemas de Informação Geográfica, também conhecidos como SIG. Explicaremos os principais componentes de um SIG, exploraremos as relações geoespaciais e discutiremos como visualizar dados. Também abordaremos como trabalhar com mapas 3D e como imprimir e apresentar o seu projeto.
Fluxos de trabalho essenciais do SIG: Compreender o SIG 21m • 6 Lições • Iniciante Neste curso sobre Fluxos de trabalho essenciais do SIG: Componentes de um SIG, aprenderá sobre os principais componentes de um SIG. Exploraremos todo o hardware, software, pessoas, dados e métodos que estão envolvidos na utilização de um SIG. Também abordaremos os sistemas de coordenadas e a forma de navegar nos mapas num SIG. No final deste curso, terá uma forte compreensão dos diferentes componentes que facilitam o funcionamento de um SIG.
Fluxos de trabalho SIG Essenciais: Explorar relações geoespaciais 26m • 4 Lições • Iniciante Neste curso sobre Fluxos de trabalho SIG Essenciais: Explorar relações geoespaciais, serão explicadas e demonstradas as ferramentas para consultar dados geoespaciais utilizando relações espaciais e consultas a bases de dados. Os métodos de análise de dados espaciais serão explorados mostrando as ferramentas e consultas disponíveis para a análise espacial de dois conjuntos de dados.
Fluxos de Trabalho SIG Essenciais: Trabalhar com e Visualizar Dados SIG 33m • 5 Lições • Iniciante Neste curso sobre Fluxos de Trabalho SIG Essenciais: Trabalhar com e visualizar dados SIG, aprenderá a trabalhar com dados SIG, bem como a visualizar dados SIG para satisfazer as suas necessidades específicas. Exploraremos dados raster, dados vectoriais, ordem de apresentação de dados e simbologia de dados. Também abordaremos a criação e edição de dados SIG. No final deste curso, será capaz de gerir e manipular eficazmente conjuntos de dados SIG.
Fluxos de trabalho SIG essenciais: Mapas 3D e impressão de layouts de mapas 11m • 3 Lições • Iniciante Neste curso sobre Fluxos de trabalho essenciais de SIG: Criação e análise de mapas 3D, aprenderá a criar mapas e modelos 3D em SIG, bem como a consultar e analisar dados 3D. Iremos explorar como criar dados 3D e navegar num mapa 3D, bem como discutir como pode utilizar a análise espacial em dados 3D. No final deste curso, será capaz de criar, manipular e analisar eficazmente dados SIG 3D.
Fluxos de trabalho SIG essenciais: Apresentar o seu projeto 14m • 4 Lições • Iniciante Neste curso sobre Fluxos de trabalho SIG essenciais: Apresentar o seu projeto, aprenderá algumas das melhores práticas para apresentar e exportar os seus projectos SIG. Iremos explorar métodos de partilha de dados, metadados, componentes de mapas, bem como formas comuns de partilhar um projeto. No final deste curso, será capaz de apresentar, partilhar e exportar eficazmente projectos SIG profissionais e bem elaborados.
Big Data 1h 10m • 18 Lições • Iniciante
Aprovado por
International Institute of Business Analysis (IIBA®)
Big data refers to data sets that are too large or complex to be handled by traditional data-processing software. Big data helps organizations make smarter business moves, develop more efficient operations, increase profits and improve customers relations by using the data they collect to identify new opportunities. This course introduces Big Data concepts such as types of data, structured vs. unstructured data, as well as the characteristics and the different use cases for Big Data.
O que é Big Data? 15m • 4 Lições • Iniciante
Aprovado por
Society for Human Resource Management (SHRM®)
Big data é um termo que descreve grandes volumes de dados, muitas vezes difíceis de gerenciar. Estes dados podem ser estruturados e não estruturados. Devido ao seu tamanho, o big data não pode ser armazenado em plataformas de negócios tradicionais. Isso O que é Big Data? O curso apresentará Big Data e como ele é usado. Também aprenderás sobre os factores que impulsionam o crescimento do Big Data, os tipos de Big Data e as fontes de dados.
Sistemas de Big Data e Analytics 18m • 4 Lições • Iniciante
Aprovado por
Society for Human Resource Management (SHRM®)
Para processares Big Data, precisas de uma aplicação centralizada que permita enviares e armazenares dados em um banco de dados relacional. Neste curso de Big Data Systems and Analytics, aprenderás sobre sistemas de armazenamento projetados para Big Data como o Hadoop e sua arquitetura, que inclui o Hadoop Distributed File System, MapReduce e diferentes tipos de nós disponíveis.
Arquitetura de Big Data, Casos de Uso e Necessidades de Infraestrutura 18m • 4 Lições • Iniciante
Aprovado por
Society for Human Resource Management (SHRM®)
O Big Data pode nos ajudar de várias maneiras. A maior parte do Big Data não é estruturada. Na verdade, estima-se que 90% dos casos de uso de Big Data sejam executados em dados não estruturados. Isto significa que precisas ter um plano sólido para determinares como armazenar e utilizar teus dados não estruturados. Nestas lições, aprenderás sobre dados estruturados e não estruturados, bem como arquitetura de Big Data na nuvem pública.
Análises de Big Data, Detecção de Anomalias e Modelos Preditivos 16m • 4 Lições • Iniciante
Aprovado por
Society for Human Resource Management (SHRM®)
A análise de diagnóstico é uma técnica usada para identificar por que um problema acontece. Ao trabalhares com grandes conjuntos de dados e criares a análise, podes usá-la para identificares a causa raiz. Neste curso de Análises de Big Data, Deteção de Anomalias e Modelos Preditivos, aprenderás os vários tipos de análise que podem ser realizados usando Big Data e diagnóstico versus análise descritiva.
Utilização de Excel para análise de dados 3h 29m • 32 Lições • Intermediário
Aprovado por
Society for Human Resource Management (SHRM®)
Neste curso sobre Utilização do Excel para Análise de Dados, aprenderá o básico de como analisar dados usando as ferramentas embutidas do Microsoft Excel. Iremos cobrir o processo de análise de dados, as funções essenciais, diferentes métodos para avaliar dados e como fazer regressões lineares simples.
Utilização de Excel para análise de dados: As Bases 29m • 5 Lições • Intermediário Nestas lições vamos explicar os conceitos por detrás da análise de dados. Vamos rever o processo de identificação das necessidades, recolha de dados, limpeza dos dados, análise dos mesmos e interpretação das nossas conclusões. Aprenderemos a diferença entre dados operacionais e dados analíticos e mergulharemos profundamente em todos os diferentes tipos de gráficos que o Excel oferece.
Utilização de Excel para análise de dados: Análise de dados 41m • 5 Lições • Intermediário Nestas lições, vamos rever como encontrar conjuntos de dados com os quais trabalhar. Em seguida, iremos acompanhá-lo através de cada parte do processo de análise de dados: limpar os dados, enriquecer os dados, procurar conhecimentos e avaliar os resultados. Aprenda onde pode encontrar um tesouro de conjuntos de dados reais para praticar, diferentes formas de apresentar visualmente as suas descobertas e como desempenhar funções analíticas.
Utilização de Excel para análise de dados: Essencial 33m • 5 Lições • Intermediário Nestas lições ser-lhe-ão apresentadas as funções SUM, MIN e MAX, e demonstraremos como as funções incorporadas no Excel podem poupar horas de tempo na produção de resultados analíticos. Também aprenderá como validar os dados introduzidos pelo utilizador antes de entrar no sistema, bem como como utilizar as tabelas de pesquisa.
Utilização de Excel para análise de dados: Métodos 30m • 5 Lições • Intermediário Nestas lições, irá explorar os diferentes métodos de análise de dados que pode realizar em Excel. Aprenderá também como formatar e resumir os seus dados pode ajudá-lo com o processo de análise. Percorreremos a diferença entre os intervalos do Excel e os intervalos estatísticos, e descobrirá como as tabelas podem ajudá-lo a estruturar os seus dados para facilitar a ordenação.
Utilização de Excel para análise de dados: Realização de análises 52m • 7 Lições • Intermediário A análise de variações hipotéticas desempenha um papel importante na análise de dados e nestas lições aprenderá como utilizar o Scenario Manager e o Goal Seek para provar as suas análises. Também aprenderá o valor das simulações e quando e como utilizar sparklines para condensar dados num formato simples e fácil de ler.
Utilização de Excel para análise de dados: Regressão Linear Simples 20m • 3 Lições • Intermediário Nestas lições, saltará para o mundo das estatísticas aprendendo sobre regressão linear e não linear. Vamos rever como o Excel usa funções lineares e não lineares para fazer todas as contas por si e como pode usar tais funções para criar linhas de tendência lineares para ilustrar quaisquer correlações dentro de um conjunto de dados.
Organização de dados para principiantes 1h 16m • 14 Lições • Iniciante
Aprovado por
International Institute of Business Analysis (IIBA®) Society for Human Resource Management (SHRM®)
Neste curso de Organização de dados para principiantes, exploraremos como identificar casos de uso de dados e preparar dados que atendam a esses casos de uso. Quando os dados recolhidos têm de suportar muitos utilizadores e casos de utilização, é necessário garantir que o consumo de dados ocorre de forma consistente e gerida para reduzir os riscos de afetar negativamente a integridade ou a velocidade da análise de dados
Estás pronto para uma equipa mais produtiva, engajada e conhecedora? Começa hoje