Desenvolver competências para converter dados em informação da qual se possa extrair conhecimento e aplicá-la de forma crítica ao seu departamento”

Este Curso de especialização tem como objetivo fornecer aos engenheiros informáticos os conhecimentos necessários para aprenderem as ferramentas, os fundamentos da ciência dos dados e a sua aplicação para resolver um caso prático. Desta forma, serão capazes de analisar os dados, visualizar os conjuntos e tirar conclusões sobre o processamento necessário antes da modelação e a sua influência nos resultados.

À medida que o Curso de especialização avança, será dada especial ênfase à extração do valor máximo dos dados para gerar conhecimentos em estatística e procedimentos de inferência. Desta forma, os alunos serão capazes de compreender e examinar as técnicas mais avançadas de limpeza de dados, transformação, redução da dimensionalidade, bem como seleção de características e instâncias.

Isto será complementado por um módulo dedicado a promover o conhecimento das diferentes técnicas e algoritmos de aprendizagem automática utilizados consoante o tipo de extração a implementar. O interessante deste Curso de especialização e do seu conteúdo é a sua capacidade de apresentar a teoria das redes neuronais e a sua evolução ao longo da história de uma forma didática e prática.

Tudo isto está disponível numa modalidade 100% online que permite ao aluno estudar comodamente onde e quando bem entender. Apenas precisa de um dispositivo com acesso à Internet para levar a sua carreira profissional mais além. Uma modalidade de acordo com a atualidade, com todas as garantias para posicionar o engenheiro num setor muito procurado. 

Concretiza procedimentos eficazes e eficientes para o tratamento de dados de acordo com o tipo de problema apresentado" 

Este Curso de especialização em Técnicas, Algoritmos e Ferramentas para Data Science conta com o conteúdo educativo mais completo e atual do mercado. 

As suas principais caraterísticas são:

• O desenvolvimento de estudos de caso apresentados por especialistas em engenharia centrada no ciclo integrado de dados
• O conteúdo gráfico, esquemático e eminentemente prático do livro fornece informações científicas e práticas sobre as disciplinas que são essenciais para a prática profissional 
• Os exercícios práticos em que o processo de autoavaliação pode ser utilizado para melhorar  aprendizagem 
• A sua ênfase especial em metodologias inovadoras  
• As lições teóricas, perguntas a especialistas, fóruns de discussão sobre questões controversas e atividades de reflexão individual 
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com ligação à Internet

Determine as principais caraterísticas de um conjunto de dados, a sua estrutura, componentes e as implicações da sua distribuição na modelação” 

O corpo docente do Curso de especialização inclui profissionais do setor que trazem a sua experiência profissional para esta especialização, para além de especialistas reconhecidos de sociedades de referência e universidades de prestígio.

Os seus conteúdos multimédia, desenvolvidos com a mais recente tecnologia educativa, permitirão ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma capacitação imersiva programada para praticar em situações reais.

A estrutura desta especialização centra-se na Aprendizagem Baseada em Problemas, na qual o profissional deve tentar resolver as diferentes situações de prática profissional que surgem durante o Curso de especialização. Para tal, contará com a ajuda de um sistema inovador de vídeos interativos criados por especialistas reconhecidos.  

Demonstre a sua capacidade de interpretar a visualização dos dados para análise descritiva com um Curso de especialização que apresenta casos práticos para uma aprendizagem didática"

xaminar métricas e pontuações para quantificar a qualidade dos modelos, tornando-o num engenheiro informático com pensamento crítico"

O conteúdo deste Curso de especialização foi concebido para abranger uma série de conhecimentos indispensáveis ao desenvolvimento profissional dos engenheiros informáticos. Neste sentido, espera-se que o profissional desenvolva um pensamento crítico na aplicação das estratégias, sendo capaz de determinar as vantagens e desvantagens das mesmas. 

Transforme dados em informação, acrescentando valor e permitindo a geração de novos conhecimentos" 

Módulo 1. Ferramentas de ciência de dados

1.1. Ciência de dados

1.1.1. A ciência de dados
1.1.2. Ferramentas avançadas para o cientista de dados  

1.2. Dados, informação e conhecimento

1.2.1. Dados, informação e conhecimento 
1.2.2. Tipos de dados
1.2.3. Fontes de dados

1.3. Dos dados à informação 

1.3.1. Análise de Dados
1.3.2. Tipos de análise
1.3.3. Extração de informação de um Dataset 

1.4. Extração de informação através da visualização

1.4.1. A visualização como ferramenta de análise
1.4.2. Métodos de visualização 
1.4.3. Visualização de um conjunto de dados

1.5. Qualidade dos dados

1.5.1.  Dados de qualidade
1.5.2. Limpeza de dados 
1.5.3. Pré-processamento básico de dados

1.6. Dataset

1.6.1. Enriquecimento do Dataset
1.6.2. A maldição da dimensionalidade
1.6.3. Modificação do nosso conjunto de dados

1.7. Desequilíbrio 

1.7.1. Desequilíbrio de classes
1.7.2. Técnicas de mitigação do desiquilíbrio
1.7.3. Equilíbrio de um Dataset

1.8. Modelos sem supervisão 

1.8.1. Modelo não supervisionado
1.8.2. Métodos
1.8.3. Classificação com modelos não supervisionados

1.9. Modelos supervisionados

1.9.1. Modelo supervisionado
1.9.2. Métodos
1.9.3. Classificação com modelos supervisionados

1.10. Ferramentas e melhores práticas

1.10.1. Boas práticas para um cientista de dados
1.10.2. O melhor modelo 
1.10.3. Ferramentas úteis

Módulo 2. Exploração de dados. Seleção, pré-processamento e transformação     

2.1. A Inferência estatística

2.1.1. Estatística descritiva vs. Inferência estatística
2.1.2. Procedimentos paramétricos
2.1.3. Procedimentos não paramétricos

2.2. Análise exploratória

2.2.1. Análise descritiva 
2.2.2. Visualização
2.2.3. Preparação de dados

2.3. Preparação de dados

2.3.1. Integração e limpeza de dados 
2.3.2. Normalização de dados
2.3.3. Transformando atributos 

2.4. Os valores perdidos

2.4.1. Tratamento de valores perdidos
2.4.2. Métodos de imputação de máxima verosimilhança
2.4.3. Imputação de valores perdidos utilizando a aprendizagem automática

2.5. O ruído dos dados 

2.5.1. Classes de ruído e atributos
2.5.2. Filtragem de ruído 
2.5.3. O efeito do ruído

2.6. A maldição da dimensionalidade

2.6.1. Oversampling
2.6.2. Undersampling
2.6.3. Redução de dados multidimensionais

2.7. De atributos contínuos a discretos

2.7.1. Dados contínuos versus dados discretos
2.7.2. Processo de discretização

2.8. Os dados 

2.8.1. Seleção de dados 
2.8.2. Perspetivas e critérios de seleção
2.8.3. Métodos de seleção 

2.9. Seleção de instâncias

2.9.1. Métodos para a seleção de instâncias
2.9.2. Seleção de protótipos
2.9.3. Métodos avançados para a seleção de instâncias

2.10. Pré-processamento de dados em ambientes Big Data

2.10.1. Big Data
2.10.2. Pré-processamento “clássico" versus massivo
2.10.3. Smart Data    

Módulo 3. Conceção e desenvolvimento de sistemas inteligentes        

3.1. Pré-processamento de dados  

3.1.1. Pré-processamento de dados
3.1.2. Transformação de dados 
3.1.3. Minerização de dados

3.2. Aprendizagem automática

3.2.1. Aprendizagem supervisionada e não supervisionada
3.2.2. Aprendizagem por reforço
3.2.3. Outros paradigmas de aprendizagem

3.3. Algoritmos de classificação

3.3.1. Aprendizagem automática Indutiva
3.3.2. SVM e KNN
3.3.3. Métricas e pontuações para classificação

3.4. Algoritmos de Regressão 

3.4.1. Regressão linear, regressão logística e modelos não lineares 
3.4.2. Séries temporais 
3.4.3. Métricas e pontuações para Regressão 

3.5. Algoritmos de agrupamento 

3.5.1. Técnicas de agrupamento hierárquico 
3.5.2. Técnicas de agrupamento parcial 
3.5.3. Métricas e pontuações para clustering 

3.6. Técnicas de regras de associação 

3.6.1. Métodos para a extração de regras 
3.6.2. Métricas e pontuações para os algoritmos de regras de associação 

3.7. Técnicas de classificação avançadas. Multiclassificadores 

3.7.1. Algoritmos de Bagging 
3.7.2. Classificador “Random Forests” 
3.7.3. “Boosting” para árvores de decisão 

3.8. Modelos gráficos probabilísticos 

3.8.1. Modelos probabilísticos 
3.8.2. Redes Bayesianas. Propriedades, representação e parametrização  
3.8.3. Outros Modelos gráficos probabilísticos 

3.9. Redes neurais 

3.9.1. Aprendizagem automática com redes neuronais artificiais 
3.9.2. Redes feed forward 

3.10. Aprendizagem aprofundada 

3.10.1. Redes feed forward profundas 
3.10.2. Redes neuronais convolucionais e modelos sequenciais 
3.10.3. Ferramentas para implementação de redes neuronais profundas

Comprovação das competências adquiridas para compreender os diferentes algoritmos de aprendizagem automática com o Curso de especialização mais atual do mercado"