Analise as técnicas mais adequadas para cada conjunto de dados através da análise dos resultados obtidos" 

Este Curso de especialização foi desenvolvido com o objetivo de fornecer aos engenheiros informáticos todos os conhecimentos necessários para analisar os dados de uma empresa. Este aspeto é fundamental para o perfil de qualquer profissional que trabalhe nesta área, uma vez que todos os anos o volume de informação aumenta, tornando mais difícil a sua análise e interpretação.  

Por conseguinte, é necessário uma especialização em conhecimentos especializados que permitam a gestão correta dos dados, centrando-se sempre na sua tipologia e ciclo de vida e na abordagem prática através dos recursos disponíveis. Na ciência dos dados, os conhecimentos de estatística são indispensáveis, daí a importância deste módulo no Curso de especialização. 

No final do Curso de especialização, o engenheiro informático desenvolverá uma atitude crítica em relação às estratégias aplicadas, sendo capaz de discernir em cada caso a solução mais adequada e de explicar de forma fundamentada os resultados obtidos nas diferentes métricas. 

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. 

Crie hipóteses que permitam resolver casos práticos, validando-as através de métricas de forma crítica e fundamentada" 

Este Curso de especialização em Análise Exploratória de Dados conta com o conteúdo educacional mais completo e atualizado do mercado. As suas principais características 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 a 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 

Analise as diferentes ferramentas informáticas para gráficos e Análise Exploratória de Dados com um Curso de especialização 100% online” 

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. 

Produza informação relevante e eficaz para a tomada de decisões, desenvolvendo um pensamento crítico"

Desenvolva competências para resolver casos práticos usando técnicas da ciência dos dados"

A compreensão da enorme massa de informação que é gerada diariamente numa empresa requer profissionais capacitados nas diferentes ferramentas informáticas para gráficos e Análise Exploratória de Dados. Por conseguinte, o conteúdo deste Curso de especialização orientará a aprendizagem dos alunos neste e noutros pontos relacionados, o que lhes permitirá despertar o seu pensamento crítico para tomarem decisões de acordo com a situação que surja no seu ambiente de trabalho. 

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

Módulo 1. Gestão, manipulação de dados e informação para a ciência de dados

1.1. Estatística Variáveis, índices e rácios  

1.1.1. A estatística 
1.1.2. Dimensões e estatísticas 
1.1.3. Variáveis, índices e rácios 

1.2. Tipologia do dado 

1.2.1. Qualitativos 
1.2.2. Quantitativo 
1.2.3. Caraterização e categorias 

1.3. Conhecimento dos dados a partir de medidas  

1.3.1. Medidas de centralização 
1.3.2. Medidas de dispersão
1.3.3. Correlação 

1.4. Conhecimento dos dados a partir de gráficos

1.4.1. Visualização de acordo com o tipo de dados 
1.4.2. Interpretação de informação gráfica 
1.4.3. Customização de gráficos com R 

1.5. Probabilidade  

1.5.1. Probabilidade 
1.5.2. Funcão de probabilidade 
1.5.3. Distribuições 

1.6. Recolha de dados 

1.6.1. Metodologia de recolha 
1.6.2. Ferramentas de recolha 
1.6.3. Canais de recolha 

1.7. Limpeza de dados 

1.7.1. Fases de limpeza de dados 
1.7.2. Qualidade dos dados  
1.7.3. Manipulação de dados (com R) 

1.8. Análise de dados, interpretação e avaliação dos resultados  

1.8.1. Medidas estatísticas 
1.8.2. Indicadores de relação 
1.8.3. Minerização de dados 

1.9. Armazém de dados (Data Warehouse) 

1.9.1. Elementos  
1.9.2. Design 

1.10. Disponibilidade dos dados 

1.10.1. Acesso 
1.10.2. Utilidade 
1.10.3. Segurança

Módulo 2. Representação gráfica para análise de dados

2.1. Análise exploratória 

2.1.1. Representação para análise de informação
2.1.2. O valor da representação gráfica
2.1.3. Novos paradigmas da representação gráfica

2.2. Otimização para a ciência dos dados 

2.2.1. A Gama cromática e o design
2.2.2. A Gestalt na representação gráfica
2.2.3. Erros a evitar e conselhos  

2.3. Fontes de dados básicos

2.3.1. Para representação de qualidade
2.3.2. Para representação de quantidade
2.3.3. Para representação de Tempo

2.4. Fontes de dados complexas

2.4.1. Ficheiros, listas e bases de dados 
2.4.2. Dados abertos
2.4.3. Dados de geração contínua

2.5. Tipos de gráficos 

2.5.1. Representações básicas
2.5.2. Representação de blocos 
2.5.3. Representação para análise de dispersão
2.5.4. Representações circulares
2.5.5. Representações de balões
2.5.6. Representações geográficas 

2.6. Tipos de visualização

2.6.1. Comparativo e relacional
2.6.2. Distribuição
2.6.3. Hierarquia

2.7. Conceção de relatórios com representação gráfica 

2.7.1. Aplicação de gráficos em relatórios de Marketing
2.7.2. Aplicação de gráficos em painéis de controlo e KPI´s
2.7.3. Aplicação de gráficos em planos estratégicos
2.7.4. Outras utilizações, saúde, negócio 

2.8. Narração gráfica

2.8.1. A narração gráfica
2.8.2. Evolução 
2.8.3. Utilidade

2.9. Ferramentas orientadas para a visualização 

2.9.1. Ferramentas avançadas
2.9.2. Software online
2.9.3. Open Source

2.10. Novas tecnologias na visualização de dados 

2.10.1. Sistemas para a virtualização da realidade
2.10.2. Sistemas para aumento e melhoria da realidade
2.10.3. Sistemas inteligentes

Módulo 3. Ferramentas de ciência de dados            

3.1. Ciência de dados

3.1.1. A ciência de dados
3.1.2. Ferramentas avançadas para o cientista de dados  

3.2. Dados, informação e conhecimento

3.2.1. Dados, informação e conhecimento 
3.2.2. Tipos de dados
3.2.3. Fontes de dados

3.3. Dos dados à informação 

3.3.1. Análise de Dados
3.3.2. Tipos de análise
3.3.3. Extração de informação de um Dataset 

3.4. Extração de informação através da visualização

3.4.1. A visualização como ferramenta de análise
3.4.2. Métodos de visualização 
3.4.3. Visualização de um conjunto de dados

3.5. Qualidade dos dados

3.5.1. Dados de qualidade
3.5.2. Limpeza de dados 
3.5.3. Pré-processamento básico de dados

3.6. Dataset

3.6.1. Enriquecimento do Dataset
3.6.2. A maldição da dimensionalidade
3.6.3. Modificação do nosso conjunto de dados

3.7. Desequilíbrio 

3.7.1. Desequilíbrio de classes
3.7.2. Técnicas de mitigação do desiquilíbrio
3.7.3. Equilíbrio de um Dataset

3.8. Modelos sem supervisão 

3.8.1. Modelo não supervisionado
3.8.2. Métodos
3.8.3. Classificação com modelos não supervisionados

3.9. Modelos supervisionados

3.9.1. Modelo supervisionado
3.9.2. Métodos
3.9.3. Classificação com modelos supervisionados

3.10. Ferramentas e melhores práticas

3.10.1. Boas práticas para um cientista de dados
3.10.2. O melhor modelo 
3.10.3. Ferramentas úteis

Crie hipóteses que permitam resolver casos práticos, validando-as através de métricas de forma crítica e fundamentada"