Nós usamos cookies para criar uma experiência de navegação melhor. Ao acessar o site da MENTORAMA, você concorda com nossa Política de Cookies.
Entendi
Close
Nós usamos cookies para criar uma experiência de navegação melhor. Ao acessar o site da MENTORAMA, você concorda com nossa Política de Cookies.
Entendi
Close
Deixe um pedido de consulta e teste
o acesso ao curso "Cientista de dados do zero ao PRO" totalmente gratuito por 3 dias!
Ao clicar no botão de "Enviar", declaro que li e estou ciente das condições presentes na Política de Privacidade e concordo com os Termos de uso aplicáveis à empresa Mentorama e seus serviços.
Deixe um pedido de consulta e teste
o acesso ao curso "Cientista de dados do zero ao PRO" totalmente gratuito por 3 dias!
Ao clicar no botão de "Enviar", declaro que li e estou ciente das condições presentes na Política de Privacidade e concordo com os Termos de uso aplicáveis à empresa Mentorama e seus serviços.
Você se tornará um analista de dados e será capaz de trabalhar com bibliotecas e bancos de dados, criar sistemas de recomendação e resolver problemas reais usando redes neurais. Além disso, irá construir um portfólio com o qual você encontrará um emprego em uma empresa de tecnologia.
Inscrever-se

2 cursos

Em um programa

8 meses

Treinamento

com dados reais

Um mentor expert

da área
aprendendo na prática
Escola online das profissões
mais procuradas
até 29 de agosto
-40%
CURSO ONLINE

Cientista de Dados do Zero ao PRO

Inscrever-se

O curso não possui nenhum pré-requisito.

Ensinaremos a linguagem python desde o zero, bem como os conceitos teóricos.Ter conhecimentos de estatística, probabilidade e cálculo é bem útil, mas não é fundamental!

O curso não possui nenhum pré-requisito.

Ensinaremos a linguagem python desde o zero, bem como os conceitos teóricos.Ter conhecimentos de estatística, probabilidade e cálculo é bem útil, mas não é fundamental!
Trailer do curso
Descubra as vantagens de aprender Ciência de Dados
Dados do Zero ao PRO
analista de dados

Analista de dados é um trabalho altamente procurado e bem pago

7.500,00
por mês
6.000,00
por mês
É o salário de um cientista de dados com três a cinco anos de experiência de acordo com o site glassdoor.com.
É o salário médio de um cientista de dados com menos de um ano de experiência de acordo com o site glassdoor.com.
Inscrever-se no curso ou obter uma consulta gratuita
Ao clicar no botão "Inscrever-se", declaro que li e estou ciente das condições presentes na Política de Privacidade e concordo com os Termos de uso aplicáveis à empresa Mentorama e seus serviços.
Para quem é o curso
Para iniciantes
Se você sonha com uma profissão de TI moderna e exigente, mas não sabe por onde começar, esta é sua chance de entrar no setor. Você adquirirá o conhecimento e as habilidades necessárias para trabalhar como cientista de dados do zero e será capaz encontrar um emprego enquanto ainda está treinando.
Para desenvolvedores
Você trabalha como programador, mas deseja se envolver ainda mais e crescer profissionalmente. O curso fornecerá uma boa base para a transição para ciência de dados e análise de Big data. Você sistematizará seu conhecimento de programação em Python, aprenderá a matemática e começará a pensar como um analista.
Analistas
Você já tem experiência em ciência de dados e quer se aprimorar naquilo que ama. No curso, você aprenderá como obter o máximo de grandes conjuntos de dados, testar hipóteses e fazer previsões rapidamente, sistematizar seus conhecimentos e ser capaz de se qualificar para uma promoção.

Sua experiência pós-curso

Python
Domine a linguagem mais popular para trabalhar com dados e consiga automaticamente trabalhar com grandes sequências.
Visualização
Aprenda a representar dados na forma de painéis e infográficos interativos para que todos possam entender.
Bibliotecas e bancos de dados
Você será capaz de trabalhar com as bibliotecas pandas e NumPy, bem como dominar os bancos de dados PostgreSQL, SQLite3 e MongoDB.
Modelos em produção
Aprenda a organizar e realizar testes A/B.
Redes neurais
Aprenda a treinar redes neurais usando frameworks e você poderá aumentar significativamente a velocidade de trabalho.
Sistemas de recomendação
Aprenda a criar um sistema de recomendação e crie o seu próprio.
Webinars ao vivo do Centro de Carreiras
Auxílio para preparar seu currículo e portfólio
Canais exclusivos de vagas
Especialistas de Recursos Humanos irão responder às perguntas dos nossos alunos, selecionarão as melhores vagas e ajudarão cada aluno a conseguir o emprego dos sonhos!
Gisele Sales Custódio de Menezes
Head do Centro de Carreiras
Centro de Carreiras Mentorama

Sua experiência pós-curso

Python
Domine a linguagem mais popular para trabalhar com dados e consiga automaticamente trabalhar com grandes sequências.
Visualização
Aprenda a representar dados na forma de painéis e infográficos interativos para que todos possam entender.
Bibliotecas e bancos de dados
Você será capaz de trabalhar com as bibliotecas pandas e NumPy, bem como dominar os bancos de dados PostgreSQL, SQLite3 e MongoDB.
Modelos em produção
Aprenda a organizar e realizar testes A/B.
Redes neurais
Aprenda a treinar redes neurais usando frameworks e você poderá aumentar significativamente a velocidade de trabalho.
Sistemas de recomendação
Aprenda a criar um sistema de recomendação e crie o seu próprio.
Mestre em Matemática Pura e coordenadora de Inteligência Artificial no PicPay. Com vasta experiência na área de ciência de dados, ela já vivenciou o dia a dia de um cientista em consultorias, empresas tradicionais e startups.
Mestre em Matemática Pura e praticante de ciência de dados desde 2016. Além de sua grande experiência como cientista, ele hoje atua como data science manager na Wildlife Studios.
Jéssika Ribeiro
Fabio de Sales Casula
Mentores
Curso cientista de dados
Dimas Soares Lima
Cientista de dados na globo.com, atuou no time de Growth Hacking do Globo Esporte e agora trabalha na plataforma de vídeos que atende todos os produtos de vídeos da Globo.
Catarina Zidde
Graduada cum laude pela Escola Nacional de Ciências Estatísticas e mestranda na Universidade Federal do Rio de Janeiro (UFRJ), passou alguns anos na área de pesquisa acadêmica até migrar para o mercado de trabalho, atuando hoje na Globo como cientista de dados do G1.

Rubens Bolgheroni
Trabalha com dados em geral há mais de seis anos. Atuou nas mais diversas áreas, incluindo saúde, farmácia, entretenimento, área financeira e de meios de pagamentos.
Dados
Dados
Mentores
Cientista de dados PRO
Como acontecerá o treinamento
Fará sua tarefa
Eles corrigem suas tarefas
e dão recomendações sobre seu desenvolvimento
Defenderá seu projeto de tese
Envie seu próprio protótipo no final do curso
De qualquer dispositivo
e em qualquer horário
Trabalho prático próximo a um pedido real
Receberá comentários de tutores
Você assistirá a aulas online
Programação
Cientista de dados do zero
Módulo 1 - O mundo de dados
  • A era da informação
  • Introdução à ciência de dados
  • Introdução a Python
  • Instalação do ambiente
Tarefa: Quiz de fixação e atividade prática – Preparação do ambiente de trabalho pessoal e criar um notebook com células markdown e código simples.
Módulo 2 - Fundamentos básicos de Python 1
  • Variáveis
  • Operadores
  • Estruturas básicas de dados
Tarefa: Quiz de fixação e atividade prática – criação de diferentes tipos de variáveis, expressões, estruturas de dados e conversão entre tipos de dados.
Módulo 3 - Fundamentos básicos de Python 2
  • Estruturas de decisão e repetição
  • Métodos e funções
  • Módulos e pacotes
  • Introdução à orientação a objetos em Python
  • Tratamento de erros
Tarefa: Quiz de fixação e atividade prática – construção de funções para verificação de números pares; implementação de módulo customizado baseado em uma função que gere números aleatórios empregando métodos de detecção de erros e exceções, por fim criação de classes e atributos.
Módulo 4 – Trabalhando com bancos de dados
  • Conexão com banco de dados: SQLite3 e MongoDB
  • Trabalho com banco de dados
  • Leitura e gravação de dados
Tarefa: Quiz de fixação e atividade prática – Quiz de fixação e atividade prática – criação de tabelas de dados com diferentes atributos e registros; e, query de pesquisa e operações nos bancos de dados.
Módulo 5 – Bibliotecas: NumPy e pandas
  • Overview sobre as bibliotecas
  • Trabalhando com NumPy
  • Trabalhando com pandas
Tarefa: Quiz de fixação e atividade prática – Quiz de fixação e atividade prática – criação de dataframe com pandas, criação e manipulação de arrays, cálculo de média para variáveis do dataframe, usando função map, aplicação de filtros e criação de função para divisão dos dados.
Módulo 6 – Análise e visualização de dados
  • Estatística descritiva: teoria
  • Estatística descritiva: prática
  • Visualização de dados com Matplotlib
Tarefa: Quiz de fixação e atividade prática – exploração da relação entre variáveis usando dois conjuntos de dados diferentes e implementação de gráficos.
Módulo 7 – Pré-processamento de dados
  • Preenchimento de dados faltantes
  • Normalização de dados
  • Detecção de outliers
Tarefa: Quiz de fixação e atividade prática – aplicação das técnicas para pré-processamento dos dados, identificação de outliers, aplicação de one-hot-encoding e criação de função para processar o conjunto de dados.
Módulo 8 – Fundamentos de machine learning
  • O que é machine learning
  • Principais desafios ao se trabalhar com machine learning
  • Fundamentos básicos de machine learning
Tarefa: Quiz de fixação e atividade prática – escolha da variável alvo, implementação de diferentes modelos para predizer os crimes que acontecem em uma determinada cidade considerando os conjuntos de treino, validação e teste, além do controle sobre o overfitting e underfitting.
Módulo 9 – Machine learning na prática
  • Trabalhando em um projeto de data science com machine learning de ponta a ponta
  • Fundamentos de modelos de regressão
Tarefa: Quiz de fixação e atividade prática – extração de informações a partir da análise exploratória seguida do pré-processamento das variáveis, implementação de diferentes modelos de regressão utilizando a validação cruzada e o coeficiente de determinação (R2) como métrica, por fim, criação de gráficos para sumarizar os resultados obtidos.
Módulo 10 – Modelos de classificação
  • Principais classificadores
  • Métricas para classificação
  • Análise de resultados
Tarefa: Quiz de fixação e atividade prática – construção de um algoritmo para predição de dígito par ou impar utilizando o conjunto de dados MNIST, diferentes métricas de performance, KNN, validação cruzada e curvas ROC.
Módulo 11 – Implementando modelos de machine learning do zero
  • Regressão linear
  • Regressão polinomial
  • Regularização
  • Regressão logísticа
Tarefa: Quiz de fixação e atividade prática – separação do dataset, implementação de modelos de regressão linear e logística considerando a otimização de parâmetros, regularização e modelos polinomiais com scikit-learn.
Módulo 12 – Modelos de árvores e ensembles
  • Árvores de decisão
  • Random forest
  • Modelos de boosting
Tarefa: Quiz de fixação e atividade prática – implementação de modelos para predizer o preço de imóveis utilizando o grid-search e diferentes modelos de árvores e ensembles.
Módulo 13 – Clusterização
  • Aprendizado não supervisionado
  • K-Means
  • Métricas para K-Means
  • DBSCAN
Tarefa: Quiz de fixação e atividade prática – implementação de clusters RFM (recency, frequency e monetary) para analisar a segmentação de clientes da base de dados a fim de encontrar os clientes mais e menos valiosos.
Módulo 14 – Aplicações: detecção de anomalias
  • Fundamentação estatística para a aplicação
  • Modelos não supervisionados para a detecção de anomalias
Tarefa: Quiz de fixação e atividade prática – construção e avaliação de classe para detecção de anomalias testando diferentes modelos (limiares) para melhor descrição dos dados e comparação com modelos de classificação binária para o mesmo tipo de problema.
Módulo 15 – Aplicações: sistemas de recomendação
  • Recomendações baseadas nos usuários
  • Recomendações baseadas nos produtos
  • Métricas de avaliação
Tarefa: Quiz de fixação e atividade prática – implementação e avaliação de filtros colaborativos: fatoração matricial.
Módulo 16 – Gerenciamento de projetos de dados
  • O que é um projeto de ciência de dados
  • Ciclo de vida de um projeto de ciência de dados
  • Definição das fases de desenvolvimento e deploy de um modelo
  • Boas práticas: organização de arquivos, nomenclatura, documentação e versionamento
  • Monitoramento
Tarefa: Quiz de fixação.
Módulo 1 - O mundo de dados
  • A era da informação
  • Introdução à ciência de dados
  • Introdução a Python
  • Instalação do ambiente
Tarefa: Quiz de fixação e atividade prática – Preparação do ambiente de trabalho pessoal e criar um notebook com células markdown e código simples.
Módulo 2 - Fundamentos básicos de Python 1
  • Variáveis
  • Operadores
  • Estruturas básicas de dados
Tarefa: Quiz de fixação e atividade prática –  criação de diferentes tipos de variáveis, expressões, estruturas de dados e conversão entre tipos de dados.
Módulo 3 -  Fundamentos básicos de Python 2
  • Estruturas de decisão e repetição
  • Métodos e funções
  • Módulos e pacotes
  • Introdução à orientação a objetos em Python
  • Tratamento de erros
Tarefa: Quiz de fixação e atividade prática –  construção de funções para verificação de números pares; implementação de módulo customizado baseado em uma função que gere números aleatórios empregando métodos de detecção de erros e exceções, por fim criação de classes e atributos.
Módulo 4 – Trabalhando com bancos de dados
  • Conexão com banco de dados: SQLite3 e MongoDB
  • Trabalho com banco de dados
  • Leitura e gravação de dados
Tarefa: Quiz de fixação e atividade prática –  Quiz de fixação e atividade prática – criação de tabelas de dados com diferentes atributos e registros; e, query de pesquisa e operações nos bancos de dados.
Módulo 5 – Bibliotecas: NumPy e pandas
  • Overview sobre as bibliotecas
  • Trabalhando com NumPy
  • Trabalhando com pandas
Tarefa: Quiz de fixação e atividade prática –  Quiz de fixação e atividade prática –  criação de dataframe com pandas, criação e manipulação de arrays, cálculo de média para variáveis do dataframe, usando função map, aplicação de filtros e criação de função para divisão dos dados.
Módulo 6 – Análise e visualização de dados
  • Estatística descritiva: teoria
  • Estatística descritiva: prática
  • Visualização de dados com Matplotlib
Tarefa: Quiz de fixação e atividade prática – exploração da relação entre variáveis usando dois conjuntos de dados diferentes e implementação de gráficos.
Módulo 7 – Pré-processamento de dados
  • Preenchimento de dados faltantes
  • Normalização de dados
  • Detecção de outliers
Tarefa:  Quiz de fixação e atividade prática –  aplicação das técnicas para pré-processamento dos dados, identificação de outliers, aplicação de one-hot-encoding e criação de função para processar o conjunto de dados.
Módulo 8 – Fundamentos de machine learning
  • O que é machine learning
  • Principais desafios ao se trabalhar com machine learning
  • Fundamentos básicos de machine learning
Tarefa: Quiz de fixação e atividade prática –  escolha da variável alvo, implementação de diferentes modelos para predizer os crimes que acontecem em uma determinada cidade considerando os conjuntos de treino, validação e teste, além do controle sobre o overfitting e underfitting.
Módulo 9 – Machine learning na prática
  • Trabalhando em um projeto de data science com machine learning de ponta a ponta
  • Fundamentos de modelos de regressão
Tarefa: Quiz de fixação e atividade prática –  extração de informações a partir da análise exploratória seguida do pré-processamento das variáveis, implementação de diferentes modelos de regressão utilizando a validação cruzada e o coeficiente de determinação (R2) como métrica, por fim, criação de gráficos para sumarizar os resultados obtidos.
Módulo 10 – Modelos de classificação
  • Principais classificadores
  • Métricas para classificação
  • Análise de resultados
Tarefa: Quiz de fixação e atividade prática –  construção de um algoritmo para predição de dígito par ou impar utilizando o conjunto de dados MNIST, diferentes métricas de performance, KNN, validação cruzada e curvas ROC.
Módulo 11 – Implementando modelos de machine learning do zero
  • Regressão linear
  • Regressão polinomial
  • Regularização
  • Regressão logísticа
Tarefa: Quiz de fixação e atividade prática –   separação do dataset, implementação de modelos de regressão linear e logística considerando a otimização de parâmetros, regularização e modelos polinomiais com scikit-learn.
Módulo 12 – Modelos de árvores e ensembles
  • Árvores de decisão
  • Random forest
  • Modelos de boosting
Tarefa:  Quiz de fixação e atividade prática –  implementação de modelos para predizer o preço de imóveis utilizando o grid-search e diferentes modelos de árvores e ensembles.
Módulo 13 – Clusterização
  • Aprendizado não supervisionado
  • K-Means
  • Métricas para K-Means
  • DBSCAN
Tarefa: Quiz de fixação e atividade prática –  implementação de clusters RFM (recency, frequency e monetary) para analisar a segmentação de clientes da base de dados a fim de encontrar os clientes mais e menos valiosos.
Módulo 14 – Aplicações: detecção de anomalias
  • Fundamentação estatística para a aplicação
  • Modelos não supervisionados para a detecção de anomalias
Tarefa:  Quiz de fixação e atividade prática –  construção e avaliação de classe para detecção de anomalias testando diferentes modelos (limiares) para melhor descrição dos dados e comparação com modelos de classificação binária para o mesmo tipo de problema.
Módulo 15 – Aplicações: sistemas de recomendação
  • Recomendações baseadas nos usuários
  • Recomendações baseadas nos produtos
  • Métricas de avaliação
Tarefa: Quiz de fixação e atividade prática –  implementação e avaliação de filtros colaborativos: fatoração matricial.
Módulo 16 – Gerenciamento de projetos de dados
  • O que é um projeto de ciência de dados
  • Ciclo de vida de um projeto de ciência de dados
  • Definição das fases de desenvolvimento e deploy de um modelo
  • Boas práticas: organização de arquivos, nomenclatura, documentação e versionamento
  • Monitoramento
Tarefa: Quiz de fixação.
Cientista de dados PRO
Módulo 1 – Importantes tópicos iniciais
  • Introdução a ciência de dados PRO
  • Revisão de tópicos importantes
  • Lidando com o negócio
  • Inteligência Artificial, ética e responsabilidade
  • Cientista e seu ambiente de trabalho
  • Preparando o ambiente para o curso
Tarefa: Leitura e interpretação do artigo “Data Science and the art of persuasion” para ilustrar o terceiro pilar para o cientista de dados: o negócio.
Módulo 2 – Introdução às redes neurais I
  • Introdução ao conceito
  • Estrutura de componentes das redes neurais
  • Treinamento de redes neurais
  • Instalação de TensorFlow 2
  • Redes neurais na prática
  • Usando o Tensorboard
Tarefa: identificação e avaliação da composição de uma rede neural aplicada a diferentes tipos de dados através do playground do tensorflow. Implementação de redes neurais com quantidades diferentes de camadas, funções de ativação e número de neurônios.
Módulo 3 – Introdução às redes neurais II
  • Voltando à estrutura das redes neurais
  • Tipos de redes
  • Tipos de inicialização e funções de ativação
  • Reutilizando camadas pré-treinadas
  • Aceleração e otimização de redes neurais
  • Tunando hiperparâmetros
  • Regularização
Tarefa: implementação de uma rede neural mais complexa utilizando todas as técnicas vistas durante o módulo. 
Módulo 4 – Introdução à visão computacional
  • Redes neurais convolucionais para classificação de imagens: introdução às convoluções
  • Segmentação semântica: localização fraca e redes neurais totalmente convolucionais (FCN)
  • Segmentação semântica: arquiteturas avançadas da FCN para segmentação semântica
  • Detecção de objetos: classificação e localização
  • Detecção de objetos: análise e implementação da arquitetura R-CNN
  • Detecção de objetos: análise de arquiteturas populares (Fast/Faster R-CNN, YOLO, SSD)
Tarefa: implementação de uma rede neural usando o R-CNN para classificar todas as subimagens geradas pelo Selective Search.
Módulo 5 – Introdução ao aprendizado de representação e Redes Adversárias Generativas
  • Representação de dados
  • Autoencoders
  • Deep autoencoders
  • Autoencoders convolucionais
  • Autoencoders recorrentes
  • Autoencoders variacionais
  • De modelos discriminativos a generativos: transferência de estilo
  • Redes adversárias generativas
Tarefa: implementação dos autoencoders variacionais para base de dados de imagens mais avançada a fim de gerar novos dados para tal base.
Módulo 6 – Introdução a séries temporais
  • Conceitos fundamentais
  • Modelos clássicos
  • Prophet – framework do Facebook para forecasting
  • Escalando o Prophet para previsões de grande volume
  • RNN e deep RNNs
  • Lidando com o problema de memória curta com LSTM e GRUs
Tarefa: análise e exploração de dois modelos diferentes para modelar uma serie temporal e o melhor modelo será usado para validar os resultados.
Módulo 7 – Introdução ao Processamento de Linguagem Natural (NLP)
  • NLP – conceitos fundamentais
  • NLP e machine learning
  • NLP em redes neurais: redes neurais recorrentes, classificação de texto
  • NLP em redes neurais: modelos de linguagem, atenção, transformador
  • NLU e criação de agentes conversacionais
  • Gerando conteúdo através de NLG
Tarefa: treinar e analisar um modelo de predição de próxima palavra usando N conjuntos de texto diferentes bem como seu comportamento em bases de dados diferentes.
Módulo 8 – Introdução ao aprendizado por reforço
  • Conceitos fundamentais
  • Motivação e pesquisa na área
  • Aplicando através do OpenAI Gym
  • Q-Learning
  • Deep Q-Learning
  • Tópicos adicionais
Tarefa: treinar um modelo para que o agente seja capaz de sair do labirinto com o menor número de passos usando o algoritmo Q-Learning e também implemente uma função para retornar o caminho percorrido por ele.
Módulo 9 – Redes neurais aplicadas a sistemas de recomendação
  • Conceitos fundamentais
  • Abordagens modernas para a construção de sistemas de recomendação
  • Sistemas de recomendação com base de conhecimento
  • Evoluindo fatoração de matriz
Tarefa: implementação e analise de vetorização de texto para recomendação de conteúdo usando diferentes formas de redução de dimensão, diferentes métodos e fatores, além do cálculo da distância entre os clusteres gerados.
Módulo 10 – Modelos em produção
  • Implementação de modelos na produção
  • Documentação
  • Interpretabilidade do modelo
  • Testes A/B: tamanho de amostra e construção de intervalos de confiança
  • Testes A/B: hipóteses estatísticas e algoritmos para testá-las (Bootstrap e teste estatístico)
  • Métricas de desempenho
  • Comunicando o resultado
  • Servindo o modelo
  • Monitoramento, relatórios e dashboards
Tarefa: gerar uma estrutura de dados com dois modelos diferentes, seguido pela implementação de uma API local com rota para os dois modelos contendo toda documentação detalhada.
Módulo 11 – Bônus: introdução a big data com Databricks e PySpark
  • Principais conceitos de big data e Spark
  • Por que usar Spark no Databricks
  • Criando acesso ao Databricks CE
  • Utilizando as funções Databricks
  • Utilizando PySpark dentro do Databricks
  • Principais funções de PySpark
  • Usando joins no PySpark
Módulo 1 – Importantes tópicos iniciais
  • Introdução a ciência de dados PRO
  • Revisão de tópicos importantes
  • Lidando com o negócio
  • Inteligência Artificial, ética e responsabilidade
  • Cientista e seu ambiente de trabalho
  • Preparando o ambiente para o curso
Tarefa: Leitura e interpretação do artigo “Data Science and the art of persuasion” para ilustrar o terceiro pilar para o cientista de dados: o negócio.
Módulo 2 – Introdução às redes neurais I
  • Introdução ao conceito
  • Estrutura de componentes das redes neurais
  • Treinamento de redes neurais
  • Instalação de TensorFlow 2
  • Redes neurais na prática
  • Usando o Tensorboard
Tarefa: identificação e avaliação da composição de uma rede neural aplicada a diferentes tipos de dados através do playground do tensorflow. Implementação de redes neurais com quantidades diferentes de camadas, funções de ativação e número de neurônios.
Módulo 3 – Introdução às redes neurais II
  • Voltando à estrutura das redes neurais
  • Tipos de redes
  • Tipos de inicialização e funções de ativação
  • Reutilizando camadas pré-treinadas
  • Aceleração e otimização de redes neurais
  • Tunando hiperparâmetros
  • Regularização
Tarefa: implementação de uma rede neural mais complexa utilizando todas as técnicas vistas durante o módulo. 
Módulo 4 – Introdução à visão computacional
  • Redes neurais convolucionais para classificação de imagens: introdução às convoluções
  • Segmentação semântica: localização fraca e redes neurais totalmente convolucionais (FCN)
  • Segmentação semântica: arquiteturas avançadas da FCN para segmentação semântica
  • Detecção de objetos: classificação e localização
  • Detecção de objetos: análise e implementação da arquitetura R-CNN
  • Detecção de objetos: análise de arquiteturas populares (Fast/Faster R-CNN, YOLO, SSD)
Tarefa: implementação de uma rede neural usando o R-CNN para classificar todas as subimagens geradas pelo Selective Search.
Módulo 5 – Introdução ao aprendizado de representação e Redes Adversárias Generativas
  • Representação de dados
  • Autoencoders
  • Deep autoencoders
  • Autoencoders convolucionais
  • Autoencoders recorrentes
  • Autoencoders variacionais
  • De modelos discriminativos a generativos: transferência de estilo
  • Redes adversárias generativas
Tarefa: implementação dos autoencoders variacionais para base de dados de imagens mais avançada a fim de gerar novos dados para tal base.
Módulo 6 – Introdução a séries temporais
  • Conceitos fundamentais
  • Modelos clássicos
  • Prophet – framework do Facebook para forecasting
  • Escalando o Prophet para previsões de grande volume
  • RNN e deep RNNs
  • Lidando com o problema de memória curta com LSTM e GRUs
Tarefa: análise e exploração de dois modelos diferentes para modelar uma serie temporal e o melhor modelo será usado para validar os resultados.
Módulo 7 – Introdução ao Processamento de Linguagem Natural (NLP)
  • NLP – conceitos fundamentais
  • NLP e machine learning
  • NLP em redes neurais: redes neurais recorrentes, classificação de texto
  • NLP em redes neurais: modelos de linguagem, atenção, transformador
  • NLU e criação de agentes conversacionais
  • Gerando conteúdo através de NLG
Tarefa: treinar e analisar um modelo de predição de próxima palavra usando N conjuntos de texto diferentes bem como seu comportamento em bases de dados diferentes.
Módulo 8 – Introdução ao aprendizado por reforço
  • Conceitos fundamentais
  • Motivação e pesquisa na área
  • Aplicando através do OpenAI Gym
  • Q-Learning
  • Deep Q-Learning
  • Tópicos adicionais
Tarefa: treinar um modelo para que o agente seja capaz de sair do labirinto com o menor número de passos usando o algoritmo Q-Learning e também implemente uma função para retornar o caminho percorrido por ele.
Módulo 9 – Redes neurais aplicadas a sistemas de recomendação
  • Conceitos fundamentais
  • Abordagens modernas para a construção de sistemas de recomendação
  • Sistemas de recomendação com base de conhecimento
  • Evoluindo fatoração de matriz
Tarefa: implementação e analise de vetorização de texto para recomendação de conteúdo usando diferentes formas de redução de dimensão, diferentes métodos e fatores, além do cálculo da distância entre os clusteres gerados.
Módulo 10 – Modelos em produção
  • Implementação de modelos na produção
  • Documentação
  • Interpretabilidade do modelo
  • Testes A/B: tamanho de amostra e construção de intervalos de confiança
  • Testes A/B: hipóteses estatísticas e algoritmos para testá-las (Bootstrap e teste estatístico)
  • Métricas de desempenho
  • Comunicando o resultado
  • Servindo o modelo
  • Monitoramento, relatórios e dashboards
Tarefa: gerar uma estrutura de dados com dois modelos diferentes, seguido pela implementação de uma API local com rota para os dois modelos contendo toda documentação detalhada.
Módulo 11 – Bônus: introdução a big data com Databricks e PySpark
  • Principais conceitos de big data e Spark
  • Por que usar Spark no Databricks
  • Criando acesso ao Databricks CE
  • Utilizando as funções Databricks
  • Utilizando PySpark dentro do Databricks
  • Principais funções de PySpark
  • Usando joins no PySpark
Avaliações do curso Cientista de Dados do Zero ao PRO
Seu futuro currículo
Habilidades profissionais:
Cientista de dados especialista
Posição
Aplique os algoritmos de aprendizado sobre o sistema
Trabalhe com MongoDB, PostgreSQL, SQLite3 e SQL
R$ 8.436,00
Salário:
Trabalhe com várias fontes de dados: CSV, XML e XLS
Utilize Python para análise de dados e aprendizado sobre o sistema
Crie painéis
Organize e realize testes A/B
Escreva sistemas de recomendação
Trabalhe com redes neurais
Certificado Mentorama
Confirma que você concluiu o curso e se torna um argumento adicional ao se candidatar a um emprego.
Início
29 de agosto
Restam
12 vagas
Investimento
Preço total a vista
R$ 3.540,00
-40%
para os primeiros 20 alunos
Preço total sem desconto
R$ 5.900,00
R$ 180,24
R$ 295,00
12x sem juros de
Até 24x de
Garantimos seu dinheiro de volta por até 7 dias
Perguntas e respostas
Quais são os requisitos técnicos necessários para fazer o curso?
Você vai precisar apenas de internet com boa conexão. As instruções de download e instalação para ambos estão incluídas no curso.
Como está organizado o ensino em grupos?
Todo o curso é conduzido de forma individual. Os professores corrigem as tarefas e dão dicas de como melhorar o trabalho. Você também pode fazer qualquer pergunta ao mentor no chat ou conversar com o seu grupo.
É possível pular os módulos?
No final de todo módulo, há uma tarefa prática. Ao resolvê-la, você liberará o próximo módulo. Essa metodologia garante que você tenha motivação para continuar a estudar e nós garantimos que você cumpra todas as tarefas necessárias.
Qual o cronograma de treinamento? É possível combinar com o trabalho?
Você pode trabalhar com os materiais do curso a qualquer momento, avançando no programa em seu próprio ritmo. Além disso, todas as aulas estarão disponíveis, desde o início de seus estudos, por dois anos. Assim, você poderá atualizar seu conhecimento sempre que precisar. Todo o formato do treinamento é pensado de maneira que você possa combiná-lo com trabalho, estudo e vida pessoal.
Eu vou poder me comunicar com os mentores?
Dentro do chat, você terá um tutor, e o mentor irá comentar os seus deveres de casa e dar dicas. Você terá a chance de aprender mais com a experiência dos nossos mentores – os líderes do mercado da sua área – e aproveitar seu conhecimento e seus lifehacks.
E se eu precisar de apenas uma parte do curso?
O curso é dividido em duas partes. Se você conferiu o programa e percebeu que precisa de uma delas, poderá pagar apenas por ela. Para isso, deixe seu pedido e diga ao gerente o seu desejo.
Quais são os requisitos técnicos necessários para fazer o curso?
Você vai precisar apenas de internet com boa conexão. As instruções de download e instalação para ambos estão incluídas no curso.
Como está organizado o ensino em grupos?
Todo o curso é conduzido de forma individual. Os professores corrigem as tarefas e dão dicas de como melhorar o trabalho. Você também pode fazer qualquer pergunta ao mentor no chat ou conversar com o seu grupo.
É possível pular os módulos?
No final de todo módulo, há uma tarefa prática. Ao resolvê-la, você liberará o próximo módulo. Essa metodologia garante que você tenha motivação para continuar a estudar e nós garantimos que você cumpra todas as tarefas necessárias.
Qual o cronograma de treinamento? É possível combinar com o trabalho?
Você pode trabalhar com os materiais do curso a qualquer momento, avançando no programa em seu próprio ritmo. Além disso, todas as aulas estarão disponíveis, desde o início de seus estudos, por dois anos. Assim, você poderá atualizar seu conhecimento sempre que precisar. Todo o formato do treinamento é pensado de maneira que você possa combiná-lo com trabalho, estudo e vida pessoal.
Eu vou poder me comunicar com os mentores?
Dentro do chat, você terá um tutor, e o mentor irá comentar os seus deveres de casa e dar dicas. Você terá a chance de aprender mais com a experiência dos nossos mentores – os líderes do mercado da sua área – e aproveitar seu conhecimento e seus lifehacks.
E se eu precisar de apenas uma parte do curso?
O curso é dividido em duas partes. Se você conferiu o programa e percebeu que precisa de uma delas, poderá pagar apenas por ela. Para isso, deixe seu pedido e diga ao gerente o seu desejo.
Invista em uma nova profissão e mude a sua vida
Design
Programação
Gamedev
Aprenda com os melhores profissionais do mercado, domine as habilidades aplicadas e aprimore-as em projetos reais. Assuma o controle do seu tempo, estudando quando for conveniente.
88
dos alunos conseguiram emprego após o curso
40
online para estudar
Marketing
%
cursos
oi@mentorama.com.br
Escola online das profissões mais procuradas
+55 11 4680 4828
Av. Brg. Faria Lima, 2369 - São Paulo -SP
Política do Privacidade
© Mentorama, 2020-2022 | CNPJ: 36.860.664/0001-78
(WhatsApp,
Política de Cookies
Contrato Mentorama EAD
Telefone)
Inscrever-se