Super Academia Data Science - 5 cursos em 1

Tudo sobre Data Science reunido em um único lugar - Python, Visualização no Python, R e WEKA

4.16 (63 reviews)

Udemy

platform

Português

language

Data Science

What you will learn

Entendendo o R

Primeiros passos com o R

Objetos no R

Tipos de objetos: Matrizes, Listas

Identificação de valores faltantes e especiais

Salvar uma workspace

Acesso pelo R-studio

Entendimento dos diferentes tipos de pacotes

Trabalhando com leitura de arquivos externos

Lendo um arquivo na web

Selecionando dados

Gráficos (análise de dados e apresentação)

Tipos de gráficos: Histogramas, Ramo e Folha, Box-plot, Gráfico de dispersão,Gráfico de barras, Setores

Variáveis qualitativas: Nominais e Ordinais

Análise univariada e bivariada

Teste de uma distribuição normal

Comparação de duas médias

Regressão linear simples

Mineração de dados com o R

Instalação do R-studio e R

Vetores,Data frames,Funções

Workspace do r(área de trabalho)

Leitura de uma workspace

Pacotes do R

Uso dos comandos library, intall package,require

Leitura através do R-studio

Sumarizando dados

Uso dos conectores lógicos

Exportando gráficos

Programação: Comando FOR, Criando funções pelo R-studio, Uso de Estatísticas

Variáveis quantitativas: Discretas e Continuas

Teste de hipóteses

Teste chi-quadrado para aderência

Comparação de médias múltiplas pelo teste de Tukey

Regressão linear múltipla

Uso do Google Vis ( biblioteca gráfica do Google)

Desenvolver programas usando a linguagem Python

Manipular estruturas condicionais

Mineração de arquivos com Python

Manipular estruturas de repetição

Realizar operações matemáticas usando Python

Manipular strings

Realizar operações lógicas

Python

Visualizar de dados com Python

Conhecer a biblioteca MATPLOTLIB PYPLOT

Construir gráficos de linhas, barras, dispersão e boxplot

Contexto da Mineração de Dados - Descoberta de conhecimento em banco de dados, Aplicações práticas

Entender o impacto da mineração de dados, Quais são os dados de entrada e saída na Mineração de Dados

Aprender as técnicas de Mineração de Dados (Conceitos Básicos, Aprendizado de Máquina)

Trabalhar com as técnicas: CLASSIFICAÇÃO, INDUÇÃO DE REGRAS, REGRAS DE ASSOCIAÇÃO, AGRUPAMENTO(CLUSTER) , REDES NEURAIS

Utilizar os algoritmos: ÁRVORES DE DECISÃO, APRIORI, KMEANS,ETC

Aprendizado Bayesiano (Operacionalização do conhecimento minerado e sua interpretação)

Validação do conhecimento descoberto

Aprendendo a utilizar o WEKA: uma ferramenta Java para Classificação, Associação, Clustering e Previsão

Explanação de Interfaces Visuais para interpretação e divulgação do conhecimento (Mineração Visual)

Entendimento e apresentação sobre MINERAÇÃO VISUAL- uso da biblioteca D3js

Trabalhando Widget: Color, Distributions, Pivot Table

Trabalhando Widget: Feature Statistics, Data Sample

Trabalhando com Widget: Paint Data

Trabalhando com Widget: Outliers ,Scatter Plot

Trabalhando com: Create Class

Trabalhando com: Select By data index

Trabalhando com: Edit Domain

Trabalhando com: Freeviz

Trabalhando com: Árvore de Decisão

Trabalhando com: Cluster - Imagens

Course Gallery

Super Academia Data Science - 5 cursos em 1 – Screenshot 1 — Screenshot 1 – Super Academia Data Science - 5 cursos em 1

Super Academia Data Science - 5 cursos em 1 – Screenshot 2 — Screenshot 2 – Super Academia Data Science - 5 cursos em 1

Super Academia Data Science - 5 cursos em 1 – Screenshot 3 — Screenshot 3 – Super Academia Data Science - 5 cursos em 1

Super Academia Data Science - 5 cursos em 1 – Screenshot 4 — Screenshot 4 – Super Academia Data Science - 5 cursos em 1

Loading charts...

Super Academia Data Science - 5 cursos em 1

What you will learn

Entendendo o R

Primeiros passos com o R

Objetos no R

Tipos de objetos: Matrizes, Listas

Identificação de valores faltantes e especiais

Salvar uma workspace

Acesso pelo R-studio

Entendimento dos diferentes tipos de pacotes

Trabalhando com leitura de arquivos externos

Lendo um arquivo na web

Selecionando dados

Gráficos (análise de dados e apresentação)

Tipos de gráficos: Histogramas, Ramo e Folha, Box-plot, Gráfico de dispersão,Gráfico de barras, Setores

Variáveis qualitativas: Nominais e Ordinais

Análise univariada e bivariada

Teste de uma distribuição normal

Comparação de duas médias

Regressão linear simples

Mineração de dados com o R

Instalação do R-studio e R

Vetores,Data frames,Funções

Workspace do r(área de trabalho)

Leitura de uma workspace

Pacotes do R

Uso dos comandos library, intall package,require

Leitura através do R-studio

Sumarizando dados

Uso dos conectores lógicos

Exportando gráficos

Programação: Comando FOR, Criando funções pelo R-studio, Uso de Estatísticas

Variáveis quantitativas: Discretas e Continuas

Teste de hipóteses

Teste chi-quadrado para aderência

Comparação de médias múltiplas pelo teste de Tukey

Regressão linear múltipla

Uso do Google Vis ( biblioteca gráfica do Google)

Desenvolver programas usando a linguagem Python

Manipular estruturas condicionais

Mineração de arquivos com Python

Manipular estruturas de repetição

Realizar operações matemáticas usando Python

Manipular strings

Realizar operações lógicas

Python

Visualizar de dados com Python

Conhecer a biblioteca MATPLOTLIB PYPLOT

Construir gráficos de linhas, barras, dispersão e boxplot

Contexto da Mineração de Dados - Descoberta de conhecimento em banco de dados, Aplicações práticas

Entender o impacto da mineração de dados, Quais são os dados de entrada e saída na Mineração de Dados

Aprender as técnicas de Mineração de Dados (Conceitos Básicos, Aprendizado de Máquina)

Trabalhar com as técnicas: CLASSIFICAÇÃO, INDUÇÃO DE REGRAS, REGRAS DE ASSOCIAÇÃO, AGRUPAMENTO(CLUSTER) , REDES NEURAIS

Utilizar os algoritmos: ÁRVORES DE DECISÃO, APRIORI, KMEANS,ETC

Aprendizado Bayesiano (Operacionalização do conhecimento minerado e sua interpretação)

Validação do conhecimento descoberto

Aprendendo a utilizar o WEKA: uma ferramenta Java para Classificação, Associação, Clustering e Previsão

Explanação de Interfaces Visuais para interpretação e divulgação do conhecimento (Mineração Visual)

Entendimento e apresentação sobre MINERAÇÃO VISUAL- uso da biblioteca D3js

Trabalhando Widget: Color, Distributions, Pivot Table

Trabalhando Widget: Feature Statistics, Data Sample

Trabalhando com Widget: Paint Data

Trabalhando com Widget: Outliers ,Scatter Plot

Trabalhando com: Create Class

Trabalhando com: Select By data index

Trabalhando com: Edit Domain

Trabalhando com: Freeviz

Trabalhando com: Árvore de Decisão

Trabalhando com: Árvore de Decisão

Trabalhando com: Cluster - Imagens

Course Gallery

Related Topics