1. Formação Desenvolvedor RPA
1.1. Fundamentos de Automação Robótica de Processos
1.1.1. 02. Introdução
1.1.2. 03. O que é Automação Robótica de Processos?
1.1.3. 04. Como Funciona a Automação Robótica de Processos?
1.1.4. 05. ROI: Criando um Business Case RPA
1.1.5. 06. Implementando RPA na Sua Empresa
1.1.6. 07. Ferramentas de Automação Robótica de Processos
1.1.7. 08. Estudo de Caso de RPA
1.1.8. 09. Avaliação Final e Certificado de Conclusão
1.2. Automação Robótica de Processos Enterprise com UIPath
1.2.1. 2. Introdução
1.2.2. 3. Introdução à Automação Robótica de Processe com UiPath - Parte 1
1.2.3. 4. Introdução à Automação Robótica de Processe com UiPath - Parte 2
1.2.4. 5. Introdução à Automação Robótica de Processe com UiPath - Parte 3
1.2.5. 6. Automação da Interface do Usuário e Atividades do Sistema
1.2.6. 7. Eventos do Usuário e Web Scraping
1.2.7. 8. Workflow OCR e Automação de Atividades CITRIX
1.2.8. 9. Programação, Depuração e Manipulação de Exceções
1.2.9. 10. Orquestrador do UiPah
1.2.10. 11. Avaliação Final e Certificado
1.3. Automação Robótica de Processos Enterprise com Automation Anywhere
1.3.1. 01. Introdução
1.3.2. 02. Introdução à Automação Anywhere
1.3.3. 03. Variáveis na Automação Anywhere
1.3.4. 04. Bibliotecas de Comandos e Clonagem de Objetos
1.3.5. 05. Construção de Bots
1.3.6. 06. Avaliação Final e Certificado de Conclusão
1.4. Inteligência Artificial Aplicada à Automação Robótica de Processos
1.4.1. 01. Introdução
1.4.2. 02. Inteligência Artificial Aplicada à RPA
1.4.3. 03. Casos de Uso de IA em Ambiente Corporativo
1.4.4. 04. Projetando um Agente IA com RPA
1.4.5. 05. Projeto com Feedback
1.4.6. 06. Avaliação Final e Certificado de Conclusão
1.5. Deep Learning I
1.6. Arquiteto de Soluções AWS
2. Formação Inteligência Artificial
2.1. 1 - Introdução à Inteligência Artificial, Versão 2.0
2.1.1. 01 - Introdução
2.1.2. 02 - Preparando o Ambiente de Desenvolvimento
2.1.3. 03 - Agentes Inteligentes e Sistemas de Busca
2.1.4. 04 - Agentes Lógicos
2.1.5. 05 - Representação do Conhecimento
2.1.6. 06 - Tomada de Decisão
2.1.7. 07 - Aprendizagem
2.1.8. 08 - Processamento de Linguagem Natural
2.1.9. 09 - Percepção e Processamento de Imagens
2.1.10. 10 - Apêndice - Fundamentos Matemáticos
2.1.11. 11 - Avaliação Final e Certificado de Conclusão
2.2. 2. Deep Learning Frameworks, Versão 2.0
2.2.1. 01 - Introdução
2.2.2. 02 - TensorFlow 2 - Quick Start
2.2.3. 03 - TensorFlow 2 - Instalação e Primeiros Passos
2.2.4. 04 - TensorFlow 2 - Tensores e Regressão Linear
2.2.5. 05 - TensorFlow 2 - Machine Learning
2.2.6. 06 - TensorFlow 2 - Redes Neurais Artificiais
2.2.7. 07 - TensorFlow 2 - Deep Learning
2.2.8. 08 - TensorFlow 2 - GPU Computing
2.2.9. 09 - Keras
2.2.10. 10 - PyTorch - Parte 1 - Introdução ao Framework
2.2.11. 11 - PyTorch - Parte 2 - Visão Computacional
2.2.12. 12 - PyTorch - Parte 3 - Processamento de Linguagem Natural
2.2.13. 13 - MXNet e Gluon
2.2.14. 14 - Outros Frameworks
2.2.15. 15 - Mini-Projeto 3
2.2.16. 16 - Mini-Projeto 4
2.2.17. 17 - Avaliação Final e Certificado de Conclusão
2.3. 3. Programação Paralela em GPU
2.3.1. 01 - Introdução
2.3.2. 02 - Hardware para Construção de Modelos em GPU
2.3.3. 03 - Computação em GPU
2.3.4. 04 - Programação Paralela em CUDA - Parte 1
2.3.5. 05 - Programação Paralela em CUDA - Parte 2
2.3.6. 06 - Programação Paralela em CUDA - Parte 3
2.3.7. 07 - Programação Paralela em CUDA - Parte 4
2.3.8. 08 - Programação Paralela em Python - Parte 1
2.3.9. 09 - Programação Paralela em Python - Parte 2
2.3.10. 10 - Avaliação Final e Certificado de Conclusão
2.4. 4. Deep Learning I, Versão 2.0
2.4.1. 01 - Introdução
2.4.2. 02 - Redes Neurais Artificiais
2.4.3. 03 - Perceptrons de Camada Única
2.4.4. 04 - Perceptrons de Múltiplas Camadas - Parte 1
2.4.5. 05 - Perceptrons de Múltiplas Camadas - Parte 2
2.4.6. 06 - Deep Neural Networks
2.4.7. 07 - Redes Neurais Convolucionais - Parte 1
2.4.8. 08 - Redes Neurais Convolucionais - Parte 2
2.4.9. 09 - Redes Neurais Convolucionais - Parte 3
2.4.10. 10 - Avaliação Final e Certificado de Conclusão
2.5. 5. Deep Learning II
2.5.1. 01 - Introdução
2.5.2. 02 - Redes Neurais Recorrentes - Parte 1
2.5.3. 03 - Redes Neurais Recorrentes - Parte 2
2.5.4. 04 - Autoencoders
2.5.5. 05 - Generative Adversarial Networks (GANs)
2.5.6. 06 - Restricted Boltzmann Machines
2.5.7. 07 - Deploy do Modelo de Deep Learning em Produção
2.5.8. 08 - Deep Reinforcement Learning
2.5.9. 09 - Avaliação Final e Certificado de Conclusão
2.6. 6. Visão Computacional e Reconhecimento de Imagem, Versão 2.0
2.6.1. 01 - Introdução
2.6.2. 02 - Processamento de Imagens
2.6.3. 03 - Filtros e Atributos
2.6.4. 04 - Tratamento e Descritores de Imagens
2.6.5. 05 - Detecção e Reconhecimento Facial
2.6.6. 06 - Detecção e Segmentação de Objetos com SSD - Single Shot MultiBox Detector
2.6.7. 07 - Detecção e Segmentação de Objetos com YOLO - You Only Look Once
2.6.8. 08 - Segmentação de Instância com Mask R-CNN
2.6.9. 09 - Processamento de Vídeos e Detecção de Objetos em Tempo Real
2.6.10. 10 - Deep Learning Para Visão Computacional
2.6.11. 11 - Reconstrução de Cenas Com Visão Computacional
2.6.12. 12 - Visão Computacional em Smartphones - App Para Detectar Objetos e Texto
2.6.13. 13 - Modelando e Testando Um Carro Autônomo com RaspberryPi e Visão Computacional
2.6.14. 14 - Avaliação Final e Certificado de Conclusão
2.7. 7. Processamento de Linguagem Natural e Reconhecimento de Voz, Versão 2.0
2.7.1. 01 - Introdução
2.7.2. 02 - Fundamentos de Processamento de Linguagem Natural
2.7.3. 03 - Processo de Mineração de Texto
2.7.4. 04 - Modelagem Estatística da Linguagem - Parte 1
2.7.5. 05 - Modelagem Estatística da Linguagem - Parte 2
2.7.6. 06 - Deep Learning - Word2vec
2.7.7. 07 - Deep Learning - Word2vec Avançado e GloVe
2.7.8. 08 - Deep Learning - Classificação de Sentenças com Redes Neurais Convolucionais
2.7.9. 09 - Deep Learning - Redes Neurais Recorrentes
2.7.10. 10 - Deep Learning - Long-Short Term Memory
2.7.11. 11 - Deep Learning - Sequence-to-Sequence (Seq2Seq)
2.7.12. 12 - Reconhecimento de Voz
2.7.13. 13 - Avaliação Final e Certificado de Conclusão
2.8. 8. Análise em Grafos Para Big Data
2.8.1. 01 - Introdução
2.8.2. 02 - Ferramentas e Graph Databases
2.8.3. 03 - Modelagem e Processamento
2.8.4. 04 - Estruturas de Dados Para Representação de Grafos
2.8.5. 05 - Operações com Grafos
2.8.6. 06 - Análise Visual de Grafos (Networkx)
2.8.7. 07 - Análise Visual de Grafos (Gephi)
2.8.8. 08 - Análise Avançada de Redes
2.8.9. 09 - Bônus - Processamento Distribuído de Grafos com Spark GraphX
2.8.10. 10 - Estudos de Casos
2.8.11. 11 - Avaliação Final e Certificado de Conclusão
2.9. 9. Sistemas Cognitivos
2.9.1. 01 - Introdução
2.9.2. 02 - Redes Semânticas e Sistemas Baseados em Regras
2.9.3. 03 - Modelagem Cognitiva
2.9.4. 04 - IBM Watson - Parte 1
2.9.5. 05 - IBM Watson - Parte 2
2.9.6. 06 - Automated Machine Learning (AutoML)
2.9.7. 07 - H2O AutoML
2.9.8. 08 - Inteligência Artificial com Amazon AWS - Chatbots com Amazon Lex
2.9.9. 09 - Inteligência Artificial com Amazon AWS - Processamento de Texto com Amazon Comprehend
2.9.10. 10 - SAP Leonardo, Salesforce Einstein e Oracle Autonomous DB
2.9.11. 11 - Projeto Final da Formação IA
2.9.12. 12 - Avaliação Final e Certificado de Conclusão
2.10. 10. Bônus: Curso de Introdução ao Sistema Operacional Linux (disponível apenas para quem adquire a Formação)
2.11. 11. Bônus: Governança de Dados (disponível apenas para quem adquire a Formação)
2.12. 12. Bônus: Empreendedorismo em Data Science, IA e Blockchain (disponível apenas para quem adquire a Formação)
2.13. 13. Bônus: Introdução à Lógica de Programação (disponível apenas para quem adquire a Formação)
2.14. 14. Bônus: Web Scraping Para Análise de Dados (disponível apenas para quem adquire a Formação)
3. Formação Desenvolvedor Microsoft para Data Science e Inteligência Artificial (FDM)
3.1. 1. Programação e Machine Learning com C# e .NET Core
3.1.1. 01 - Introdução
3.1.2. 02 - Programação C# - Introdução
3.1.3. 03 - Programação C# - Orientação a Objetos
3.1.4. 04 - Programação C# - Coleções, Consultas LINQ e Lambda Expressions
3.1.5. 05 - Consultas SQL com Microsoft SQL Server
3.1.6. 06 - Programação Visual com Windows Forms
3.1.7. 07 - Machine Learning: Classificação com ML.NET
3.1.8. 08 - Machine Learning: Regressão com ML.NET
3.1.9. 09 - Machine Learning: Clusterização e Sistemas de Recomendação com ML.NET
3.1.10. 10 - Encerramento e Certificado de Conclusão
3.2. 2. Power BI Avançado Para Análise de Dados
3.2.1. 01 - Introdução, Instalação de Softwares e Preparação do Ambiente
3.2.2. 02 - Importação e Transformação de Dados com Power Query e Linguagem M - Parte 1
3.2.3. 03 - Importação e Transformação de Dados com Power Query e Linguagem M - Parte 2
3.2.4. 04 - Modelagem de Dados
3.2.5. 05 - DAX - Parte 1
3.2.6. 06 - DAX - Parte 2
3.2.7. 07 - Desenvolvimento de Relatórios e Dashboards
3.2.8. 08 - Power BI Service
3.2.9. 09 - Real Time Analytics
3.2.10. 10 - Análise Preditiva com Power BI e Machine Learning
3.2.11. 11 - Power BI com Azure Cognitive Services
3.2.12. 12 - Power BI Embedded
3.2.13. 13 - Curso Bônus - Introdução a Bancos de Dados Relacionais e Linguagem SQL
3.2.14. 14 - Encerramento e Certificado de Conclusão
3.3. 3. Armazenamento e Processamento em Nuvem com Microsoft Azure
3.3.1. 01 - Introdução e Preparação do Ambiente
3.3.2. 02 - Azure SQL Databases
3.3.3. 03 - Azure SQL Data Warehouse
3.3.4. 04 - Azure Storage Accounts
3.3.5. 05 - Azure Data Lake Analytics
3.3.6. 06 - Azure Databricks
3.3.7. 07 - Azure Cosmos DB
3.3.8. 08 - Azure IoT Central
3.3.9. 09 - Curso Bônus - Introdução a Bancos de Dados Relacionais e Linguagem SQL
3.3.10. 10 - Encerramento e Certificado de Conclusão
3.4. 4. Cloud Computing Para Data Science e Inteligência Artificial
3.4.1. 01 - Introdução e Preparação do Ambiente
3.4.2. 02 - Azure Cognitive Services com C# para Visão Computacional
3.4.3. 03 - Azure Cognitive Services com C# para Detecção de Anomalias em Séries Temporais
3.4.4. 04 - Azure Cognitive Services com C# para Processamento de Linguagem Natural
3.4.5. 05 - Azure Machine Learning Studio
3.4.6. 06 - Azure Machine Learning Service
3.4.7. 07 - Azure Analysis Services
3.4.8. 08 - Azure Stream Analytics
3.4.9. 09 - Microsoft LUIS, Microsoft Bot Framework e Azure Bot Service
3.4.10. 10 - Encerramento e Certificado de Conclusão
3.5. 5. Bônus: Mineração de Dados com SPSS (disponível apenas para quem adquire a Formação)
3.6. 6. Bônus: Curso de Introdução ao Sistema Operacional Linux (disponível apenas para quem adquire a Formação)
3.7. 7. Bônus: Governança de Dados (disponível apenas para quem adquire a Formação)
3.8. 8. Bônus: Empreendedorismo em Data Science, IA e Blockchain (disponível apenas para quem adquire a Formação)
3.9. 9. Bônus: Introdução à Lógica de Programação (disponível apenas para quem adquire a Formação)
3.10. 10. Bônus: Web Scraping Para Análise de Dados (disponível apenas para quem adquire a Formação)
4. Formação Análise Estatística Para Cientistas de Dados (FAECD)
4.1. 1. Matemática Para Machine Learning
4.2. 2. Análise Estatística Para Data Science I com R e SAS
4.3. 3. Análise Estatística Para Data Science II com R e SAS
4.4. 4. R Fundamentos Para Análise de Dados
4.5. 5. Bônus: Curso de Introdução ao Sistema Operacional Linux (disponível apenas para quem adquire a Formação)
4.6. 6. Bônus: Governança de Dados (disponível apenas para quem adquire a Formação)
4.7. 7. Bônus: Empreendedorismo em Data Science, IA e Blockchain (disponível apenas para quem adquire a Formação)
4.8. 8. Bônus: Introdução à Lógica de Programação (disponível apenas para quem adquire a Formação)
4.9. 9. Bônus: Web Scraping Para Análise de Dados (disponível apenas para quem adquire a Formação)
5. Software AG
5.1. IIoT
5.1.1. Protocolos
5.1.1.1. CAN Bus
5.1.1.2. CANopen
5.1.1.3. LoRa
5.1.1.4. LWM2M
5.1.1.5. Modbus
5.1.1.6. OPC UA
5.1.1.7. Profibus
5.1.1.8. Sigfox
5.1.2. TrendMIner
5.1.3. Cumulocity
5.1.3.1. EDGE
5.1.3.2. Cloud
5.2. Programação
5.2.1. Angular
5.2.2. NodeJS
5.2.3. JavaScript
5.2.4. Lua
5.3. Integração
5.3.1. WebMetods IO
5.3.2. API's
5.4. Apama
5.4.1. EPL
5.4.2. MicroServiço
5.5. Angular
5.5.1. Beginner
5.5.1.1. Angular: Getting Start
5.5.1.2. Angular: The Big Picture
5.5.1.3. Angular Forms
5.5.1.4. Angular CLI
5.5.1.5. Styling Angular Applications
5.5.1.6. Styling Applications with Angular Material
5.5.1.7. Build an Album Store Product Page with Angular
5.5.2. Intermediate
5.5.2.1. Angular Fundamentals
5.5.2.2. Angular Routing
5.5.2.3. Securing Angular Apps with OpenID Connect and OAuth 2
5.5.2.4. Unit Testing in Angular
5.5.2.5. Angular Reactive Forms
5.5.2.6. RxJS in Angular: Reactive Development
5.5.2.7. Angular NGRx: Getting Started
5.5.2.8. Angular HTTP Communication
5.5.2.9. Angular Services
5.5.3. Advanced
5.5.3.1. Angular Best Practices
5.5.3.2. Angular Architecture and Best Practies
5.6. JavaScript
5.7. CSS
5.8. NodeJs
6. Gerenciamento de Projetos
6.1. Métodos Ágeis
6.1.1. Kanban
6.1.2. Scrum
7. Cientista de Dados
7.1. 1. Big Data Analytics com R e Microsoft Azure Machine Learning
7.1.1. 01 - Introdução
7.1.2. 02 - Fundamentos da Linguagem R
7.1.3. 03 - Linguagem R - Fatores, Estruturas de Controle e Funções
7.1.4. 04 - Linguagem R - Gráficos
7.1.5. 05 - Manipulação de Arquivos TXT, CSV e Planilhas Excel em R
7.1.6. 06 - Trabalhando com Bancos de Dados Relacionais e NoSQL em R
7.1.7. 07 - Manipulação de Dados com R
7.1.8. 08 - Introdução à Análise Estatística de Dados - Parte 1
7.1.9. 09 - Introdução à Análise Estatística de Dados - Parte 2
7.1.10. 10 - Introdução à Análise Estatística de Dados - Parte 3
7.1.11. 11 - Machine Learning em Linguagem R
7.1.12. 12 - Microsoft Azure Machine Learning
7.1.13. 13 - Data Munging no Azure Machine Learning
7.1.14. 14 - Análise de Regressão com Linguagem R e Azure Machine Learning
7.1.15. 15 - Classificação com Linguagem R e Azure Machine Learning
7.1.16. 16 - Publicação Online do Modelo Preditivo
7.1.17. 17 - Mini-Projeto - Análise de Sentimentos em Redes Sociais
7.1.18. 18 - Mini-Projeto - Análise de Risco de Crédito
7.1.19. 19 - Mini-Projeto - Mapeando a Ocorrência do Vírus Zika em um Gráfico Interativo
7.1.20. 20 - Projetos Com Feedback
7.1.21. 21 - Bonus
7.1.22. 22 - Avaliação Final e Certificado de Conclusão
7.2. 2. Big Data Real-Time Analytics com Python e Apache Spark
7.2.1. 01 - Introdução
7.2.2. 02 - Manipulação de Dados com Python
7.2.3. 03 - Organização e Visualização de Dados
7.2.4. 04 - Análise Estatística de Dados - Parte 1
7.2.5. 05 - Análise Estatística de Dados - Parte 2
7.2.6. 06 - Machine Learning em Python
7.2.7. 07 - Processando Big Data com Apache Spark
7.2.8. 08 - Apache Spark SQL
7.2.9. 09 - Real-Time Analytics com Spark Streaming
7.2.10. 10 - Análise de Sentimentos do Twitter em Tempo Real com Spark Streaming e NLTK
7.2.11. 11 - Apache Spark Machine Learning
7.2.12. 12 - Projetos Com Feedback
7.2.13. 13 - Bonus
7.2.14. 14 - Avaliação Final e Certificado de Conclusão
7.3. 3. Engenharia de Dados com Hadoop e Spark
7.3.1. 01 - Introdução
7.3.2. 02 - Instalando o Ecossistema Hadoop - Parte 1
7.3.3. 03 - Instalando o Ecossistema Hadoop - Parte 2
7.3.4. 04 - Planejando e Configurando um Cluster Hadoop
7.3.5. 05 - Usando MapReduce em Grandes Volumes de Dados
7.3.6. 06 - Armazenamento de Dados com HBase e Hive - Parte 1
7.3.7. 07 - Armazenamento de Dados com HBase e Hive - Parte 2
7.3.8. 08 - Conectividade ETL (Extract – Transform – Load) com o Sistema Hadoop
7.3.9. 09 - Administração e Manutenção do Hadoop
7.3.10. 10 - Hadoop Machine Learning com Apache Mahout
7.3.11. 11 - Apache Hadoop e Apache Spark
7.3.12. 12 - Projeto - Processando e Analisando Bilhões de Registros com Presto, Hive e AWS EMR - Elastic MapReduce
7.3.13. 13 - Mini-Projeto 1 - Importando Dados do Banco de Dados Oracle para o HDFS
7.3.14. 14 - Mini-Projeto 2 - Prevendo Casos de Doenças Cardíacas
7.3.15. 15 - Mini-Projeto 3 - Design de um Job MapReduce com Spark para os Gastos Totais por Cliente
7.3.16. 16 - Projetos Com Feedback
7.3.17. 17 - Avaliação
7.4. 4. Machine Learning com R e Python
7.4.1. 1 - Introdução
7.4.2. 2 - Algoritmos de Machine Learning e Modelos Preditivos
7.4.3. 3 - Como Funciona a Aprendizagem de Máquina
7.4.4. 4 - Machine Learning - Regressão - Parte 1
7.4.5. 5 - Machine Learning - Regressão - Parte 2
7.4.6. 6 - Classificação com K-Nearest Neighbours (KNN)
7.4.7. 7 - Classificação com Naive Bayes
7.4.8. 8 - Decision Tree, Random Forest e Métodos Ensemble - Parte 1
7.4.9. 9 - Decision Tree, Random Forest e Métodos Ensemble - Parte 2
7.4.10. 10 - Aprendizagem Não Supervisionada - Clustering
7.4.11. 11 - Classificação e Regressão com Support Vector Machines (SVMs)
7.4.12. 12 - Processamento de Linguagem Natural
7.4.13. 13 - Redes Neurais Artificiais
7.4.14. 14 - Redes Neurais Artificiais Profundas (Deep Learning)
7.4.15. 15 - Sistemas de Recomendação
7.4.16. 16 - Mini-Projeto 8 - Implementando um Classificador de Spam com Naive Bayes
7.4.17. 17 - Mini-Projeto 9 - Machine Learning Para Otimização do Retorno Sobre Investimentos
7.4.18. 18 - Mini-Projeto 10 - Otimizando o Sistema de Voos de uma Companhia Aérea
7.4.19. 19 - Bonus - Deploy do Modelo de Machine Learning em Produção com App Web
7.4.20. 20 - Projetos Com Feedback
7.4.21. 21 - Avaliação Final e Certificado de Conclusão
7.5. 5. Business Analytics
7.5.1. 01 - Introdução
7.5.2. 02 - Trabalhando com Analytics - Parte 1
7.5.3. 03 - Trabalhando com Analytics - Parte 2
7.5.4. 04 - Marketing Analytics - Projeto 1 - Segmentação de Clientes de Food Delivery
7.5.5. 05 - Marketing Analytics - Projeto 2 - Teste A/B
7.5.6. 06 - Marketing Analytics - Projeto 3 - Análise de Indicadores de Performance em Redes de Varejo
7.5.7. 07 - Marketing Analytics - Projeto 4 - Otimização de Preços e Mix de Produtos
7.5.8. 08 - RH Analytics
7.5.9. 09 - Health Analytics
7.5.10. 10 - Financial Analytics
7.5.11. 11 - Fraud Analytics (Análise Para Detecção de Fraudes)
7.5.12. 12 - Text Analytics
7.5.13. 13 - Social Network Analytics
7.5.14. 14 - Projetos Com Feedback
7.5.15. 15 - Avaliação Final e Certificado de Conclusão
7.6. 6. Visualização de Dados e Design de Dashboards
7.6.1. 01 - Introdução
7.6.2. 02 - Métodos de Visualização
7.6.3. 03 - Organização Visual
7.6.4. 04 - Dashboard Design
7.6.5. 05 - Visualização de Dados com D3.js
7.6.6. 06 - Visualização de Dados com R
7.6.7. 07 - Visualização de Dados com Python
7.6.8. 08 - Visualização de Dados com Tableau
7.6.9. 09 - Visualização de Dados com Qlik Sense
7.6.10. 10 - Outras Ferramentas de Visualização
7.6.11. 11 - Projetos com Feedback
7.6.12. 12 - Avaliação
7.7. 7. Preparação Para Carreira de Cientista de Dados (curso privado disponível apenas para quem adquire a Formação Cientista de Dados)
7.8. 8. Bônus: Curso de Introdução ao Sistema Operacional Linux (disponível apenas para quem adquire a Formação)
7.9. 9. Bônus: Criação de Portfólio de Projetos (disponível apenas para quem adquire a Formação)
7.10. 10. Bônus: Governança de Dados (disponível apenas para quem adquire a Formação)
7.11. 11. Bônus: Empreendedorismo em Data Science, IA e Blockchain (disponível apenas para quem adquire a Formação)
7.12. 12. Bônus: Introdução à Lógica de Programação (disponível apenas para quem adquire a Formação)
7.13. 13. Bônus: Web Scraping Para Análise de Dados (disponível apenas para quem adquire a Formação)
8. Formação Engenheiro de Machine Learning
8.1. Curso 1 – Fundamentos de Engenharia de Software
8.1.1. 01 Introdução
8.1.2. 02 Introdução à Engenharia de Software
8.1.3. 03 Modelos de Processo de Desenvolvimento
8.1.4. 04 Desenvolvimento Ágil
8.1.5. 05 Modelagem de Software
8.1.6. 06 Engenharia de Requisitos
8.1.7. 07 Projeto Prático 1 - Desenvolvimento de Web App Completa
8.1.8. 08 Projeto Prático 2 - Desenvolvimento de Aplicativo Móvel Completo
8.1.9. 09 Gestão da Qualidade de Software
8.1.10. 10 Avaliação e Certificado de Conclusão
8.2. Curso 2 – Machine Learning em Python e C++
8.2.1. 01 Introdução
8.2.2. 02 Construção de Modelos de Machine Learning
8.2.3. 03 Modelos de Machine Learning Para Classificação em Python
8.2.4. 04 Modelos de Machine Learning Para Regressão em Python
8.2.5. 05 Ensemble Learning em Python
8.2.6. 06 Redes Neurais Artificiais e Deep Learning em Python
8.2.7. 07 Parte 1 da Introdução à Linguagem C++
8.2.8. 08 Parte 2 da Introdução à Linguagem C++
8.2.9. 09 Processamento de Dados em C++
8.2.10. 10 Modelos de Machine Learning Para Classificação em C++
8.2.11. 11 Modelos de Machine Learning Para Regressão em C++
8.2.12. 12 Ensemble Learning em C++
8.2.13. 13 Redes Neurais Artificiais e Deep Learning em C++
8.2.14. 14 Exportação, Importação e Serialização de Modelos de Machine Learning
8.2.15. 15 Avaliação e Certificado de Conclusão
8.3. Curso 3 – Deploy de Modelos de Machine Learning
8.3.1. 01 Introdução
8.3.2. 02 Deploy de Ponta a Ponta
8.3.3. 03 Deploy de Aplicações Preditivas com Streamlit
8.3.4. 04 AWS Sage Maker - Parte 1
8.3.5. 05 AWS Sage Maker - Parte 2
8.3.6. 06 Deploy com TensorFlow e TFX
8.3.7. 07 Deploy com PyTorch
8.3.8. 08 Deploy com MLFlow e Databricks
8.3.9. 09 Deploy com KubeFlow e Docker no Azure
8.3.10. 10 Deploy com Spark MLLib e API Para Cluster Hadoop
8.3.11. 11 Deploy com MxNet e Gluon
8.3.12. 12 Deploy com AWS (Amazon Web Services) e Flask
8.3.13. 13 Deploy com GCP (Google Cloud Platform) e Django
8.3.14. Bônus - Preparação Para o Exame de Certificação AWS Machine Learning Specialist
8.3.15. 15 Avaliação e Certificado de Conclusão
8.4. Curso 4 – Machine Learning Automation
8.4.1. 01 Introdução
8.4.2. 02 AutoML em Python
8.4.3. 03 Cloud AutoML com Google Cloud Platform
8.4.4. 04 AutoML com Microsoft Azure Machine Learning
8.4.5. 05 Automação do Workflow de Data Science com Knime
8.4.6. 06 Automação da Modelagem com RapidMiner
8.4.7. 07 Automação da Mineração de Dados com Orange
8.4.8. 08 Democratizando a IA - AutoML com H2O
8.4.9. 09 Projeto Final - Aplicação de Machine Learning
8.4.10. 10 Avaliação e Certificado de Conclusão
8.5. Design e Administração de Cloud Computing AWS
8.5.1. 01 Introdução
8.5.2. 02 Curso Bônus - Introdução ao Sistema Operacional Linux
8.5.3. 03 Amazon S3 - Amazon Simple Storage Service
8.5.4. 04 Amazon EC2 - Amazon Elastic Compute Cloud
8.5.5. 05 Amazon RDS - Amazon Relational Database Service
8.5.6. 06 Amazon Route 53, Amazon Elastic Load Balancing e Amazon CloudFront
8.5.7. 07 Amazon VPC - Amazon Virtual Private Cloud
8.5.8. 08 Segurança, Identidade e Compliance
8.5.9. 09 Monitoramento e Gerenciamento de Custo
8.5.10. 10 Big Data e AWS Cloud Computing
8.5.11. 11 Serviços de Mensagens e Ambientes Híbridos
8.5.12. 12 Analytics, Machine Learning e Inteligência Artificial
8.5.13. 13 Automação em Machine Learning com AWS Sage Maker
8.5.14. 14 Avaliação Final
9. Formação Engenheiro de Dados (FED)
9.1. 1. Design e Implementação de Data Warehouses
9.1.1. 1 - Introdução
9.1.2. 2 - Business Intelligence e Modelagem de Dados
9.1.3. 3 - Modelo Entidade-Relacionamento
9.1.4. 4 - Modelo Dimensional
9.1.5. 5 - Banco de Dados Oracle - Parte 1
9.1.6. 6 - Banco de Dados Oracle - Parte 2
9.1.7. 7 - Extração, Transformação e Carga de Dados (ETL)
9.1.8. 8 - Projeto - Implementando Data Warehouse - Parte 1
9.1.9. 9 - Projeto - Implementando Data Warehouse - Parte 2
9.1.10. 10 - Implementando Data Warehouse em Nuvem - Parte 1
9.1.11. 11 - Implementando Data Wharehouse em Nuvem - Parte 2
9.1.12. 12 - Avaliação e Certificado de Conclusão
9.2. 2. Data Lake – Design, Projeto e Integração
9.2.1. 1 - Introdução
9.2.2. 2 - O que são Data Lakes
9.2.3. 3 - Data Lake Design - Parte 1
9.2.4. 4 - Data Lake Design - Parte 2
9.2.5. 5 - Data Lake - Aquisição de Dados em Batch
9.2.6. 6 - Data Lake - Aquisição de Dados em Streaming
9.2.7. 7 - Data Lake - Camada de Mensagens
9.2.8. 8 - Data Lake - Armazenamento de Dados
9.2.9. 9 - Data Lake - Deploy, Rollout e Boas Práticas
9.2.10. 10 - Adicionando Camadas ao Data Lake
9.2.11. 11 - Bônus - Construindo um Serverless Data Lake
9.2.12. 12 - Avaliação e certificado de Conclusão
9.3. 3. Segurança e Alta Disponibilidade de Dados
9.3.1. 1 - Introdução
9.3.2. 02 - Alta Disponibilidade em Streaming de Dados Transacionais - Parte 1
9.3.3. 03 - Alta Disponibilidade em Streaming de Dados Transacionais - Parte 2
9.3.4. 04 - Alta Disponibilidade em Streaming de Dados Transacionais - Parte 3
9.3.5. 05 - Alta Disponibilidade em Data Lakes - Parte 1
9.3.6. 06 - Alta Disponibilidade em Data Lakes - Parte 2
9.3.7. 07 - Alta Disponibilidade em Data Lakes - Parte 3
9.3.8. 08 - Segurança no Data Lake
9.3.9. 09 - Segurança no Acesso aos Dados
9.3.10. 10 - Auditoria de Dados
9.3.11. 11 - Testes de Invasão e Prevenção a Roubo de Dados
9.3.12. 12 - Bônus - Governança de Dados com Apache Atlas
9.3.13. 13 - Avaliação e Certificado de Conclusão
9.4. 4. Machine Learning e IA em Ambientes Distribuídos
9.4.1. 01 - Introdução
9.4.2. 02 - Machine Learning em Larga Escala - Parte 1
9.4.3. 03 - Machine Learning em Larga Escala - Parte 2
9.4.4. 04 - Machine Learning em Larga Escala - Parte 3
9.4.5. 05 - Machine Learning em Larga Escala - Parte 4
9.4.6. 06 - Deep Learning e Inteligência Artificial
9.4.7. 07 - Microsserviços - Parte 1
9.4.8. 08 - Microsserviços - Parte 2
9.4.9. 09 - Machine Learning e IA com Docker - Parte 1
9.4.10. 10 - Machine Learning e IA com Docker - Parte 2
9.4.11. 11 - Machine Learning e IA com Docker - Parte 3
9.4.12. 12 - Elastic Search em Ambientes Distribuídos - Parte 1
9.4.13. 13 - Elastic Search em Ambientes Distribuídos - Parte 2
9.4.14. 14 - Avaliação e Certificado de Conclusão
9.5. 5. Analytics, Visualização, Relatórios e Tomada de Decisões com Big Data
9.5.1. 01 - Introdução
9.5.2. 02 - Azure SQL Data Warehouse - Parte 1
9.5.3. 03 - Azure SQL Data Warehouse - Parte 2
9.5.4. 04 - Azure Data Lake e U-SQL - Parte 1
9.5.5. 05 - Azure Data Lake e U-SQL - Parte 2
9.5.6. 06 -Big Data Analytics com Azure HDInsight - Parte 1
9.5.7. 07 -Big Data Analytics com Azure HDInsight - Parte 2
9.5.8. 08 - Power BI Avançado DAX - Parte 1
9.5.9. 09 - Power BI Avançado DAX - Parte 2
9.5.10. 10 - Azure Machine Learning Studio
9.5.11. 11 - Tomada de Decisão com Big Data
9.5.12. 12 - Curso Bônus - Introdução a Bancos de Dados Relacionais e Linguagem SQL
9.5.13. 13 - Avaliação e Certificado de Conclusão