1. Python para Data Science
1.1. Conceituar a Linguagem
1.2. Anaconda
1.3. biblioteca Pandas
1.3.1. Transformação e carga de dados
1.4. mineração de dados com SciKit Learn
1.5. Análise de Dados
2. Estatística para Data Science I (Linguagem R)
2.1. Inferências estatísticas
2.2. Análise de dados
3. Introdução à Data Science
3.1. Introdução aos principais conceitos
3.1.1. BIG DATA
3.1.2. IA
3.1.3. aprendizado de máquina
3.1.4. Variáveis, populações e amostras
3.1.5. preparação de dados
3.2. conhecer as ferramentas do Cientista de Dados
3.3. Conceituar BIG DATA
3.4. Construção de um modelo preditivo
4. Estatística para Data Science II (Linguagem R)
4.1. Inferência estatística
4.2. Análise de dados
5. IoT
5.1. Conceitos Básicos, definição e arquitetura
5.2. Cadeia de valor
5.3. Aplicações de IoT
5.3.1. ambiente industrial
5.3.2. carro conectado
5.3.3. Big data
5.4. Modelo de informação na IoT
5.4.1. modelo de entidade
5.4.2. modelo de recurso
6. Processamento de Grandes Volumes de Dados (Big Data, Hadoop e MapReduce)
6.1. Apresentar as características, problemas e principais soluções
6.2. Entender o que são grandes volumes de dados
7. Bancos de Dados para Big Data (NoSQL)
7.1. Entender os modelos de armazenamentos dos dados.
7.2. Estudo de Tecnologias
7.2.1. Hadoop
7.2.2. MongoDB
7.2.3. Cassandra
7.3. Sistema de Recuperação
7.4. Banco de Dados não Relacionais
7.5. Linguagem SQL
8. Machine Learning
8.1. Introdução ao aprendizado de máquina
8.2. Principais Problemas
8.3. Dados
8.4. Ferramentas
8.5. Overfitting
8.6. treinamento
8.7. validação
8.8. dados de teste
8.9. Problemas de classificação
8.10. fronteiras de decisão
9. Visualização de Dados
9.1. visualização de dados avançados
9.2. Apresentação das principais ferramentas no mercado para visualização e tomada de decisão.
9.3. Power BI
9.3.1. Dashboards dinâmicos
9.3.2. relatórios interativos
9.3.3. gráficos
10. Computação em nuvem
10.1. Introdução à computação em nuvem
10.2. Modelos de computação em nuvem
10.3. Segurança e confiança de funcionamento na nuvem
10.4. Virtualização de recursos
10.5. Gestão de recursos em ambiente de nuvem
10.6. Armazenamento de dados na nuvem
10.7. Frameworks de programação na nuvem
10.8. Estudos de casos
10.9. Aspetos legais e éticos da computação em nuvem
11. Gerência de Dados e Ingestão
11.1. Ambientes Distribuídos
11.1.1. cloud
11.1.2. ampliação da disponibilidade
11.2. Escalabilidade
11.3. Ingestão de Dados
11.4. Integração de Dados Estruturados
11.4.1. Extração
11.4.2. Enriquecimento
11.5. Construção de Aplicações ETL
12. Inteligência de Negócios para Big Data
12.1. Análisar Informações
12.2. Big data
12.2.1. conjunto de software
12.2.2. Conjunto de algoritmos
13. Recuperação Inteligente de Informações
13.1. Dados, Informações, Conhecimento
13.1.1. Principais tipos de dados em recuperação de informação
13.1.2. Principais tarefas em recuperação de informação
13.2. Modelos formais utilizados
13.2.1. Modelos booleanos
13.2.2. vetorial
13.2.3. probabilísticos
13.3. Avaliação das tarefas de Recuperação de Informação
13.4. Consultas, Consultas estruturadas, Expansão da consulta
13.5. Textos, Medidas de Informação, Compressão de dados
13.6. Indexação e busca Índice invertido e algoritmos de busca
13.7. Técnicas de Inteligência Artificial
13.7.1. Data Mining
13.7.2. Análise de Semântica Latente
13.7.3. Extração de Informação
13.7.4. técnicas associadas
14. Data Mining
14.1. Abordar os aspectos teóricos e práticos da descoberta de conhecimento em bancos de dados
14.1.1. Técnica
14.1.2. Tarefas
14.2. Ferramentas computacionais de suporte às diversas etapas do KDD
14.3. mineração de dados e suas principais derivações
14.3.1. web mining
14.3.2. text mining
14.3.3. process mining
14.3.4. music mining