01 – 1 Dados estruturados e não estruturados. Dados abertos. Coleta, tratamento, armazenamento, integração e recuperação de dados. Processos de ETL. Formatos e tecnologias: XML, JSON, CSV. Representação de dados numéricos, textuais e estruturados; aritmética computacional. Representação de dados espaciais para georeferenciamento e geosensoriamento – Parte 1/3
02 – 1 Dados estruturados e não estruturados. Dados abertos. Coleta, tratamento, armazenamento, integração e recuperação de dados. Processos de ETL. Formatos e tecnologias: XML, JSON, CSV. Representação de dados numéricos, textuais e estruturados; aritmética computacional. Representação de dados espaciais para georeferenciamento e geosensoriamento – Parte 2/3
03 – 1 Dados estruturados e não estruturados. Dados abertos. Coleta, tratamento, armazenamento, integração e recuperação de dados. Processos de ETL. Formatos e tecnologias: XML, JSON, CSV. Representação de dados numéricos, textuais e estruturados; aritmética computacional. Representação de dados espaciais para georeferenciamento e geosensoriamento – Parte 3/3
04 – 2 Bancos de dados relacionais: teoria e implementação.
05 – 2 Bancos de dados relacionais:Uso do SQL como DDL, DML, DCL. Processamento de transações – Parte 1/3
06 – 2 Bancos de dados relacionais:Uso do SQL como DDL, DML, DCL. Processamento de transações – Parte 2/3
07 – 2 Bancos de dados relacionais:Uso do SQL como DDL, DML, DCL. Processamento de transações – Parte 3/3
08 – 3 Exploração de dados: conceituação e características. Noções do modelo CRISP-DM. Técnicas para pré-processamento de dados. Técnicas e tarefas de mineração de dados. Classificação. Regras de associação. Análise de agrupamentos (clusterização). Detecção de anomalias. Modelagem preditiva.
09 – Lógica de Programação
10 – 6 Linguagem Python: sintaxe, variáveis, tipos de dados e estruturas de controle de fluxo. Estruturas de dados, funções e arquivos. Bibliotecas: NLTK, Tensor Flow, Pandas, Numpy, Arrow, Sklearn, Scipy. PARTE 01
11 – 6 Linguagem Python: sintaxe, variáveis, tipos de dados e estruturas de controle de fluxo. Estruturas de dados, funções e arquivos. Bibliotecas: NLTK, Tensor Flow, Pandas, Numpy, Arrow, Sklearn, Scipy. PARTE 02
12 – 6 Linguagem Python: sintaxe, variáveis, tipos de dados e estruturas de controle de fluxo. Estruturas de dados, funções e arquivos. Bibliotecas: NLTK, Tensor Flow, Pandas, Numpy, Arrow, Sklearn, Scipy. PARTE 03
13 – Machine Learning supervisionado (Python) – Parte 1/2
14 – Python – Machine Learning – Parte 2/2
15 – 7 Noções da Linguagem R. Sintaxe, tipos de dados, operadores, comandos de repetição, estruturas de dados, gráficos, Data frames. Tidyverse. PARTE 01
16 – 7 Noções da Linguagem R. Sintaxe, tipos de dados, operadores, comandos de repetição, estruturas de dados, gráficos, Data frames. Tidyverse. PARTE 02
17 – 8 Pareamento de dados ( record linkage). Processo e etapas. Classificação. Qualidade de dados pareados. Análise de dados pareados.
18 – 9 Segurança da informação: Confidencialidade, integridade, disponibilidade, autenticidade e não repúdio. Políticas de segurança. Políticas de classificação da informação.
19 – 9 Segurança da informação: Sistemas de gestão de segurança da informação – Parte 1/2
20 – 9 Segurança da informação: Sistemas de gestão de segurança da informação – Parte 2/2
21 – 9 Segurança da informação: Tratamento de incidentes de segurança da informação.
22 – Lei de acesso à informação (Lei 12.527/2011)
23 – Lei Geral de Proteção de Dados – LGPD
24 – 4 Conceitos de PLN: semântica vetorial, redução de dimensionalidade, modelagem de tópicos latentes, classificação de textos, análise de sentimentos, representações com n-gramas.
Avaliações
Não há avaliações ainda.