-
Aula demo
Conceitos básicos de banco de dados: 3 Banco de dados
-
Aula 01
3.1 Modelo entidade-relacionamento.
-
Aula 02
3.2 Mapeamento lógico relacional. 3.3 Normalização.
-
Aula 03
3.4 Linguagem de definição e manipulação de dados (SQL).
-
Aula 04
3.5 Conceitos de data warehousing e modelagem multidimensional
(esquema estrela).
-
Aula 05
Big Data – 3.6 Conceitos gerais de Hadoop: HDFS, MapReduce,
YARN e Spark. 3.7 Conceitos de Bancos NoSQL e Armazenamento
orientado a objeto (object store).
-
Aula 06 – Somente em PDF
1 Aprendizado supervisionado: Regressão e Classificação. 1.1
Métricas de avaliação. 1.2 Overfitting e underfitting de modelos.
1.3 Regularização. 1.4 Seleção de modelos: Erro de Generalização.
1.5 Validação Cruzada. 1.6 Conjuntos de Treino, Validação e Teste.
1.7 Trade off entre Variância e Viés. 1.8 Algoritmos: Regressão
Linear e Regressão Logística. 1.9 Árvores de decisão e random
forests. 1.10 Máquina de suporte de vetores. 1.11 Naive Bayes. 1.12
K-NN. 1.13 Ensembles. 1.14 Aprendizado supervisionado com Python
scikit-learn. 1.15 Conceitos de otimização de
hiperparâmetros.
-
Aula 07 – Somente em PDF
2 Aprendizado não supervisionado. 2.1 Redução de
dimensionalidade: PCA. 2.2 Agrupamento K-Means. 2.3 Mistura de
Gaussianas. 2.4 Agrupamento Hierárquico. 2.5 Regras de associação.
2.6 Aprendizado não supervisionado com Python scikit-learn.
-
Aula 08
3 Redes neurais artificiais. 3.1 Conceitos Básicos em Redes
Neurais Artificiais: Definições e Arquitetura. 3.2 Funções de
Ativação. 3.3 Otimização de Redes Neurais Artificiais: método do
gradiente, método do gradiente estocástico, algoritmo
backpropagation, métodos de inicialização dos pesos, Vanishing
Gradients. 3.4 Métodos de regularização: penalização com normas L1
e L2, Dropout e Early Stopping. 3.5 Definições básicas de Redes
Neurais Convolucionais. 3.6 Definições básicas de Redes Neurais
Recorrentes. 3.7 Redes neurais com Python: treino de modelos com
Keras e Pytorch. 1 Machine learning aplicado. 1.1 Noções de Visão
computacional com redes neurais convolucionais. 1.2 Classificação
de imagens. 1.3 Detecção de objetos. 1.4 Segmentação de objetos e
instâncias.
-
Aula 09 – Somente em PDF
1.5 Noções de Processamento Natural de Linguagem. 1.6
Stop-words, stemização e n-grams. 1.7 TF-IDF. 1.8 Modelagem de
tópicos (LDA, NMF). 1.9 Word embeddings: CBOW e Skip Gram.
-
Aula 10 – Somente em PDF
1.10 Conceitos Básicos em Séries Temporais.
-
Aula 11 – Somente em PDF
2 Manipulação, tratamento e visualização de dados. 2.1
Técnicas de visualização de dados (questão 1/2). 2.2 Técnicas de
visualização de dados (questão 2/2). 2.3 Lidando com valores
faltantes. 2.4 Lidando com dados categóricos. 2.5 Normalização
numérica. 2.6 Detecção e tratamento de outliers. 2.7 Manipulação de
dataframes com Python Pandas: leitura de dados tabulares, seleção
de linhas e colunas, agregação de dados, preenchimento de valores
faltantes, remoção de duplicados, junção de dataframes.
-
Aula Extra
4 Algoritmos e estrutura de dados. 4.1 Complexidade de
algoritmos e notação assintótica (Big O).
-
Aula Extra 2
5.1 Conceitos Nuvem: IaaS, PaaS e SaaS.
-
Aula Extra 3
5.2 Conceitos de Containers: construção, registro, execução e
orquestração.
-
Aula Extra 4
5.3 Conceitos básicos de DevOps: versionamento com git,
pipeline e CI/CD.