Python Intermediário para Análise de Dados
Inicie sua jornada para se tornar o analista de dados tão desejado pelo mercado!
CARGA HORÁRIA
20h de estudoCONTEÚDO
direto ao pontoPRÉ-REQUISITOS
Vontade de aprender
Plano de Estudo Personalizado
Orientação personalizada e trilhas sob medida para você se destacar no mercado.
Foco em empregabilidade
Nosso conteúdo é 100% baseado nos requisitos das vagas mais desejadas do mercado
Aprenda com experts da área
Nossos consultores vivem o que ensinam nas maiores empresas do país.
Conhecimentos adquiridos no curso
Você será capaz de:
• Aplicar programação funcional em seus programas;
• Lidar com diferentes tipos de dados (.txt, .csv, .xlsx, etc.);
• Resolver problemas de negócios com cálculo e álgebra linear;
• Criar excelentes gráficos para melhorar as análises e direcionamentos da sua empresa;
• Utilizar com propriedade as principais ferramentas de Data Science, como Numpy e Matplotlib.
E ainda estará preparado para:
• Programar em qualquer outra linguagem, uma vez que terá aprendido a lógica principal de programação;
• Propor soluções automatizadas para analisar os dados da empresa;
• Ver dados como oportunidades de melhora e não como problemas;
• Saber como funcionam e como montar modelos de predição;
• Melhorar aspectos do seu ambiente de trabalho com a ajuda da programação.
Independente se:
• Não conhece a área de Ciência de dados (nós te mostramos!);
• Não trabalha, diretamente, na área de programação;
• Acredita que a análise de dados não é a solução para o seu negócio;
• Tem dificuldade de extrair informações de gráficos;
• Ainda é estudante e não possui conhecimento sobre o assunto.
Conteúdos do curso
- Alinhamento de expectativas
- Apresentação do Consultor
- Apresentação do Curso
- Material para Download
- Consolidando o Conhecimento
- Lição 1: Parâmetros múltiplos e dinâmicos
- Lição 1.1: Parâmetro *args
- Lição 1.2: Parâmetro **kwargs
- Lição 2: Funções como objetos de primeira classe
- Lição 3: Funções de ordem superior
- Lição 3.1: Função map()
- Lição 3.2: Função filter()
- Lição 3.3: Função reduce()
- Lição 4: Funções para iteradores e iteráveis
- Lição 4.1: Funções any() e all()
- Lição 4.2: Função zip()
- Consolidando o Conhecimento
- Lição 1: Introdução
- Lição 2: Herança
- Lição 3: Herança múltipla
- Lição 4: Classes Abstratas
- Lição 5: Polimorfismo
- Lição 6: Sobrecarga de operadores
- Consolidando o Conhecimento
- Lição 1: Fluxos de execução e exceções
- Lição 2: Blocos try e except
- Lição 3: Blocos else e finally
- Consolidando o Conhecimento
- Lição 1: Introdução a arquivos
- Lição 2: Abrindo e fechando arquivos .txt
- Lição 3: Escrevendo em arquivos .txt
- Lição 4: Lendo arquivos .txt
- Lição 5: O comando with
- Lição 6: Importando arquivos .csv
- Lição 7: Lendo arquivos .csv
- Lição 8: Escrevendo arquivos .csv
- Consolidando o Conhecimento
- Lição 1: O que é o Numpy?
- Lição 2: Relação entre Listas e Arrays
- Lição 2.1 Tempo de processamento
- Lição 2.2: Criação e acesso
- Lição 2.3: Operadores
- Lição 3: O Numpy Array
- Lição 3.1: Arrays 1D
- Lição 3.2: Consulta em Arrays
- Lição 3.3: Atributos
- Lição 3.4: Métodos
- Lição 4.1: Criação de Arrays especiais
- Lição 4.2: Concatenação e particionamento
- Lição 4.3: Numpy aplicado na matemática
- Consolidando o Conhecimento
- Lição 1: Arrays Multidimensionais
- Lição 1.1: Arrays 2D
- Lição 1.2: Arrays 3D
- Lição 2: Estrutura Matrix
- Lição 3: Procedimentos e funções
- Consolidando o Conhecimento
- Lição 1: Conhecendo o cálculo numérico
- Lição 2: Álgebra linear e ciência de dados
- Lição 3: Polinômios: estruturas, operações, e aplicações
- Lição 4: Ajuste de curvas: Regressão vs Interpolação
- Lição 5: Regressão Linear/Polinomial
- Consolidando o Conhecimento
- Lição 1: Conhecendo o Matplotlib
- Lição 2: Gráfico de curvas
- Lição 3: Gráfico de barras
- Lição 4: Histograma
- Lição 5: Gráfico de pizza
- Lição 6: Gráfico de dispersão
- Lição 1: Intuito dos projetos
- Lição 2: Exercício 1
- Lição 2.1: Questão 1
- Lição 2.2: Questão 2
- Lição 3: Exercício 2
- Lição 3.1: Questão 1
- Lição 3.2: Questão 2
- Lição 3.3: Questão 3
- Lição 3.4: Questão 4
- Lição 4: Exercício 3
- Lição 4.1: Questão 1
- Lição 4.2: Questão 2
- Lição 5: Exercício 4
- Lição 5.1: Questão 1
- Lição 5.2: Questão 2
- Lição 6: Exercício 5
- Lição 6.1: Questão 1
- Lição 6.2: Questão 2
- Certificado
- Parabéns!
- Pesquisa de satisfação
Iago Gomes de Lima Rosa
Mestrando em Modelagem Computacional (PPGMC) na Universidade Federal de Juiz de Fora (UFJF). Graduado em Engenharia Computacional e Bacharel em Ciências Exatas pela mesma universidade. Trabalhando atualmente na linha de pesquisa em Sistemas Computacionais Aplicados (PPGMC), com foco em Data Science, Machine Learning e Modelos Baseados em Agentes aplicado ao Sistema Bancário. Atualmente integra o Grupo de Pesquisa em Moeda e Desenvolvimento da Universidade Federal Rural do Rio de Janeiro (UFRRJ). Experiência em educação em tecnologia e inovação como membro egresso do Grupo de Educação Tutorial em Engenharia Computacional (GET-EngComp).
Conheça mais no LinkedInImpacto na trajetória profissional
Confira agora depoimentos de como nossos alunos estão transformando suas carreiras
Empresas que nossos alunos já passaram
Python Intermediário para Análise de Dados
10xR$
47
,00
Pague no crédito ou R$ 399,50 á vista no PIX
Matricular agoraO que você vai adquirir:
20 horas de conteúdo em vídeo, exercícios e leituras complementares.
Materiais complementares
Acompanhamento e Plano de Estudo Personalizado. Do currículo ao contrato
Certificado compartilhável com validade em todo o território nacional
1 ano de acesso ao curso
Outras opções com esse curso
Programa de Aceleração de Carreiras
- Aulas ao Vivo
- 14 formações com mais de 200 cursos disponíveis
- Acompanhamento e Plano de Estudo Personalizado.
