PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING · • Apresentação de técnicas de big data utilizada...
Transcript of PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING · • Apresentação de técnicas de big data utilizada...
PÓS-GRADUAÇÃO
ANÁLISE DE DATA MINING
CARGA HORÁRIA: 460 horas
DURAÇÃO: 13 meses
COORDENAÇÃO: Prof. Dr. Adolpho Pimazoni CantonProf.ª Dr.ª Alessandra de Ávila Montini
OBJETIVOS
• Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de decisão com base nas informações coletadas
• Para auxiliar os executivos, este curso tem o objetivo de apresentar, com base na resolução de casos, as principais técnicas de analytics utilizadas para organizar, explorar e encontrar padrões escondidos nos dados, transformando dados brutos em valor para o negócio
• Prepara o aluno para trabalhar como Cientista de Ddados com foco em modelagem
• Profissionais que desejam adquirir ou aprimorar seus conhecimentos em modelagem de dados, analytics, estatística aplicada, inteligencia artificial e machine learning
PERFIL DO ALUNO
CORPO DOCENTE
• O corpo docente conta com professores altamente capacitados. Nos critérios de se-leção do corpo docente, serão priorizadas sua qualificação e experiência profissionais nas distintas matérias, de maneira que o curso permita não somente a transmissão de conhecimentos, mas também de critérios e experiências enriquecedoras para os alunos
METODOLOGIA
• Durante o curso os alunos terão embasamento teórico, aulas de exercícios e estudos de caso
2
MATRIZ CURRICULAR
• Tipos de variáveis• Dados qualitativos e dados quantitativos• Medidas de posição e de variabilidade• Sumarizando os dados• Box-plot• Identificação e tratamento de outlier• Distribuição de frequência e histogramas
Análise Exploratória de Dados
Distribuições de Probabilidade
• Principais distribuições discretas (uniforme, bernoulli, poisson, binomial)• Principais distribuições contínuas (normal, t de student, qui-quadrado)
Inferência
• População e amostra• Estimação de parâmetros • Teste de hipótese
Regressão Linear Simples e Múltipla
• Coeficiente de correlação linear da Pearson• Coeficiente de determinação e coeficiente de determinação ajustado• Ajuste de equação de projeção• Testes estatísticos sobre os parâmetros• Interpretação dos parâmetros do modelo• Intervalo de confiança para os parâmetros do modelo• Previsão• Análise de resíduos• Método de releção de variável• Estudo de caso
Análise de Cluster
• Medidas de distância - Medidas de similaridade e medidas de dissimilaridade, distância euclidiana
• Métodos de agrupamento - Métodos hierárquicos e método de k médias• Dendograma• Técnicas de agrupamento - Método do vizinho mais próximo (nearest neighbor)
Método do vizinho mais distante (furthest neighbor) - Método de centróide• Método das k médias• Estudo de caso
Amostragem• Aleatória
• Sistemática
• Estratificada
3
Regressão Logística
• Regressão logística binária e múltipla• Estimação dos parâmetros do modelo• Teste de hipótese e intervalo de confiança• Razão das chances• Interpretação dos parâmetros do modelo• Obtenção da probabilidade de sucesso• Previsão• Classificação em grupos• Tabela de classificação• Estudo de caso
Análise Discriminante
• Métodos de estimação• Teste de hipótese• Análise de variância• Estimação das funções de classificação • Classificação em grupos• Tabela de classificação
Estudo de caso•
Árvore de Decisão
• Teste qui-quadrado• Elaboração da árvore de decisão• Tabela de classificação
Estudo de caso•
Análise Fatorial
• Variável latente • Matriz de variância, covariância, de correlação • Fatores comuns, fatores específicos, cargas fatorias • Gráfico de sedimentação• Análise de componente principal
Análise de de Série Temporal
• Teste de estacionariedade• Metodologia de box-jenkins• Modelos AR• Modelos MA• Modelos ARMA
Análise de Dados em Softwares Estatístico
• Análise de dados, modelagem e comparação de resultados utilizando SAS GUIDE, SAS MINER, R e IBM WATSON
• Analytics com IBM WATSONAplicações em RAplicações em Python
••
4
• Elaboração do modelo de credit scoring• Seleção de variáveis
Credit Scoring
Machine Learning
• Técnicas de machine learning para modelagem
Inteligencia Artificial
• Aplicações de inteligencia artificial
Introdução ao Big Data
• Apresentação de técnicas de big data utilizada para tomada de decisão
Aplicações de Business Intelligence
• Uso de BI para análises e tomada de decisão• Modelagem de dados para BI• Processos de data preparation e data visualization• Importância de BI e sua relação com administração da empresa• Criação de gráficos e dashboards utilizando PowerBI e Tableau
Cesto de Compras/Market Basket
• Aplicação de ferramentas para a análise de compras efetuadas• Utilização de algoritmos com regras de associação para determinar padrões em pro
cessos de compra• Algoritmos para análise sequencial• Algoritmos de recomendação
Geolocalização
• Aplicação de geolocalização para modelagem
Redes Neurais
• Aplicações de redes neurais para modelagem
Palestras
•
Palestras sobre Big Data•
Palestras sobre Computação Cognitiva •
Palestras sobre Inteligência Artificial
MÓDULO INTERNACIONAL• Os programas internacionais da FIA são oferecidos com extensão dos cursos de MBA
e Pós-Graduação em parceria com as principais instituições dos Estados Unidos, Illinois Institute of Technology e Columbia University
O programa internacional inclui:• Atividades didático pedagógicas• Ciclo de palestras ministradas por professores das respectitvas escolas de negócios• Visitas a empresas e organizações• Programas complementares
5
INFORMAÇÕESTel: (11) 3732-3535 | [email protected]