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 | faleconosco@fia.com.br