Ao longo de dez semanas, você conhecerá as técnicas mais comuns utilizadas para manipular e analisar dados. No final deste programa, você será capaz de trabalhar efetivamente com as equipes de ciência e análise de dados para conduzir decisões comerciais e resultados bem-sucedidos para sua organização.
Módulo 1:
Tomada de decisão probabilística
Apresentaremos os conceitos básicos de ciência de dados e analytics antes de explorar os fundamentos dos dados.
- Identifique a diferença entre dados categóricos e dados numéricos.
- Explore os modos básicos pelos quais os dados revelam informação.
- Explore a associação entre variáveis categóricas e variáveis numéricas
- Exemplo do serviço de saúde: associados do HMO (Organização de Preservação da Saúde) e consultas médicas utilizando dados agregados
- Apresentação a Jupyter Notebook, Python e Panda
Módulo 2:
Criando amostras de dados
Conheça as definições dos principais termos de pesquisa, bem como os métodos pelos quais a amostragem é usada para analisar os prós e os contras das decisões de negócios por meio de exploração de amostragem, erros tipo I e tipo II e limites de controle.
- Aprenda a definir tipos, variação e qualidade da amostra de dados
- Identifique e defina conceitos fundamentais para a amostragem
- Identifique e minimize o enviesamento nos dados de amostragem
- Veja exemplos para ilustrar a distribuição conjunta, marginal e condicional: Comcast, Google e Nextag
Módulo 3:
Testando hipóteses
Tomar decisões empresariais orientadas por dados baseadas em hipóteses bem articuladas que servem para testes estatísticos. Vamos estudar os fundamentos dessa abordagem, incluindo comparações estatísticas, intervalos de confiança e margens de erro.
- Identifique os princípios básicos da experimentação
- Identifique e diferencie testes de hipótese unilateral e bilateral
- Complete conjuntos de problemas usando o modelo 4M (motivação, método, mecânica, mensagem)
- Exemplo: a 24 Hour Fitness testa uma nova dieta independente — teste entre grupos de controle e tratamento
Módulo 4:
Ampliando informações a partir da amostra de dados
Vamos explorar os modelos lineares e não lineares mais comuns e entender diferentes maneiras de encaixar dados em modelos lineares. Uma das práticas centrais será a compreensão de demanda de mercado, precificação e elasticidades.
- Identifique as condições para usar e interpretar padrões lineares e não lineares
- Analise modelos não lineares aplicados ao peso do veículo e à eficiência do motor
- Complete conjuntos de problemas aplicando o modelo 4M usado na Filadélfia para crimes, cartões de crédito e precificação de habitações
Módulo 5:
Modelos básicos de regressão
As análises de regressão simples estão no centro de uma decisão empresarial orientada por dados e mais elaborada. Vamos focar a compreensão das formas como esses modelos são usados, as suposições que validam seu uso e os modos de aproveitá-los para tomar melhores decisões de negócios.
- Defina e aplique o modelo de regressão simples e identifique as condições do seu uso
- Aplique e interprete intervalos de previsão
- Identifique três problemas principais que afetam os modelos de regressão: variância dinâmica em dados, valores fora da curva e dependência entre observações
- Exemplo do varejo: use modelos de regressão para determinar a localização de uma loja de franquia
Módulo 6:
Modelos avançados de regressão
Aplique os fundamentos para definir o modelo de regressão múltipla e explorar diferentes casos de uso.
- Diferencie marginal e partial slopes
- Articule inferência no modelo de regressão múltipla
- Reduza o processo de montagem e construção de um modelo de regressão múltipla
- Exemplo financeiro: construa um modelo de regressão múltipla que visa explicar os retornos das ações da Sony
- Exemplo de recursos humanos: analise os dados salariais usando MRM para identificar desequilíbrios de gênero
Módulo 7:
Machine learning preditiva
Vamos desmistificar o machine learning aprendendo os fundamentos e estudando diferentes aplicações.
- Aprenda a diferenciar aprendizagem supervisionada, semissupervisionada e não supervisionada
- Analise abordagens de machine learning, incluindo o modelo "bag of words" para aprendizagem supervisionada
- Pratique previsão usando regressão em séries temporais
- Exemplo de segurança cibernética: machine learning para detecção de spam
Módulo 8:
Criando um time eficiente de ciência de dados
Com as ferramentas mais comuns e fundamentais em mãos, vamos terminar com o aprofundamento no conjunto de competências que definem equipes eficientes de ciência dos dados e o modo de criar uma cultura data-driven em sua empresa. Destacaremos armadilhas comuns e serão definidas as estratégias para trabalhar com eficiência.
- Rever os requisitos para a criação de equipes eficientes de ciência dos dados
- Continuar explorando a construção de uma cultura baseada em dados
- Exemplo de publicidade: Rocket Fuel: taxas de conversão, benefício, ROI, custo de oportunidade e teste A/B
Módulo 1:
Tomada de decisão probabilística
Apresentaremos os conceitos básicos de ciência de dados e analytics antes de explorar os fundamentos dos dados.
- Identifique a diferença entre dados categóricos e dados numéricos.
- Explore os modos básicos pelos quais os dados revelam informação.
- Explore a associação entre variáveis categóricas e variáveis numéricas
- Exemplo do serviço de saúde: associados do HMO (Organização de Preservação da Saúde) e consultas médicas utilizando dados agregados
- Apresentação a Jupyter Notebook, Python e Panda
Módulo 5:
Modelos básicos de regressão
As análises de regressão simples estão no centro de uma decisão empresarial orientada por dados e mais elaborada. Vamos focar a compreensão das formas como esses modelos são usados, as suposições que validam seu uso e os modos de aproveitá-los para tomar melhores decisões de negócios.
- Defina e aplique o modelo de regressão simples e identifique as condições do seu uso
- Aplique e interprete intervalos de previsão
- Identifique três problemas principais que afetam os modelos de regressão: variância dinâmica em dados, valores fora da curva e dependência entre observações
- Exemplo do varejo: use modelos de regressão para determinar a localização de uma loja de franquia
Módulo 2:
Criando amostras de dados
Conheça as definições dos principais termos de pesquisa, bem como os métodos pelos quais a amostragem é usada para analisar os prós e os contras das decisões de negócios por meio de exploração de amostragem, erros tipo I e tipo II e limites de controle.
- Aprenda a definir tipos, variação e qualidade da amostra de dados
- Identifique e defina conceitos fundamentais para a amostragem
- Identifique e minimize o enviesamento nos dados de amostragem
- Veja exemplos para ilustrar a distribuição conjunta, marginal e condicional: Comcast, Google e Nextag
Módulo 6:
Modelos avançados de regressão
Aplique os fundamentos para definir o modelo de regressão múltipla e explorar diferentes casos de uso.
- Diferencie marginal e partial slopes
- Articule inferência no modelo de regressão múltipla
- Reduza o processo de montagem e construção de um modelo de regressão múltipla
- Exemplo financeiro: construa um modelo de regressão múltipla que visa explicar os retornos das ações da Sony
- Exemplo de recursos humanos: analise os dados salariais usando MRM para identificar desequilíbrios de gênero
Módulo 3:
Testando hipóteses
Tomar decisões empresariais orientadas por dados baseadas em hipóteses bem articuladas que servem para testes estatísticos. Vamos estudar os fundamentos dessa abordagem, incluindo comparações estatísticas, intervalos de confiança e margens de erro.
- Identifique os princípios básicos da experimentação
- Identifique e diferencie testes de hipótese unilateral e bilateral
- Complete conjuntos de problemas usando o modelo 4M (motivação, método, mecânica, mensagem)
- Exemplo: a 24 Hour Fitness testa uma nova dieta independente — teste entre grupos de controle e tratamento
Módulo 7:
Machine learning preditiva
Vamos desmistificar o machine learning aprendendo os fundamentos e estudando diferentes aplicações.
- Aprenda a diferenciar aprendizagem supervisionada, semissupervisionada e não supervisionada
- Analise abordagens de machine learning, incluindo o modelo "bag of words" para aprendizagem supervisionada
- Pratique previsão usando regressão em séries temporais
- Exemplo de segurança cibernética: machine learning para detecção de spam
Módulo 4:
Ampliando informações a partir da amostra de dados
Vamos explorar os modelos lineares e não lineares mais comuns e entender diferentes maneiras de encaixar dados em modelos lineares. Uma das práticas centrais será a compreensão de demanda de mercado, precificação e elasticidades.
- Identifique as condições para usar e interpretar padrões lineares e não lineares
- Analise modelos não lineares aplicados ao peso do veículo e à eficiência do motor
- Complete conjuntos de problemas aplicando o modelo 4M usado na Filadélfia para crimes, cartões de crédito e precificação de habitações
Módulo 8:
Criando um time eficiente de ciência de dados
Com as ferramentas mais comuns e fundamentais em mãos, vamos terminar com o aprofundamento no conjunto de competências que definem equipes eficientes de ciência dos dados e o modo de criar uma cultura data-driven em sua empresa. Destacaremos armadilhas comuns e serão definidas as estratégias para trabalhar com eficiência.
- Rever os requisitos para a criação de equipes eficientes de ciência dos dados
- Continuar explorando a construção de uma cultura baseada em dados
- Exemplo de publicidade: Rocket Fuel: taxas de conversão, benefício, ROI, custo de oportunidade e teste A/B
Ao longo de dez semanas, você conhecerá as técnicas mais comuns utilizadas para manipular e analisar dados. No final deste programa, você será capaz de trabalhar efetivamente com as equipes de ciência e análise de dados para conduzir decisões comerciais e resultados bem-sucedidos para sua organização.
