Ciência de dados: Conectando Conceitos e Prática

Aprenda a conduzir decisões comerciais baseada em dados e garanta resultados bem-sucedidos para sua organização.

Baixar o folder

Baixar o folder

Course Dates

COMEÇA EM

TBD

Course Duration

DURAÇÃO

10 semanas, online
6-8 horas por semana

Course Fee

INVESTIMENTO

Course Fee

Para sua equipe

Inscreva sua equipe e aprenda com seus colegas

Saiba mais

Principais Aprendizados

Adote um mindset orientado por dados
  • Aprenda a fazer as perguntas certas sobre dados
  • Descubra técnicas comuns para transformar dados em insights de negócios
  • Saiba qual método utilizar para responder perguntas específicas de negócios

  • Aprenda a compartilhar e interpretar dados
  • Conheça métodos eficazes de apresentação de dados
  • Familiarize-se com a linguagem usada para a comunicação com os cientistas de dados
  • Ganhe eficiência na interpretação de dados entendendo as técnicas mais comuns

  • Crie uma cultura data-driven
  • Utilize tecnologia e processos na condução de uma mudança cultural em que os dados são aproveitados para refinamentos de estratégia, tomada de decisão e execução
  • Aprenda habilidades para a formação de equipes bem-sucedidas de ciência de dados
  • Para quem foi criado este programa?

    Este curso foi desenvolvido para colaboradores individuais e de nível médio e gerentes de nível sênior, provenientes dos setores público ou privado, que buscam uma experiência prática verdadeiramente criteriosa, com métodos modernos de análise de dados.

    • Gerentes de producto, Gerentes de Projeto, Gerentes de Marketing e outros em posições gerenciais que são parte integral proceso do de tomada de decisão e desejam obter insights acionáveis mais profundos para seu trabalho.
    • Directors, CEOs, CTOs, CIOs, Vice-Presidentes, Presidentes, Founders, Gerentes Gerais associados à tomada de desicsões sistemáticas orientadas por dados e que desejam fortalecer a aplicação da ciênciados dados em suas organizações.
    • Executivos que procuram uma introdução à Ciência de Dados e que desejam ganhar mais experiência na análise de dados.

    Preparando-se para a alfabetização em Ciência de Dados

    Embora não haja pré-requisitos formais, como conhecimento prévio em codificação, é importante ter uma aptidão para conceitos quantitativos. Como trabalho prévio e na semana 1, haverá uma revisão dos conceitos matemáticos e estatísticos básicos, como média, desvio-padrão, gráficos, histogramas e funções lineares e logarítmicas. Além disso, haverá uma "sessão de preparação" semanal, que apresenta os conceitos-chave do módulo seguinte, aos quais os participantes podem recorrer como forma de atualização. Para obter uma alfabetização real em ciência de dados, esteja preparado para mergulhar nos dados e aprender um tanto de matemática e estatística. Vamos apoiar você totalmente neste processo.

    Módulos do Programa

    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.

    Baixar o folder

    Sua Jornada de Aprendizado

    Durante esta experiência online de dez semanas, você vai se conectar diretamente com professores da UC Berkeley Executive Education, líderes do setor e outros participantes de várias partes do mundo. Com uma abordagem prática criteriosa, você analisará conjuntos de dados com Jupyter Notebook, uma plataforma interativa de código aberto que usaremos para fazer análise computacional. Embora o currículo seja predeterminado, esta é uma experiência de aprendizado ágil, e poderá haver oportunidades dinâmicas baseadas em acontecimentos reais.

    • Entrevistas com especialistas do setor que lidam com dados de empresas líderes incluindo Google, Oakland A's, Uber, entre outras.
    • Sessões de preparação semanais ao vivo com conceitos técnicos dos módulos a seguir, palestras interativas semanais, e revisões de tarefas ao vivo
    • Webinars ao vivo com os professores da UC Berkeley Executive Education, incluindo sessões de perguntas e respostas
    • Duas semanas de laboratórios de aprendizado para a realização de tarefas práticas e o aprofundamento na análise de dados
    • Exercícios de aplicação usando o Python no Jupyter Notebook para visualizar e analisar dados (classificados como completos ou incompletos)
    • Exercícios de aplicação usando o Python no Jupyter Notebook para visualizar e analisar dados (classificados como completos ou incompletos)

    Exemplos de empresas

    Os professores da UC Berkeley Executive Education mantêm fortes relações com a indústria, incluindo muitas das melhores empresas de tecnologia do Vale do Silício e seus arredores. O conteúdo do programa é inspirado ou diretamente derivado de pesquisas e aplicações de empresas como:

    Amazon

    Uber

    Ebay

    Gallup

    Stubhub

    Nota: Todos os nomes de produtos e empresas são marcas comerciais ou marcas registradas de seus respectivos titulares. O estudo destes produtos e/ou empresas não implica nenhuma forma de patrocínio dos mesmos.

    Exemplos de Setores

    Vivemos em uma economia analítica, na qual toda organização pode se beneficiar do aprimoramento de sua alfabetização de dados. Os exemplos abordam uma ampla gama de indústrias, incluindo:

    Fintech/Serviços financeiros

    Serviços de Saúde

    Tecnologia da Informação

    Manufatura

    Varejo

    Testemunhos dos participantes

    “As tarefas com o Jupyter Notebook e as palestras interativas semanais foram a melhor parte do curso para mim.”

    — Bita Luliano, Analista de Talentos

    “Eu gostei da combinação de vídeos, exercícios práticos e tarefas com o Jupyter Notebook no curso.”

    — Michael Wolff, Diretor Executivo de Plataformas Digitais e Produtos

    “Este programa me deu a visão necessária sobre o mundo da ciência de dados, as diferentes linguagens e os modelos e algoritmos, assim como o valor e os prós e contras de usá-los.”

    — Saloni Sonawala, Analista de Aplicação

    “Ter a oportunidade de trabalhar com o Jupyter Notebook, acessar uma boa plataforma online com foco em casos reais e ter contato com assessores, agregou muito valor à minha jornada de aprendizado ao longo deste curso.”

    — Dmitry Karablinov, Gerente de Desenvolvimento de Negócios

    "Me entusiasma compartilhar esta incrível experiência com quantos desejarem aprender mais sobre Ciência de Dados e Machine Learning. Este programa da UC Berkeley permite um aprendizado ágil que alavanca prática e rigorosamente os métodos modernos de análise de dados".

    — Daniel Franco, Diretor de Tecnologia, Inovação e Desenvolvimento de Negóc

    Professores do Programa

    Faculty Member STEVE TADELIS

    STEVE TADELIS

    James J. and Marianne B. Lowrey Chair in Business, Haas School of Business

    Antes de começar seu trabalho na Berkeley Haas, Steve foi professor assistente na Universidade de Stanford por oito anos. Também ocupou posições como diretor sênior e especialista em economia no eBay Research Labs (2011–13) e foi vice-presidente de economia e design de mercado na Amazon (2016–17), onde aplicou ferramentas de pesquisa econômica a uma variedade de aplicações de produtos e negócios... Mais informações

    SHACHAR KARIV

    Professor de economia (Benjamin N. Ward), Haas School of Business

    Shachar é ex-presidente e professor diretor do laboratório Experimental de Ciências Sociais (Xlab). Sua pesquisa em economia comportamental e experimental fornece novas ferramentas para entender preferências individuais e atitudes em relação a tempo e risco, que informam quase todos os aspectos da tomada de decisões... Mais informações

    Certificado

    Example image of certificate that will be awarded after successful completion of this program

    Certificado

    Obtenha reconhecimento! Após a conclusão bem-sucedida do programa, os participantes receberão um certificado digital da UC Berkeley Executive Education. Os participantes devem completar 80% das atividades necessárias, incluindo um projeto capstone (se houver) para obter o certificate de conclusão. Este programa também conta para um Certificate of Business Excellence.

    Baixar o folder

    Nota: Este programa resulta em um certificado digital de conclusão e não é elegível para créditos de grau/CEUs. Após a conclusão bem-sucedida do curso, o seu certificado digital oficial será enviado por e-mail com o nome informado no momento da matrícula deste curso. Todas as imagens de certificados são meramente ilustrativas e estão sujeitas a alterações, a critério da UC Berkeley Executive Education.

    Este programa conta para um Certificado de Excelência Empresarial

    DIAS CURRICULARES: Dois dias

    PILARES: Estratégia e Gestão

    Um Certificado de Excelência Empresarial da UC Berkeley dá aos indivíduos a oportunidade de criar um plano de estudo pessoal estruturado por nossos quatro pilares acadêmicos. Os participantes ganharão uma marca de distinção com a certificação de uma universidade de classe mundial, e terão a possibilidade de completar o programa em até três anos.

    Saiba mais
    Inscreva-se já

    Inscrições antecipadas são recomendadas. As vagas são preenchidas rapidamente!