Python para Data Science e Analytics - Do Zero ao Avançado

Neste curso você aprenderá o necessário de Python, a linguagem mais usada dentro do mundo de Data Science e Analytics, para realizar análises de dados de grandes volumes de informação.

Aprenda a manipular dados com facilidade e criar visualizações que permitam extrair os melhores insights dos seus dados.

Aprenda ainda a automatizar trabalhos envolvendo planihas Excel para ganhar mais eficiência em suas análises e tarefas rotineiras.

Trabalhe com várias fontes de dados, e processe milhões de registros com facilidade.

Aprendendo Python para Analytics e Data Science você fará parte do seleto grupo de profissionais mais procurados do mercado, os cientistas de dados Python. Este perfil vem sendo altamente procurado e atualmente as empresas possuem mais vagas do que profissionais especializados para preenchê-las.

Se pensa em mudar de carreira, comece com um curso que ensina diretamente aquilo que o mercado procura. Aprenda com quem já possui anos de experiência no mercado de Data Science e Analytics

Impressione no trabalho com análises avançadas e hacks para produtividade.

Cientista de dados foi classificado como o trabalho número 1 no Glassdoor e o salário médio de um cientista de dados é mais de $ 120,000 nos Estados Unidos! Data Science é uma carreira gratificante que permite resolver alguns dos problemas mais interessantes do mundo! Além disso, muitas empresas no Brasil já estão começando a expandir suas áreas de data analytics.

Este curso foi concebido para principiantes com alguma experiência de programação ou desenvolvedores experientes que procuram dar um salto em direção à ciência dos dados!

Vá do zero ao avançado passando pelos seguintes assuntos:

Análise Exploratória de Dados:

• Introdução ao Python

• Funções básicas

• Numpy e Pandas

• Dataframes

• Loops

• Operadores Condicionais

• Funções Definidas pelo Usuário

• Visualização de Dados

• Projeto Final de Análise Exploratória de Dados

Modelagem Estatística:

• Data Cleaning e Data Preparation

• Detecção de Outliers

• Tratamento de Variáveis Categóricas

• Conceitos de Modelagem

• Regressão Linear

• Regressão Logística

• K means Clustering

• Projeto final de modelagem estatística

Machine Learning:

• SVM - Support Vector Machines

• Naive Bayes

• Árvore de Decisão

• Bagging e Boosting

• Random Forest

• Gradient Boosting, XGBoost e LGBM

• Feature Selection

• Cross Validation

• Salvando modelos com Pickle