Formato do curso: Presencial e Live Training Duração: 162 horas
A quantidade de dados gerados pelas organizações tem vindo a crescer e consequentemente a necessidade de pessoas especializadas capazes de retirar valor desses dados. Quando devidamente explorados, permitem suportar decisões estratégicas para o negócio, criação de novos produtos, oferta de serviços mais personalizados entre muito outras potencialidades. Data Science é por isso uma área transversal a todos o tipos de organizações e a todos os sectores, sendo o seu valor reconhecido pelas vantagens competitivas que potencia.
Esta Pós-Graduação é desenvolvida ao abrigo do protocolo de colaboração entre a Universidade Atlântica e a Rumos. Destina-se a todos aqueles que pretendam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para retirar o máximo valor dos dados, dando uma visão detalhada, teórica e prática, de conceitos e metodologias
Composição.
O programa do ciclo de estudos de Pós-Graduação em Data Science (PGDS) é composta por dois ciclos de especialização, Especialização Data Science Manager e Especialização Data Science Researcher que no seu conjunto permitem aos alunos ficarem com uma visão alargada e detalhada dos conceitos e metodologias subjacentes a esta área emergente.
A Especialização Data Science Manager fornece aos alunos os principais conceitos e ferramentas usadas pelos Data Scientists e os princípios de constituição e orientação de equipas de Data Science para que o resultado do trabalho destas seja bem sucedido. A Especialização Data Science Researcher oferece uma forte base dos princípios necessários para o desenvolvimento de um projeto de Data Science com práticas de aplicação a projetos reais.
Os alunos que concluam o curso com sucesso ficam habilitados a proceder à criação e gestão de equipas de Data Science na organização, a estruturar projetos de Data Science, serem capazes de identificar oportunidades para uso de Data Science dentro das organizações, saberem extrair, processar e explorar dados aplicando métodos estatísticos para retirar mais informação dos dados e serem capazes de criar modelos descritivos e preditivos.
Os alunos vão adquirir na PGDS amplos conhecimentos, teóricos e práticos, para exercer uma carreira que é altamente procurada e valorizada no mercado nacional e internacional.
Diploma de Estudos.
Cada módulo formativo tem uma avaliação dos conhecimentos adquiridos que permite a atribuição de um Diploma de Estudos no final do curso a todos os alunos que o terminem com sucesso. A avaliação de conhecimentos é individual, sendo obtida através da participação em trabalhos de grupo e testes.
Os alunos que não conseguirem realizar os testes e trabalhos de determinada unidade curricular nas datas estipuladas, impossibilitando assim a sua avaliação, poderão solicitar a realização de exame de recuperação mediante um custo adicional. Estes exames serão realizados em duas épocas especiais de recuperação, a decorrer no final de cada uma das especializações.
Atribuição de ECTS.
No âmbito da parceria com a Universidade Atlântica, esta Pós-graduação atribui 25 créditos ECTS (European Credit Transfer System).
Destinatários.
A Pós-Graduação em Data Science destina-se a todos aqueles que queiram adquirir conhecimentos que lhes permitam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para conseguirem retirar o máximo valor dos dados e com isso aportarem valor competitivo para as organizações, nomeadamente profissionais que desempenhem funções diretas de tomada de decisão ou que intervenham em processos de análise de dados para a tomada de decisão sobre os negócios da organização.
Pré-requisitos.
As candidaturas à Pós-graduação em Data Science estão abertas a:
Todos os que tenham um grau académico de licenciatura ou superior nas áreas científicas;
Todos os profissionais com ou sem grau académico, cuja experiência seja considerada adequada para que o aluno tenha sucesso no curso e as turmas resultem homogéneas.
A seleção será sempre feita mediante análise curricular pela Coordenação Científica do curso, que pode chamar o candidato a uma entrevista presencial. Em qualquer dos casos, a decisão será sempre fundamentada e apresentada por escrito ao candidato.
Adicionalmente, os alunos deverão ter:
Conhecimentos básicos de Matemática e Estatística;
Conhecimentos básicos de utilização de uma qualquer linguagem de programação;
Bom nível de capacidade de leitura em língua inglesa.
Objectivos.
Criação e Gestão de equipas de Data Science
Estruturação de um Projecto de Data Science
Capacidade de identificar oportunidades para uso de Data Science dentro da Organização
Extracção, pre-processamento e exploração de dados
Aplicação de métodos estatísticos para retirar mais informação dos dados
Criação de modelos descritivos e preditivos
Conhecimentos de Python
Metodologia.
A Pós-graduação em Data Science pode ser ministrada Presencialmente ou via Live Training.
A Pós-Graduação é constituída por dez módulos formativos que se enquadram em sequência lógica dentro dos dois ciclos de Especialização:
Especialização Data Science Manager
Especialização Data Science Researcher
A metodologia pedagógica está focada no saber fazer, pelo que os conceitos e teoria de base são fortemente explorados em treino orientado para a colocação dos conhecimentos em prática.
Os alunos devem ter em conta que para além da exigência das aulas há a exigência de estudo adicional e de desenvolvimento de trabalhos práticos que permitam um cabal desenvolvimento do saber fazer nesta área de
conhecimento.
Programa.
Ciclo de especialização Data Science Manager.
Fundamentos de ciência de dados
O que é Data Science (DS)
O papel da Data Science nos diferentes tipos de organizações
Estruturação de um projeto de Data Science
Resultados de um projeto de Data Science
As ferramentas básicas de um Data Scientist
Gestão de equipas de ciência de dados
O papel do Data Science Manager
Perfil dos vários membros de uma equipa de Data Science
Métricas de sucesso de um projecto de Data Science
Entrevistas
Gestão do Processo de Data Mining
Etapas do processo de data mining
Tipos de questões e características de boas questões, expectativas e objetivos
Conceito de recolha de dados
Conceito de Exploratory Data Analysis
Conceito de inferência estatística
Conceito de modelos preditivos
Critério de paragem
Comunicação de resultados
Aplicação da ciência de dados
Comparação do cenário ideal versos o cenário real
Qualidade dos dados fonte
Factores que afectam os resultados
Inferência estatística versus predição
Dimensão dos dados
Interpretação de resultados
Escalabilidade
Reprodutibilidade
Casualidade versus confusão
A/B Testing
Manutenção dos modelos
Ciclo de especialização Data Science Researcher.
Programação com Python
Instalação do python
Básicos da programação com python
Pacotes Pandas
Jupyter notebooks
Metodologia de recolha de dados
Processo ETL (extract, transform, load)
Conceito de data governance
Fontes de dados: Excel, XML, MySQL, Web, APIs
Metodologias de pré-processamento de dados
Tipos de dados
Limpeza de dados
Transformação de dados
Inferência estatística
Funções massa e densidade em probabilidade
Probabilidades condicionadas e teorema de Bayes
Valores expectáveis
Média, desvio padrão e variância
Distribuições binomial, normal e de Poisson
Teorema Limite Central
Testes de hipóteses
Significância estatística e valor P
Pacotes NumPy e statsModels
Análise exploratória de dados
Seleção de Variáveis
Sumário estatístico dos dados
Redução de dimensão
Visualização para exploração dos dados
Fundamentos práticos de “Machine Learning”
Predição, erros e validação cruzada
Aprendizagem Supervisionada e não supervisionada
Modelos de Regressão
Modelos de Classificação
Pacote Scikit-learn
Outro curso relacionado com base de dados - database