Matemática para Data Science
- Descrição
- Currículo
- Reviews
O CURSO
Este curso é um verdadeiro diferencial para profissionais de todas as áreas! Com uma abordagem completa e acessível, você será guiado por tópicos fundamentais do cálculo diferencial integral, álgebra linear e otimização. E sabe o que isso significa? Você estará pronto para compreender e criar técnicas avançadas de análise de dados, as mesmas utilizadas por cientistas de dados no seu dia a dia.
Aprender a representar a realidade por meio de equações matemáticas é um diferencial e tanto, não é mesmo? Imagine dominar ferramentas de álgebra linear e ser capaz de lidar com dados de forma super eficiente. Essa habilidade pode ser a chave para você avançar em sua carreira e se destacar no mercado. Não perca mais tempo e faça agora mesmo esse investimento em si mesmo!
DIFERENCIAIS
- Foco em aplicações da matemática.
- Matemática e programação de mãos dadas.
- Desafios para incrementar seu portfólio.
- Material didático completo e próprio.
- Professor experiente.
- Suporte durante e após o curso.
- Preparação para pesquisa na área de dados.
- Livro exclusivo.
- Projeto final.
PARA QUEM?
Se você é um profissional que busca uma formação acessível em matemática customizada para cientistas de dados, este é o curso perfeito para você! Desenvolvido especialmente para engenheiros, cientistas da computação, economistas, físicos, administradores, gestores de informação, e profissionais de tecnologia em análise e desenvolvimento de sistemas, este curso abrange os principais tópicos em matemática de forma clara e concisa. Com este curso, você estará pronto para dominar os conceitos fundamentais de matemática necessários para ser um cientista de dados de sucesso.
-
1
ApresentaçãoBreve explicação da estrutura da unidade didática.
-
2
Termos Técnicos
Glossário com os principais termos técnicos usados no módulo.
-
3
Downloads
Arquivos utilizados no decorrer do módulo.
-
4
1.1 - Boas-vindas e apresentação -
5
1.2 - Apresentação e objetivos do curso
-
6
1.3 - Materiais didáticos e suplementares
-
7
1.4 - Exemplos motivacionais: Classificador numérico
-
8
1.5 - Exemplos motivacionais: Clusterização
-
9
1.6 - Exemplos motivacionais: Redes neurais
-
10
Pontos-chave
Resumo dos pontos-chave do módulo.
-
11
Apresentação
Breve explicação da estrutura da unidade didática.
-
12
Termos Técnicos
Glossário com os principais termos técnicos usados no módulo.
-
13
Downloads
Arquivos utilizados no decorrer do módulo.
-
14
2.1 - Problemas usuais de Ciência de Dados
-
15
2.2 - Funções
-
16
2.3 - Funções parametrizadas
-
17
2.4 - Funções com duas ou mais variáveis independentes
-
18
2.5 - Funções especiais
-
19
2.6 - Limites e continuidade
-
20
2.7 - Definição de derivada
-
21
2.8 - Regras de derivação
-
22
2.9- Derivadas de ordem superior
-
23
2.10 - Importância da derivada
-
24
2.11 - Redução de dados
-
25
2.12 - Derivadas parciais
-
26
2.13 - Gradiente e Hessiano
-
27
2.14 - Séries de Taylor
-
28
2.15 - Regressão linear simples
-
29
2.16 - Discussão derivadas
-
30
2.17 - Integral indefinida
-
31
2.18 - Integral definida
-
32
2.19 - Discussão integrais
-
33
Pontos-chave
Resumo dos pontos-chave do módulo.
-
34
Apresentação
Breve explicação da estrutura da unidade didática.
-
35
Termos Técnicos
Glossário com os principais termos técnicos usados no módulo.
-
36
Downloads
Arquivos utilizados no decorrer do módulo.
-
37
3.1 - Vetores e escalares
-
38
3.2 - Operações com vetores
-
39
3.3 - Matrizes
-
40
3.4 - Operações com matrizes
-
41
3.5 - Matrizes de formas especiais
-
42
3.6 - Rank e inversa de uma matriz
-
43
3.7 - Matrizes positivas definidas
-
44
3.8 - Determinante e traço de uma matriz
-
45
3.9 - Cálculo vetorial e matricial
-
46
3.10 - Regressão linear múltipla
-
47
3.11 - Regressão linear múltipla: Exemplo
-
48
3.12 - Matrizes esparsas
-
49
3.13 - Sistemas lineares
-
50
3.14 - Métodos diretos
-
51
3.15 - Eliminação de Gauss
-
52
3.16 - Eliminação de Gauss com pivotação
-
53
3.17 - Eliminação de Gauss-Jordan
-
54
3.18 - Métodos iterativos
-
55
3.19 - Decomposição LU
-
56
3.20 - Decomposição LU com pivotação
-
57
3.21 - Obtendo a inversa
-
58
3.22 - Autovalores e autovetores
-
59
3.23 - Decomposição em valores singulares
-
60
3.24 - Regressão ridge
-
61
3.25 - Implementação computacional: regressão ridge
-
62
3.26 - Comentários finais
-
63
Pontos-chave
Resumo dos pontos-chave do módulo.
-
64
Apresentação
Breve explicação da estrutura da unidade didática.
-
65
Termos Técnicos
Glossário com os principais termos técnicos usados no módulo.
-
66
Downloads
Arquivos utilizados no decorrer do módulo.
-
67
4.1 - Sistemas de equações não-lineares
-
68
4.2 - Métodos de confinamento
-
69
4.3 - Métodos abertos
-
70
4.4 - Sistemas de equações não lineares
-
71
4.5 - Método de Newton
-
72
4.6 - Gradiente descendente
-
73
4.7 - Diferenciação numérica
-
74
4.8 - Diferenças finitas usando expansão em série de Taylor
-
75
4.9 - Derivadas de segunda ordem
-
76
4.10 - Extrapolação de Richardson
-
77
4.11 - Derivadas parciais
-
78
4.12 - Funções do R para diferenciação numérica
-
79
4.13 - Integração numérica
-
80
4.14 - Métodos Trapezoidal e Simpson 1/3
-
81
4.15 - Quadratura Gaussiana
-
82
4.16 - Quadratura de Gauss-Laguerre
-
83
4.17 - Quadratura de Gauss-Hermite
-
84
4.18 - Aproximação de Laplace
-
85
4.19 - Integração Monte Carlo
-
86
4.20 - Funções do R para integração numérica
-
87
4.21 - Discussão integração numérica
-
88
4.22 - Otimização
-
89
4.23 - Programação linear
-
90
4.24 - Programação quadrática
-
91
4.25 - Programação não-linear
-
92
4.26 - Método Golden Section Search
-
93
4.27 - Método de Nelder-Mead
-
94
4.28 - Métodos baseados em gradiente
-
95
4.29 - Métodos baseados em hessiano
-
96
4.30 - Métodos baseados em simulação
-
97
4.31 - Escolhendo o melhor método
-
98
Pontos-chave
Resumo dos pontos-chave do módulo.
-
99
Apresentação
Breve explicação da estrutura da unidade didática.
-
100
Termos Técnicos
Glossário com os principais termos técnicos usados no módulo.
-
101
Downloads
Arquivos utilizados no decorrer do módulo.
-
102
5.1 - Regressão logística
-
103
5.2 - Construindo um classificador binário
-
104
5.3 - Melhorando o modelo
-
105
5.4 - Melhorando a função objetivo
-
106
5.5 - Melhorando o algoritmo de ajuste
-
107
5.6 - Clusterização usando kmeans
-
108
5.7 - Redes neurais
-
109
5.8 - Discussão
-
110
5.9 - Projeto final · Predizendo número de inscritos em canais do youtube
-
111
Pontos-chave
Resumo dos pontos-chave do módulo.
