R Avançado para Ciência de Dados

Descrição do Curso

O curso R Avançado para Ciência de Dados oferece uma abordagem aprofundada de técnicas e práticas orientadas ao desenvolvimento eficiente, colaborativo e escalável em R. Com carga horária total de 40 horas, distribuídas em encontros assíncronos e síncronos, o curso concentra-se em tópicos avançados de programação, integração com outras linguagens e implantação de soluções, alinhando-se às demandas contemporâneas de desenvolvimento de software estatístico e análise de dados.

Perfil do Ingressante

O curso destina-se a estudantes e profissionais que possuam conhecimento básico em R e busquem aprimorar suas competências no desenvolvimento de projetos complexos, seja no âmbito acadêmico ou corporativo. O(a) ingressante deve ter familiaridade com conceitos fundamentais de programação em R (estruturas de dados, funções básicas e manipulação de data frames), bem como interesse em expandir a eficiência de suas análises, melhorar a organização do código e adotar boas práticas de colaboração.

Perfil do Egresso

Ao concluir o curso, o(a) participante estará apto(a) a desenvolver e manter soluções em R que atendam requisitos de robustez, escalabilidade e eficiência. O(a) egresso(a) dominará técnicas de organização e gerenciamento de ambientes, práticas de desenvolvimento colaborativo e recursos de implantação em ambientes de nuvem e APIs. Dessa forma, estará preparado(a) para aplicar conhecimento avançado na resolução de problemas estatísticos e computacionais, otimizando fluxos de trabalho e garantindo a reprodutibilidade das análises.

Objetivos do Curso

• Desenvolver proficiência avançada em R, reforçando estruturas de dados e técnicas eficientes de programação.
• Capacitar para o uso de programação funcional, tratamento de exceções, depuração e perfilamento de código, visando soluções mais robustas.
• Fomentar práticas colaborativas de desenvolvimento, incluindo criação de pacotes, testes de unidade e gerenciamento de dependências.
• Introduzir estratégias de implantação e escalabilidade, contemplando execução remota, processamento paralelo e integração com serviços em nuvem.
• Ampliar a interoperabilidade entre R e outras linguagens, potencializando projetos multidisciplinares e complexos.

Instrutores

• Wagner Hugo Bonat
  Bacharel em Estatística pela Universidade Federal do Paraná (UFPR), Mestre em Métodos Numéricos e Engenharia pela UFPR e Doutor em Matemática pela University of Southern Denmark. Professor do Departamento de Estatística da UFPR, ministra cursos na graduação em Estatística e na especialização em Data Science & Big Data. Possui experiência em inferência estatística, modelos de regressão, métodos multivariados, processamento de big data e ciência de dados, além de atuação em capacitação em software R.

• Deisy Morselli Gysi
  Graduada em Biotecnologia pela Pontifícia Universidade Católica do Paraná e em Estatística pela UFPR, com doutorado em Ciência da Computação pela Universität Leipzig. Pesquisadora Associada do BarabasiLab (Network Science Institute) e trainee de pesquisa na Channing Division of Network Medicine (Harvard Medical School – Brigham and Women’s Hospital). É professora do Departamento de Estatística da UFPR, atuando na aplicação de técnicas avançadas de análise de dados com R, geração de relatórios reprodutíveis e versionamento de projetos por meio de Git e Github. Reconhecida pela competência no desenvolvimento de métodos para descoberta de biomarcadores em doenças complexas e pela excelência na comunicação de resultados analíticos.