Data Science & Business Analytics - EAD - Síncrono/ao vivo - pecepoli

TENHO INTERESSE - Especialização
Data Science & Business Analytics – EAD – Síncrono/ao vivo

Pacman


Dúvidas?
Para maiores informações, por favor, entrar em contato com a nossa Central de Apoio ao Aluno:
Atendimento online: de segunda-feira à sexta-feira, das 08h30 às 20h00.
E-mail: atendimento@pecepoli.com.br

Especialização

Data Science & Business Analytics – EAD – Síncrono/ao vivo

Curso é planejado para ser desenvolvido no modo EAD, síncrono com atividades colaborativas, extraclasse para que os seus participantes possam adquirir capacitação suficiente ao lidar com grandes volumes de dados, informações e suas inerentes explosões combinatórias, dentro dos domínios de conhecimento da nova e emergente ciência e análises de dados e seus impactos no universo das empresas e organizações.

• Carga Horária Total
400h
• Duração
18 meses
• 2ª e 4ª feiras
19h30 - 22h30

Conteúdo

Estrutura curricular

A carga horária conjunta das duas atividades será de 400 horas aula, composta por 360 horas de disciplinas e 40 horas de atribuídas à monografia. A duração total prevista do curso é de 18 meses.

Duração

O prazo máximo para a conclusão do curso é  de um ano e seis meses (18 meses).

As  avaliações  finais  das disciplinas,  bem  como  a  apresentação  da  monografia  serão  presenciais na Escola Politécnica da Universidade de São Paulo. A monografia, desenvolvida de forma individual, será avaliada por uma banca de professores.

Disciplinas

Introdução a Banco de Dados (BD).

Conceitos de BD e histórico.

Modelos de BD.

BD Modelo Relacional.

SQL básico.

NoSQL.

Linguagem R, Data Types.

Subsetting.

Vectorization.

Reading and Writing Data.

Control Structures.

Functions, (lapply, apply, tapply).

Debugging.

Charts (base graphics.

lattice).

Machine Learning packages for R, Linguagem Python.

Language basics.

IPython / Anaconda, NumPy, ScyPy, pandas, scikit-learn, matplotlib.

Matemática/Cálculo.

Teoria dos conjuntos.

Números reais.

Funções reais.

Polinômios.

logaritmos.

exponenciais e funções trigonométricas.

Gráficos de funções.

Derivadas.

Introdução a Integrais.

Máximos e mínimos de funções contínuas.

Álgebra Linear:

Espaços vetoriais,

combinações lineares.

Produto interno e produto vetorial.

Dependência linear.

Matrizes.

determinantes.

Equações de retas e planos.

Transformações lineares e bases.

Ortogonalidade.

Autovalores e autovetores.

Introdução à Lógica Proposicional.

Revisão de Análise Combinatória.


Python

Configuração de ambiente de trabalho para programação (instalação dos programas usados e como trabalhar em IDE - Integrated Development Environment).

Tipos de variáveis.

Sintaxe básica.

Operadores e estruturas de decisão.

Funções mais comuns.

Manipulação de dados (pandas, numpy e scipy).

Interação do Python com a web.

Interação com bancos de dados SQL.

Visualização.

"R"

Tipos de objetos.

Sintaxe básicas.

Estruturas de decisão.

Funções estatísticas mais comuns.

Visualização de dados.


Introdução.

histórico e importância.

Fatores humanos e percepção.

Princípios de design de informação visual.

Conceitos de Computação Gráfica e Imagem.

Formas de visualização, para: Dados tabulares.

multidimensionais e estatísticos.

Hierarquias e árvores.

Grafos e redes.

Textos e documentos.

dados georreferenciados e temporais.

Explicações, animações e causalidade.

Técnicas de visualização interativas, para: Visão geral e detalhe.

Projeções de alta dimensão.

ícones, Navegação e zoom.

Seleção e Brushing.

Linking, Manipulação, Mapeamento de legenda e estilos.

Avaliação da visualização.

Laboratórios práticos.

Visualização espacial de dados utilizando Google Maps e ArcGIS Online.

Criação de produtos de dados (data products) utilizando Tableau Desktop e Server.

Criação de produtos de dados utilizando R and Shiny.

Ciclo de vida dos dados.

as funções necessárias e as métricas fundamentais.

Principais funções nas equipes de Analytics.

Definir um plano que permita conhecer os mecanismos mais efetivos para utilizar a informação e tomar decisões de negócio, diante de diferentes problemáticas.

Ciclo de vida dos dados e fluxo de trabalho em Data Analytics.

Funções e habilidades necessárias em uma equipe de Data Analytics.

Cultura de dados.

qualidade dos dados.

tipos de dados.

Digital Analytics: introdução, aplicabilidade.

frameworks e habilidades necessárias.

Google Analytics: Apresentação das funcionalidades básicas da ferramenta.

Business Metrics: KPI x KSI.

Necessidades de informação das partes envolvidas interna e externamente.

Definições estatísticas básicas.

tipos de variáveis.

população.

amostra.

parâmetro.

estimativa.

matriz de dados.

índices.

escalas e indicadores estatísticos.

atribuição de pontos em escalas.

validade de índices.

principais indicadores estatísticos.

indicadores eleitorais, educacionais, sociodemográficos.

tipologias.

Produção de questionários e definição de amostras.

o que é um survey.

tipos de surveys.

estrutura do questionário.

pré-teste.

produção de questionário de opinião pública.

Pesquisa quantitativa em fontes primárias meios digitais.

Medidas de tendência central e variabilidade.

médias, mediana, moda.

Medidas de posição.

coeficiente de variação.

medidas de assimetria ou curtose.

coeficientes de correlação.

coeficientes de determinação.

coeficientes de alienação.

Conceito de probabilidade.

intervalo de confiança.

hipóteses estatísticas.

nível de significância.

provas de independência.

análise de variância.

comparações múltiplas.

Técnicas de registro e comunicação do conhecimento.

A Universidade e a Pesquisa.

O Conhecimento.

A Pesquisa Científica.

A Ética na Pesquisa.

Projeto e Estrutura de Trabalhos Científicos.

O Financiamento da Pesquisa.

Redação do Projeto/Protocolo de Pesquisas.

Discussão dos Projetos.

Regressão Linear.

Regressão Logística.

Trade Off entre Bias e Variância.

Regularização.

Métodos baseados em árvores.

Support Vector Machine (SVM).

Introdução a Redes Neurais Artificiais.

Treinamento de redes com conjunto completo de dados.

Treinamento de redes com amostras representativas.

Agrupamento e aprendizado supervisionado e não-supervisionado.

Redução de dimensionalidade.

Seleção de Modelos; e Detecção de Anomalias.


Definição da decisão e tipos de decisão.

análise de cenários.

atores da decisão.

vozes dos acionistas.

funcionários e outros.

Tautologia.

contradição e contingência.

Condições de decisão e tipos de problemas.

Técnicas e modelos para tomada de decisão.

Relações intergrupais.

Inter organizacionais e interculturais Escolha entre conflito e cooperação Métodos de cooperação intergrupal.

Cooperação intergrupal entre culturas internacionais e regionais.

silogismo,

argumento, validade de um argumento (através da tabela-verdade).


1. Dados, Informação e Conhecimento.

2. Data Base, Data Warehouse, Data Mart.

3. Integração e Tratamento de Dados (ETL).

4. Técnicas e Ferramentas para Análise Multidimensional de Dados.

5. Banco de Dados Multidimensional.

6. Técnicas e Ferramentas para Análise de Dados e Predição.

7. Redes Neurais e Predição.

8. Laboratório Avançado de Análise de Dados para predição.


Armazenamento de large-scale collections.

Teoria e prática na recuperação de informações em ambiente de Big Data.

Extração de dados, sua transformação e seu carregamento de data warehouses.

Métodos tradicionais de recuperação de informação.

Gerenciamento de banco de dados.

Gerenciamento de dados complexos.

Dados multimídia.

Dados geográficos.

Dados temporais.

Computação paralela massiva usando MapReduce/Hadoop.

Obtendo e "limpando" dados.

Arquitetura de Data warehouse.

Arquitetura de Cloud computing.

Inserção de dados.

1. Introdução ao Big Data.

2. Componentes de Big Data.

3. Introdução ao Hadoop.

4. Aplicações de Hadoop e HDFS.

5. Framework Hadoop MapReduce.

6. Componentes do Hadoop.

7. Introdução ao Spark.

8. Bases de dados distribuídas resilientes.

9. Programação de Aplicações em Spark.

10. Configuração, Monitoramento e Ajustes em Ambientes Spark.

Gestão de mídias sociais.

O analista de mídias sociais.

Planejamento das mídias sociais.

Netnografia e o comportamento do consumidor nas mídias sociais.

Monitoramento das mídias sociais.

Planejamento e gestão de web marketing.

Gestão de conteúdo.

Arquitetura da informação para mídias sociais.

Inovação e Empreendedorismo digital.

Análise de métricas.

Otimização de sites. SEO (Search Engine Optimization).

Google Analytics.

Facebook marketing.

Segurança da informação.

Privacidade na rede.

Ética comportamental.

Como utilizar/minerar as Redes Sociais.

Algoritmos e Prática de Análise de Redes Sociais.

Extração de dados de redes sociais em tempo real utilizando APIs como Twitter, Facebook and LinkedIn.

Análise de Sentimentos.

Detecção de Comunidades.

Análise de Vínculos/Grafos (Link/Graph Analysis.

PageRank.

Hubs and Authorities.

SPARQL and Relational Algebra for Graph Query.

Visualização de grafos de redes sociais - Gephy.


Por que publicar? 

O papel da comunicação na ciência .

Publicações em seminários e em periódicos.

Citações científicas e bases de dados indexadas.

O papel dos pares.

O lado prático da publicação científica no MBA Data Science & Analytics - Utilização de artigos científicos na elaboração do trabalho de conclusão de curso.

Requisitos atuais.

Como elaborar artigos para periódicos científicos.

Os desafios para publicar artigos científicos.

Como funciona o processo de publicação?

Onde publicar? 

Fator de impacto.

Publicações vs.

Citações.

Os indicadores h-index e i10 index.

O sistema WebQualis da CAPES.

Seleção de periódicos adequados.

Como começar? 

Planejamento de sua publicação.

Planejamento do artigo.

Elaboração da minuta do artigo.

Revisão do artigo.

Próximos passos para a submissão.

Riscos em Segurança da Informação (ISO 27005) Risk Best Practices (COSO, NIST, CRAMM, ITScore, FRAP)

Estrutura e papéis de uma área de Cibersegurança Ferramentas de apoio à Governança.

Simulação de ataques em laboratório virtual.

Investigação dos Crimes eletrônicos no ambiente corporativo (interceptação de dados, ata notarial, ransomware).


Introdução à Inteligência Artificial (IA): Conceitos.

Evolução histórica.

Aplicações e perspectivas.

Métodos de busca.

Busca cega.

Busca heurística.

Busca competitiva.

Representação do conhecimento.

Formalismos de representação do conhecimento.

Sistemas baseados em conhecimento.

Paradigmas de programação:

Lógico. Funcional.

Aprendizado supervisionado.

Aprendizado não-supervisionado.

Aplicações de IA.

Processamento de linguagens naturais.

Jogos.

Robótica.

Mineração de Dados.


Ferramentas.

Overfitting.

Complexidade, treinamento, validação de dados de teste.

Problemas de classificação.

Fronteiras de decisão.

Métodos de vizinhos mais próximos.

Probabilidade e classificação.

Naïve Bayes, distribuições.

Classificadores lineares.

Redução de Dimensionalidade: PCA e LDA.

Algoritmos evolucionários.

Redes neurais.

Métodos de ensemble: bagging e boosting Validação e comparação de algoritmos.

Validaçãoao cruzada, testes de Wilcoxon e Friedman, correção de Bonferroni-Dunn.

Clustering, k-médias.

Representações textuais e modelos multinomiais; clustering e espaçoos latentes.

Dimenção VC, minimização do risco, métodos de classificação baseados em margens.

Support Vector Machines para uma, duas ou mais classes.

Governança e Compliance Estruturas e Modelos de Governança Padrões e Regulamentações (ISO 38500, ISO 15504, ISO27001, ISO 27002, ISO 27014, COBIT 5, BACEN 4.658 e PCI-DSS) Marcos regulatórios no Brasil e no mundo. Investigação dos Crimes eletrônicos no ambiente corporativo (interceptação de dados, ata notarial, ransomware e concorrência desleal) Responsabilidades civil, criminal e trabalhista Regulamentos Privacidade e Proteção de Dados (GDPR e LDPD).

Controles Internos.

Mapeamento de Processos, Riscos e Controles.

Autoavaliação de Riscos e Controles.

Gerenciamento de Plano de Ação.

-Compliance.

Controls Self Assessment.

Monitor de Obrigações Legais.

Gestão de Apontamentos por Reguladores.

-Riscos Operacionais e Estratégicos.

Registro manual de ocorrências e incidentes.

Integração automática das perdas.

Indicadores de Riscos.

-Auditoria Interna.

Planejamento da Auditoria.

Testes de Controles, Apontamentos e Recomendações.

Monitoramento das atividades.

-LGPD Lei Geral de Proteção de Dados.

Conceito de dado pessoal.

Princípios da proteção de dados pessoais.

Permissões e exceções para o uso de dados.

Transferência nacional e internacional de dados.

Pedidos judiciais e administrativos de disponibilização de dados.

Responsabilidade jurídica e vazamento de dados.


Como funcionam os modelos de matrizes.

Projeção da população no futuro.

Dinâmica populacional transiente.

Dinâmica populacional assintótica.

Métricas usadas para descrever a dinâmica de uma população.

Autovalor dominante.

Estrutura estável.

Valor reprodutivo.

Sensibilidade e elasticidade.

Modelos estocásticos Medidas de distância.

Medidas de similaridade e de dissimilaridade.

Distância Euclidiana.

Métodos de Agrupamento.

Método hierárquico e método das k médias Técnicas de Analytics.

Dendograma.

Técnicas de agrupamento.

Método do vizinho mais próximo (nearest neighbor) Método do vizinho mais distante (furthest neighbor).

Método de centróide. 

Método das k médias Medidas de distância. Medidas de distância.

Técnicas de mineração de dados.

Introdução no campo de mineração de dados e base analítica.

OLAP (Online Analytical Process).

Descoberta do conhecimento em base de dados.

KDD.

Operações e métodos de KDD.

Ferramentas de KDD.

Papel do Usuário no KDD.

Etapas do KDD.

Pré-processamento.

Seleção de dados.

Limpeza.

Codificação.

Enriquecimento.

Normalização de dados.

Construção de atributos.

Correção de Prevalência.

Partição do conjunto de dados.

Mineração de dados.

Pós-processamento.

Simplificações de modelo de conhecimento.

Transformações de modelo de conhecimento.

Organização e apresentação dos resultados.

Tarefas de KDD.

Métodos de mineração e dados.

Ferramentas de KDD. Exemplos de aplicações em KDD.


Serão apresentações dos convidados visando debater as modificações, técnicas e produção na Tecnologia da Informação.

analisar, atualizar e renovar referências e refletir sobre temas relativos à prática do profissional.

Critério Geral de Aprovação e obtenção de certificado USP

Para ser considerado aprovado no Curso “Data Science & Business Analytics ”, e ter direito ao respectivo Certificado de Conclusão, o participante deverá satisfazer todos os seguintes requisitos:

  • ter frequência igual ou superior a 75% (setenta e cinco por cento) em cada uma das disciplinas e atividades;
  • obter nota final igual ou superior a 7,0 (sete) em cada uma das disciplinas cursadas. A avaliação em cada disciplina será feita de acordo com o critério previamente estabelecido em cada uma delas, envolvendo provas, trabalhos, etc.;
  • ter se inscrito e realizado na atividade Monografia devendo obter nota final igual ou superior a 7,0 (sete), em avaliação realizada por banca examinadora.
Oferecimento e realização das disciplinas

As disciplinas serão oferecidas nos ciclos do PECE, a critério deste.

ATENÇÃO! - O Programa de Educação Continuada da Escola Politécnica da Universidade de São Paulo (PECE/EPUSP) reserva-se o direito de não realizar este curso, ou modificar sua data.

A Educação a Distância (EaD) encontra-se em um crescente número de oferta e interesse. Neste contexto, ocorre o processo de virtualização da sala de aula, com a popularização do uso de ambientes virtuais de aprendizagem nos cursos EaD. O curso em Data Science and Business Analytics é feito no modo a distância, em sistema Síncrono. O Curso tem 360 horas em modo EAD, síncrono. Não há atividade presencial, entretanto, além das aulas os alunos serão convidados a participar de uma série de atividades complementares durante a semana, essas atividades serão demandadas pelos professores. O curso em Data Science na Business Analytics traz inovação, tecnologia e networking, o programa eleva o aluno ao nível do empreendedorismo, pois irá contar. Você vai com toda experiência dos nossos professores e especialistas para elevar seu conhecimento tendo suporte extra aula para acompanhamento e suporte durante os horários fora das aulas mentorias e acesso aos Professores.

Objetivo

Este Curso é planejado para ser desenvolvido no modo EAD, síncrono com atividades colaborativas, extraclasse para que os seus participantes possam adquirir capacitação suficiente ao lidar com grandes volumes de dados, informações e suas inerentes explosões combinatórias, dentro dos domínios de conhecimento da nova e emergente ciência e análises de dados e seus impactos no universo das empresas e organizações.

Público alvo

Profissionais que desejem transformar dados em informação e conhecimento estratégico. Executivos, gestores, analistas, especialistas e consultores que atuem em setores de informação intensiva.

Local & horário realização do curso

As aulas serão ministradas a distância, mas síncrono (ao vivo), as segundas-feiras e quartas-feiras, no horário noturno das 19:30 às 22:30.

ATENÇÃO! - O Programa de Educação Continuada da Escola Politécnica da Universidade de São Paulo (PECE/EPUSP) reserva-se o direito de não realizar este curso, ou modificar sua data.

Coordenado pelo Prof. Dr. Giorgio Francesco Cesare de Tomi, o curso reúne, em seu corpo docente, professores da Escola Politécnica e especialistas convidados, entre eles:

• Almir Meira Alves
• Antonio Geraldo da Rocha Vidal
• Carla Bonato Marcolin
• Carlos Antonio Filho
• Cesar Alexandre de Souza
• Daniel Reed Bergmann
• Edison Spina
• Evandro Marcos Saidel Ribeiro
• Fábio Silva Lopes
• Giancarlo da Silva Rego Pereira
• Giorgio Francesco Cesare de Tomi
• Leandro Augusto da Silva
• Marcel Jacques Simonette
• Rodrigo Franco Gonçalves

ATENÇÃO! - O Programa de Educação Continuada da Escola Politécnica da Universidade de São Paulo (PECE/EPUSP) reserva-se o direito de não realizar este curso, ou modificar sua data.

O investimento deste curso:

Valor total de R$ 27.150,00 ou em 18 parcelas mensais e consecutivas de R$ 1.500,00.

Pagamento à vista tem 5% de desconto.

Para maiores informações, por favor, entrar em contato com a nossa Central de Apoio ao Aluno:
Atendimento online:  de segunda-feira à sexta-feira, das 08h30 às 20h00.
E-mail: atendimento@pecepoli.com.br

ATENÇÃO! - O Programa de Educação Continuada da Escola Politécnica da Universidade de São Paulo (PECE/EPUSP) reserva-se o direito de não realizar este curso, ou modificar sua data.

Processo seletivo
1. O interessado em participar do Processo Seletivo deste curso deverá proceder da seguinte forma:
a) Preencher a Ficha de Inscrição;
b) Efetuar o pagamento da taxa de inscrição no valor de R$ 150,00 (cento e cinquenta reais), através de boleto bancário. O boleto bancário será enviado automaticamente para sua caixa postal logo após o preenchimento e envio da ficha de inscrição. O valor da taxa será abatido na 2ª parcela do Curso.
2. Seleção:
A seleção será feita com base nas informações fornecidas pelo interessado na “Ficha de Inscrição”.
Caso o interessado seja aprovado, receberá e-mail do Centro de Apoio ao Aluno, com instruções para efetivar sua matrícula.
Lembrando que, a participação no processo seletivo só será possível com a confirmação do pagamento da taxa de inscrição.

Datas de inscrição e matrícula
Inscrições: até 26/07/2021.
Entrevista: não há.
Resultado: por e-mail ou telefone.
Matrículas: até 28/07/2021.
Início das Aulas: 02/08/2021.

Matrícula no curso
Para matricular-se neste curso o interessado deve ter sido aprovado no respectivo Processo Seletivo.
O inscrito que for aprovado no Processo Seletivo, deverá nos apresentar no ato da matrícula, uma cópia simples (que será retida ) e original dos seguintes documentos:
a) CPF;
b) RG;
c) Diploma do curso superior;
d) Comprovante de residência;
e) 01 foto 3X4 recente;
f) Termo de compromisso de pagamento das parcelas financeiras referentes ao valor de investimento do curso.

A efetivação da sua matrícula deverá ser devidamente confirmada pelo Centro de Apoio ao Aluno.
A matrícula somente será considerada efetuada mediante o nosso recebimento de todos os documentos necessários acima mencionados.

ATENÇÃO! - O Programa de Educação Continuada da Escola Politécnica da Universidade de São Paulo (PECE/EPUSP) reserva-se o direito de não realizar este curso, ou modificar sua data.

Certificação USP


Para que o aluno conquiste o certificado do curso de Data Science & Business Analytics – EAD – Síncrono/ao vivo, emitido oficialmente pela Universidade de São Paulo, deverá ser aprovado em todas as disciplinas do curso, com nota mínima de 7,0 e presença acima ou igual a 75%, assim como a aprovação da sua monografia pela banca examinadora.

Certificado USP

Processo de inscrição

Para realizar a inscrição e participar do Processo Seletivo o candidato deverá proceder da seguinte forma:

PRÉ-REQUESITOS

Espera-se dos candidatos, sólida formação superior, conhecimentos básicos de inglês e experiência profissional.

PAGAMENTO

Efetue o pagamento da taxa de inscrição no valor de R$ 150,00 (Cento e cinquenta reais), por meio de boleto bancário, enviado automaticamente para o e-mail cadastrado.

O valor da taxa será abatido na 2ª parcela do curso. Caso o candidato não seja aprovado, esse valor não será devolvido.

SELEÇÃO

A seleção será feita com base nas informações fornecidas pelo interessado na “Ficha de Inscrição”. Caso o interessado seja aprovado, receberá e-mail do Centro de Apoio ao Aluno, com instruções para efetivar sua matrícula.

Só será possível participar do processo seletivo, após a confirmação do pagamento da taxa de inscrição.

ATENÇÃO! - O Programa de Educação Continuada da Escola Politécnica da Universidade de São Paulo - PECE/EPUSP reserva-se o direito de não realizar este curso, ou modificar sua data.

Estrutura
de qualidade

Histórias de Sucesso

Torne-se um líder produtivo no mercado.