Com esta formação, os alunos serão capazes de recolher, extrair, consultar, limpar, e agregar dados para análise. Irão saber realizar análises visuais e estatísticas de dados e implementar modelos e algoritmos usando as ferramentas associadas, como por exemplo Python. Serão igualmente capazes de construir e implementar modelos e algoritmos, criar e partilhar diversas formas de visualização de dados, bem como criar relatórios claros de todas as nuances da análise. Outro dos objetivos do curso passa por saberem identificar Big data problems e resolver esses desafios, e também aplicar processos de solução de problemas, modeling e validação.
Idade Mínima 18 anos Formação nas áreas de Engenharia, Economia, Contabilidade, Marketing, Gestão e Matemática Aplicada e/ou Experiência profissional em domínio analítico. Marcação de uma SOPP gratuita com um student Admissions Manager.
Este curso intensivo é indicado para Data Analysts, pessoas com background quantitativo como engenheiros (informáticos, eletrotécnicos; civis...), perfis com background/experiência nas áreas de Economia, Gestão; Contabilidade (ou similares) e Matemática Aplicada. Também poderá ser dirigido a Managers, Sales Managers, Digital Marketeers ou newbies, com o domínio analítico como fator obrigatório.
Segunda-feira, quando aplicável.
A certificação é entregue aos alunos em formato digital. Inclui a carga horária, modular e total, do curso temáticas, notas finais de cada módulo e média final do curso, certificação DGERT, carimbo e assinatura da coordenação pedagógica do programa ou administração da escola.
Só pagarás após a inserção no mercado de trabalho através de um financiamento ISA – Income Share Agreement com a Fundação José Neves. Fala connosco para saberes mais!
No curso de Data Science & Business Analytics vamos dar-te o conhecimento necessário para a análise e tratamento de dados, um ponto fundamental para as estratégias de negócio e tomadas de decisão das organizações.
› Data Science Definition /Applications
› Data Mining main branches/techniques
› Python Fundamentals – Key concepts
› Data Understanding
› Data loading and cleansing, Plotting, Feature extraction
› Database concept
› Datawarehouse concept
› Relational and non-relational
› Major providers
› Architecture, Models, Definition
› Types of Data Models
› Fact and Dimension tables, Keys
› Star and Snowflake schema
› SQL Fundamentals, Key concepts
› Types of data
› Descriptive Statistics
› Dirty & missing Data
› Cleaning Data Techniques and tools
› Visual Exploration
› Introduction to Information Visualization
› The role of visualisation in data science
› Good/bad examples
› Plotting with python
› Visualisations (and dashboards) for different audiences
› Building a dashboard with python
› Business Analytics
› Introdução ao Google Analytics – overview do software
› Diferentes soluções/ferramentas de Web Analytics para além do Google Analytics
› Perspetivas de métricas e dimensões (KPIs técnicos, quantitativos e qualitativos)
› Objetivos e KPI’s (O que são? Para que servem? Exemplos de utilização)
› Account e Tracking Code – o que é e onde encontrar, como criar e instalar
› Análise dos vários painéis (públicoalvo, aquisição, comportamento, conversões e real- time)
› Relatórios personalizados
› Dashboards (com Data Studio)
› Funis de conversão: O que são? Qual a sua importância? Otimização de um funil de conversão
› Perceber para onde fogem as visitas? Porquê? Como evitar?
› Segmentos avançados. Qual a utilidade? Como se criam?
› UTMS – o que são? Para que servem?
› Big Data Ecossystem
› Introduction to Big Data
› Defining a Big Data Cluster
› Distributed Query SQL Query Engine
› Distributed Data Processing
› Distributed Processing with Spark
› Data Pipelines
› Data Integration Tools
› Workflow Concepts
› Building a Data Pipeline
› Quantitative Data Definition
› Types of Quantitative Data
› Collection Methods
› Analysis Methods
› Steps to conduct Quantitative Data Analysis
› Quantitative Data Examples
› Advantages & Disadvantages of Quantitative Data
› Differences between Quantitative and Qualitative Data
› Introduction to Machine Learning
› ModelsSupervised Learning:
› RegressionSupervised Learning: Classification
› Machine Learning: Advanced Concepts
› Unsupervised Learning
› Introduction to Neural
› NetworksDifferent Types of Neural
› NetworksSome Selected Examples
› Identify a problem
› Obtain the data
› Understand the data
› Prepare, clean, and format the data
› Analyze the data
› Create visualizations or a dashboard to display insights both numerically and graphically.
› Present high level insights and the resulting actions to key stakeholders.
Cada tutor do curso está disponível para orientar o desenvolvimento das tuas competências e esclarecer as tuas dúvidas. Fica a conhecer os tutores e os elementos da equipa pedagógica que te vão acompanhar.
Todos os anos, mais de mil alunos escolhem a EDIT. para investir no seu futuro. Conhece alguns dos nossos ex-alunos e fica a saber como é a formação na EDIT.
Student Admissions Manager
Enviar mensagem