Sobre O Curso
O curso de Data Science da Codi Academy foi desenvolvido para capacitar profissionais em uma das áreas mais demandadas do mercado atual: ciência de dados. Combinando programação e estatísticas, os cientistas de dados são capazes de transformar dados brutos em insights valiosos para diversas indústrias. Neste curso, você aprenderá Python, a linguagem mais popular em data science, e será guiado por meio de ferramentas modernas e conjuntos de dados reais. Você dominará habilidades essenciais para ler, armazenar, analisar e comunicar dados de maneira profissional, adquirindo a experiência necessária para solucionar problemas do mundo real e se tornar um cientista de dados pronto para o mercado. O que você vai aprender:
- Fundamentos de Python: Domine a linguagem Python, incluindo sintaxe, estruturas de controle, e funções.
- Arrays e Matrizes Funcionais com NumPy: Utilize a biblioteca NumPy para trabalhar com arrays e matrizes de forma eficiente.
- Web Scraping com BeautifulSoup: Aprenda a coletar dados de páginas da web utilizando técnicas de web scraping com BeautifulSoup.
- Recuperação de Dados de APIs: Saiba como acessar e manipular dados provenientes de APIs para integrar informações de diversas fontes.
- Manipulação de Dados com SQL: Ganhe experiência com consultas em bancos de dados usando SQL para recuperar, manipular e organizar dados.
- Análise de Dados com Pandas: Utilize a biblioteca Pandas para manipular e analisar dados de forma estruturada e eficiente.
- Visualização de Dados com Matplotlib, Seaborn e Bokeh: Aprenda a criar gráficos e visualizações atraentes para comunicar insights e análises.
- Criação de Hipóteses Baseadas em Evidências: Desenvolva a habilidade de formular e testar hipóteses a partir de análises de dados.
Ao concluir este curso, você estará equipado com habilidades práticas em ciência de dados, capaz de enfrentar desafios reais e contribuir com insights valiosos em qualquer organização. Transforme sua carreira com a habilidade de entender e utilizar dados para impactar a tomada de decisões e a estratégia de negócios.
Preço do curso: R$2.400,00
Taxa de matrícula: R$100,00
Taxa bianual: R$200,00.
Conteúdo Do Curso
Avisos
-
Monitoria Online: Tire as suas dúvidas
M1: Introdução ao Python
-
Acesso ao Livro
-
Aula 1: Introdução
-
Aula 2: Variáveis: Integer e Float
-
Aula 2: Exercícios
-
Aula 3: Variáveis: Boolean e String
-
Aula 3: Exercícios
-
Aula 4: Operadores Aritméticos
-
Aula 4: Exercícios
-
Aula 5: Operadores de Comparação
-
Aula 5: Exercícios
-
Aula 6: Operadores Lógicos
-
Aula 6: Exercícios
-
Aula 7: Coleções: Listas
-
Aula 7: Exercícios
-
Aula 8: Coleções: Tuplas
-
Aula 8: Exercícios
-
Aula 9: Coleções: Dicionários
-
Aula 9: Exercícios
-
Aula 10: IF e ELSE
-
Aula 10: Exercícios
-
Aula 11: While
-
Aula 11: Exercícios
-
Aula 12: For
-
Aula 12: Exercícios
-
Aula 13: Funções (parte 1)
-
Aula 13: Exercícios
-
Aula 14: Funções (parte 2)
-
Aula 14: Exercícios
-
Aula 15: OO: Classes e Objetos
-
Aula 15: Exercícios
-
Aula 16: OO: Encapsulamento
-
Aula 16: Exercícios
-
Aula 17: OO: Herança
-
Aula 17: Exercícios
-
Aula 18: OO: Polimorfismo
-
Aula 18: Exercícios
-
Aula 19: Python Turtle: Introdução
-
Aula 20: Balloon Popper: Introdução
-
Aula 21: Balloon Popper: Implementação
-
Aula 22: Turtle Game: Introdução
-
Aula 23: Turtle Game: Implementação
-
Extra: Revisional
-
Python | Prova
M2: Inteligência Artificial
-
Aula 1: Introdução
-
Aula 2: O que é IA?
-
Aula 3: Engenharia de Prompt (Parte 1)
-
Aula 4: Engenharia de Prompt (Parte 2)
-
Aula 5: Criando sua primeira IA
-
Aula 6: OpenWhisper
-
Aula 7: Criando uma IA que gera imagens
-
Aula 8: Criando um assistente financeiro
-
Aula 9: Automação (parte 1)
-
Aula 10: Automação (parte 2)
M3: NumPy: Arrays e Matrizes
-
Acesso ao Livro
-
Aula 35: Criando Arrays Numpy
-
Aula 36: Operações de Busca em Arrays
-
Aula 37: Operações de Modificação em Arrays
-
Aula 37.1: Exercício revisional
-
Aula 38: Criando Matrizes Numpy
-
Aula 39: Operações de Busca em Matrizes
-
Aula 40: Operações de Modificação em Matrizes
-
Aula 40.1: Exercício
-
NumPy | Prova
M4: Introdução ao Pandas
-
Aula 41: Introdução
-
Aula 42: Séries e DataFrames
-
Aula 43: Noções básicas do DataFrame – Parte 1
-
Aula 44: Noções básicas do DataFrame – Parte 2
-
Aula 45: Limpeza de Dados – Parte 1
-
Aula 46: Limpeza de Dados – Parte 2
-
Aula 47: Agrupamento e Agregação – Parte 1
-
Aula 48: Agrupamento e Agregação – Parte 2
-
Aula 49: Mesclando – Parte 1
-
Aula 50: Mesclando – Parte 2
-
Aula 51: Série Temporal
-
Aula 52: Visualização – Parte 1
-
Aula 53: Vizualização – Parte 2
-
Aula 54: Resumo e Conclusão
-
Pandas | Prova
M5: Projeto Pandas – Análise de Dados de Voo
-
Aula 55: Carregando o CSV
-
Aula 56: Exploração de dados
-
Aula 57: Filtragem – Parte 1
-
Aula 58: Filtragem – Parte 2
-
Aula 59: Filtragem – Parte 3
-
Aula 60: Agrupamento e agregação
-
Aula 61: Gráficos de barras
-
Aula 62: Gráfico de Linhas
-
Aula 63: Gráficos de setores
-
Aula 64: Gráficos de dispersão e histogramas
-
Projeto Pandas – Análise de Dados de Voo | Prova
M6: Web Scraping com Python e BeatifulSoup
-
Aula 1: Instalação
-
Aula 2: Coletando dados de páginas web
-
Aula 3: Classificando dados do HTML
-
Aula 4: Higienização de entrada
-
Aula 5: Salvando em CSV
-
Aula 6: Lendo HTML de arquivos locais
-
Web Scrapping com Python & Beatiful Soup | Prova
M7: Lendo dados de APIs com Python
-
Aula 1: Introdução a APIs, JSON e XML
00:00 -
Atividade da Aula 1
-
Aula 2: Fazendo requisições HTTP com Python
00:00 -
Atividade da Aula 2
-
Aula 3: Explorando estruturas JSON com Python
-
Atividades da Aula 3
-
Aula 4: Carregando JSON em DataFrames com Pandas
-
Atividades da Aula 4
-
Aula 5: Limpando e preparando dados de API
-
Atividades da Aula 5
-
Aula 6: Análise exploratória de Dados de API
-
Atividades da Aula 6
-
Aula 7: Salvando dados de API
-
Atividades da Aula 7
-
Aula 8: Introdução ao XML
-
Atividades da Aula 8
-
Aula 9: Buscando e Convertendo XML
-
Atividades da Aula 9
-
Aula 10: Lendo JSON e XML de arquivos locais
-
Atividades da Aula 10
-
Aula 11: Integrando múltiplas fontes de dados
-
Atividade da Aula 11
-
Aula 12: Revisão
-
Lendo dados de APIs com Python | Prova
M8: Avançando em Pandas
-
Aula 1: Revisão de Dataframes
-
Atividades da Aula 1
-
Aula 2: Leitura de Dados
-
Atividades da Aula 2
-
Aula 3: Exploração avançada de Dados
-
Atividades da Aula 3
-
Aula 4: Selecionando e Filtrando Dados
-
Atividades da Aula 4
-
Aula 5: Organizando e transformando dados
-
Atividades da Aula 5
-
Aula 6: Agrupando e resumindo
-
Atividades da Aula 6
-
Aula 7: Limpeza de Dados (parte 1)
-
Atividades da Aula 7
-
Aula 8: Limpeza de Dados (parte 2)
-
Atividades da Aula 8
-
Aula 9: Juntando Dados
-
Atividades da Aula 9
-
Aula 10: Estatísticas descritivas e Correlação
-
Atividades da Aula 10
-
Aula 11: Introdução à Regressão Linear
-
Atividades da Aula 11
-
Aula 12: Visualização com Pandas e Matplotlib
-
Atividades da Aula 12
-
Aula 13: Visualização com Seaborn
-
Atividades da Aula 13
-
Aula 14: Avançando em Seaborn
-
Atividades da Aula 14
-
Análise de dados com Pandas | Prova
M9: Insights de Dados com Análise de Clusters
-
Aula 1: Introdução
-
Atividades da Aula 1
-
Aula 2: Configurando o ambiente
-
Atividades da Aula 2
-
Aula 3: Preparando dados para clustering
-
Atividades da Aula 3
-
Aula 4: K-Means na prática
-
Atividades da Aula 4
-
Aula 5: K-Means em Dados de E-commerce: Treinando o Modelo
-
Atividades da Aula 5
-
Aula 6: Interpretando Segmentos: Quem São Seus Clusters?
-
Atividades da Aula 6
-
Aula 7: Avaliando e Visualizando Clusters
-
Atividades da Aula 7
-
Aula 8: DBSCAN: Conceitos e Primeiro Exemplo
-
Atividades da Aula 8
-
Aula 9: DBSCAN em Dados Financeiros Simples (Detecção de Transações Estranhas)
-
Atividades da Aula 9
-
Aula 10: Ajustando o DBSCAN e Comparando com K-Means
-
Atividades da Aula 10
-
Aula 11: Introdução ao Conjunto de Dados de Cartão de Crédito
-
Atividades da Aula 11
-
Aula 12: Método do Cotovelo e K-Means em Cartão de Crédito
-
Atividades da Aula 12
-
Aula 13: HAC em Clientes de Cartão de Crédito (Agrupamento Hierárquico)
-
Atividades da Aula 13
-
Aula 14: Atividade de Revisão
-
Insights de Dados com Análises de Clusters | Prova
M10: SQL
-
Arquivos do Curso
-
Aula 1: Ambiente de desenvolvimento Anaconda
-
Aula 2: Introdução a Banco de dados
-
Aula 3: Carregando um banco de dados SQLite
-
Aula 4: Selecionando colunas de uma tabela
-
Aula 5: LIMITE e COMPENSAÇÃO
-
Aula 6: Recuperando valores exclusivos
-
Aula 7: Ordenação
-
Aula 8: Cláusula WHERE
-
Aula 9: Grupos
-
Aula 10: Inner Joins
-
Aula 11: Left Outer Joins
-
Aula 12: GitBash
-
Aula 13: Arquivo I/O
-
Aula 14: SQLite através do Python
-
Aula 15: Criando tabelas
-
Aula 16: Inserindo linhas em uma tabela
-
Aula 17: Atualizando linhas em uma tabela
-
Aula 18: Excluindo linhas de uma tabela
-
Aula 19: Excluindo Tabelas
-
Aula 20: Alterando Tabelas
-
Aula 21: Removendo uma coluna de uma tabela
-
Aula 22: Chaves Estrangeiras Parte 1
-
Aula 23: Chaves Estrangeiras Parte 2
-
SQL Data Science | Prova
M11: Testes de Hipóteses para Ciência de Dados
-
Aula 1: Introdução às Variáveis Aleatórias
-
Aula 2: A Distribuição Normal
-
Aula 3: Distribuições de Probabilidade no Scipy
-
Aula 4: Teorema do Limite Central
-
Aula 5: Teste z de uma amostra – Parte 1
-
Aula 6: Teste z de uma amostra – Parte 2
-
Aula 7: Teste z de uma amostra – Parte 3
-
Aula 8: Teste z de uma amostra unica, unica caudal – Scipy
-
Aula 9: Teste z de uma amostra unica, duas caudas – Scipy
-
Aula 10: Teste z de duas amostras
-
Aula 11: Teste z de duas amostras no Scipy
-
Aula 12: Teste t de uma amostra
-
Aula 13: Teste t de uma amostra no Scipy
-
Aula 14: Teste t de duas amostras
-
Aula 15: Teste t de duas amostras no Scipy
-
Aula 16: Estrutura do teste t de uma amostra
-
Aula 17: Exemplo do teste t de uma amostra
-
Aula 18: Estrutura do teste t de duas amostras
-
Aula 19: Exemplo do teste t de duas amostras
-
Testes de hipótese para ciência de dados | Prova
M12: Machine Learning
-
Aula 1: O que é Machine Learning
-
Aula 2: Pipeline básico: treino, teste e por que isso importa
-
Aula 3: Métricas de Classificação: muito além da acurácia
-
Aula 4: Regressão Linear: prevendo valores numéricos
-
Aula 5: Regressão Logística: classificando sim ou não
-
Aula 6: Árvores de Decisão: modelos que você consegue “enxergar”
-
Aula 7: Random Forest: várias árvores pensando juntas
-
Aula 8: KNN: classificando pelos “vizinhos mais próximos”
-
Aula 9: K-Means e Clusterização: segmentando clientes
-
Aula 10: Prática de Machine Learning: do problema de negócio ao modelo
Instrutores
Feedback
5.0
Total 2 Classificações
100%
0%
0%
0%
0%
Douglas Madeira Fernandes
Gabriel Rosa Teixeira Silva