Neste curso abordam-se técnicas de Data Science, que permitem extrair informação e obter insigths relevantes a partir deles.
O foco principal do curso é na análise de dados, abordando-se também a etapa de criação, importação e preparação dos dados.
O desenvolvimento de modelos preditivos assume um papel de destaque em Science e, em particular, em Machine Learning, cujo objetivo é treinar máquinas para aprender com dados. Neste curso, aplicam-se técnicas que permitem desenvolver modelos de scoring e de clustering, numa abordagem baseada em casos práticos em R.

ES702 – Data Science com R e RStudio

Currículo do Curso

Seção 1 - Apresentação
Apresentação do curso ES702 00:00:00
Apresentação da professora Sílvia Pedro GRÁTIS 00:05:00
Instruções do curso ES302 00:00:00
Seção 2 - Fundamentos de Data Science
O que é Data Science? 00:00:00
O que faz um Data Scientist? 00:00:00
Equipa de Data Science 00:00:00
Machine Learning: aprendendo com dados 00:00:00
Seção 3 - Introdução ao R
Ambiente e instalação do R 00:07:00
Ambiente e instalação RStudio 00:07:00
Pacotes do R 00:08:00
ES100Q1 QUESTIONÁRIO 00:20:00
Seção 4 - Operações e objetos elementares no R
Operações matemáticas 00:13:00
Vetores e listas 00:22:00
Matrizes 00:10:00
Seleção de elementos de uma matriz 00:04:00
Operações envolvendo matrizes 00:15:00
ES100Q2 QUESTIONÁRIO 00:50:00
Seção 5 - Bases de dados
Criação e importação de bases de dados 00:15:00
Valores omissos 00:11:00
ES100Q3 QUESTIONÁRIO 00:30:00
Seção 6 - Introdução à Estatística
Conceitos básicos de Estatística GRÁTIS 00:29:00
Tipos de variáveis 00:00:00
Classificação de variáveis no R 00:14:00
ES101Q01 QUESTIONÁRIO 00:40:00
Seção 7 - Preparação dos dados
Manuseamento e transformações nos dados 00:09:00
Manipulação de datas 00:14:00
Seção 8 - Visualização dos dados em tabelas e gráficos
Tabelas de frequências 00:28:00
Tabelas de contingência 00:19:00
Representações gráficas 00:35:00
ES101Q02 QUESTIONÁRIO 00:20:00
Seção 9 - Medidas descritivas
Medidas de localização no R 00:37:00
Medidas de dispersão no R 00:37:00
Medidas de assimetria e curtose no R 00:15:00
Análises descritivas por grupos 00:13:00
ES101Q03 QUESTIONÁRIO 00:40:00
Seção 10 - Fundamentos de Estatística Inferencial
Introdução à estatística inferencial 00:05:00
Métodos de amostragem 00:19:00
Testes de hipóteses 00:07:00
Intervalos de confiança 00:13:00
QUESTIONARIOS: ES102Q01 00:20:00
Seção 11 - Inferências sobre a média populacional
Distribuição amostral da média 00:07:00
Normalidade e Teorema do Limite Central 00:06:00
Ilustração do Teorema do Limite Central no R 00:10:00
Intervalo de confiança para a média populacional 00:07:00
Teste de hipóteses para a média populacional 00:10:00
Teste de hipóteses para a média populacional no R 00:05:00
Seção 12 - Testes para comparação de amostras independentes
Teste t para amostras independentes 00:20:00
Teste t para amostras independentes no R 00:15:00
Teste não paramétrico de Mann-Whitney no R 00:16:00
Análise de Variância 00:13:00
Análise de Variância no R 00:07:00
Testes de comparações múltiplas no R 00:04:00
Verificação do pressuposto de homocedasticidade no R 00:04:00
Alternativas no caso de heterocedasticidade no R 00:03:00
Verificação do pressuposto de normalidade no R 00:04:00
Teste não paramétrico de Kruskal-Wallis no R 00:04:00
QUESTIONARIOS: ES102Q02 00:20:00
QUESTIONARIOS: ES102Q03 00:20:00
Seção 13 - Testes para comparação de amostras emparelhadas
Teste t para amostras emparelhadas 00:14:00
Teste t para amostras emparelhadas no R 00:14:00
Teste não paramétrico dos sinais no R 00:10:00
Teste não paramétrico de Wilcoxon no R 00:11:00
ANOVA de medidas repetidas no R 00:15:00
Teste de Friedman no R 00:07:00
QUESTIONARIOS: ES102Q04 00:15:00
QUESTIONARIOS: ES102Q05 00:10:00
Seção 14 - Análise de associações
Teste de independência do Qui-Quadrado de Pearson 00:15:00
Teste de independência do Qui-Quadrado de Pearson no R 00:17:00
QUESTIONARIOS: ES102Q06 00:20:00
Seção 15 - Análise de correlação linear
Relações entre variáveis quantitativas 00:13:00
Correlação linear 00:15:00
Correlação linear no R 00:08:00
Matriz de correlações e sua representação gráfica no R 00:06:00
Teste de significância do coeficiente de correlação linear de Pearson no R 00:05:00
Coeficientes de correlação não paramétricos no R 00:07:00
ES103Q01 QUESTIONÁRIO 00:25:00
Seção 16 - Modelo preditivo de regressão linear simples
Modelo de regressão linear simples (RLS) 00:09:00
Estimação dos coeficientes do modelo de RLS pelo Método dos Mínimos Quadrados 00:14:00
Avaliação da qualidade do modelo de RLS 00:16:00
Modelo de RLS no R 00:08:00
Valores preditos pelo modelo de RLS no R 00:04:00
Cálculos para avaliação da qualidade do ajustamento do modelo de RLS no R 00:05:00
Diagnóstico do modelo de RLS no R 00:13:00
Validação de um modelo de regressão linear no R 00:12:00
ES103Q02 QUESTIONÁRIO 00:15:00
Seção 17 - Modelo preditivo de Regressão Linear Múltipla
Modelo de regressão linear múltipla (RLM) 00:15:00
Modelo de RLM no R 00:14:00
Variáveis independentes qualitativas num modelo de RLM: Exemplo em R 00:17:00
Introdução à análise de diagnóstico 00:01:00
Linearidade da equação de regressão e homocedasticidade dos resíduos 00:05:00
Normalidade dos resíduos 00:02:00
Independência dos resíduos 00:02:00
Identificação de outliers 00:18:00
Ausência de multicolinearidade 00:08:00
Recurso ao stepwise para encontrar um bom modelo 00:14:00
Diagnóstico do modelo encontrado com o stepwise 00:07:00
Exclusão de outliers 00:08:00
Validação do modelo 00:03:00
ES103Q03 QUESTIONÁRIO 00:25:00
ES103Q04 QUESTIONÁRIO 00:25:00
ES103Q05 QUESTIONÁRIO 00:10:00
Seção 18 - Métodos de classificação supervisionada (scoring)
Avaliação de desempenho de um modelo de classificação 00:09:00
Procedimentos de treino e teste 00:00:00
Seção 19 - Modelo preditivo de regressão logística
Modelo de Regressão Logística 00:14:00
Estimação dos coeficientes do modelo de regressão logística 00:09:00
Interpretação dos coeficientes do modelo de Regressão Logística 00:05:00
Significância e capacidade de ajustamento do modelo de Regressão logística 00:08:00
Regressão logística no R 00:00:00
Seção 20 - Modelos preditivos baseados em árvores
Introdução às Árvores de Classificação e Regressão (CART) 00:00:00
Nós e regras de divisão 00:00:00
Descrição do método (para classificação) 00:00:00
Exemplo de aplicação no R (para classificação) 00:00:00
Descrição do método (para regressão) 00:00:00
Exemplo de aplicação no R (para regressão) 00:00:00
Random Forest 00:00:00
Random Forest no R 00:00:00
Seção 21 - Redes neuronais
Introdução às redes neuronais 00:00:00
Perceptrão 00:00:00
Redes neuronais no R 00:00:00
Seção 22 - Métodos de classificação não supervisionada (clustering)
Introdução à análise de clusters 00:00:00
Medidas de dissemelhança 00:00:00
Métodos de aglomeração hierárquicos e suas etapas 00:00:00
Dendograma 00:00:00
Clustering hierárquico no R 00:00:00
Clustering não hierárquico: Método das k médias 00:00:00
Clustering não hierárquico: Método PAM (Partitioning Around Medoids) 00:00:00
Clustering não hierárquico: Método CLARA (Clustering Large Applications) 00:00:00
Clustering não hierárquico no R 00:00:00
Seção 23 - Análise Fatorial Exploratória
Introdução à Análise Fatorial Exploratória (AFE) 00:11:00
Avaliação da adequação da AFE aos dados 00:08:00
Métodos de obtenção dos fatores na AFE 00:00:00
Critérios de escolha do número de fatores na AFE 00:00:00
Métodos de rotação dos fatores na AFE 00:00:00
AFE no R 00:00:00
Seção 24 - Bancos de dados
Dados utilizados no curso ES702 00:00:00
Seção 25 - Referências
Referências bibliográficas ES702 00:00:00

Avaliações do Curso

N.D

classificações
  • 5 estrelas0
  • 4 estrelas0
  • 3 estrelas0
  • 2 estrelas0
  • 1 estrelas0

Nenhuma avaliação foi encontrada para este curso.

EM BREVECURSO COMEÇA EM 4 semanas
  • EM BREVE
  • 22 horas, 47 minutos
  • Numero de unidades119
  • Quizzes17
  • Certificado
0 ALUNOS INSCRITOS
    © 2019. All rights reserved.