Compreenda o que diferencia ciência de dados de outras áreas, conheça o ecossistema de ferramentas e entenda o ciclo de vida completo de projetos.

Você será capaz de:

• Compreender a evolução e definição da ciência de dados
• Identificar o perfil do cientista de dados: habilidades técnicas e soft skills necessárias
• Diferenciar análise de dados, estatística e ciência de dados
• Reconhecer casos de uso em diferentes indústrias
• Entender cultura de dados e organizações data-driven
• Conhecer produtos de dados e suas aplicações
• Identificar tendências do mercado de Data Science
• Dominar ferramentas e linguagens do ecossistema
• Aplicar o ciclo de vida de projetos de ciência de dados

Domine o controle de versão essencial para trabalhar profissionalmente com ciência de dados, colaborar em equipe e construir seu portfólio público.

Você será capaz de:

• Compreender conceitos essenciais de Git
• Instalar e configurar Git localmente
• Executar comandos básicos de Git na prática
• Criar e conectar repositórios ao GitHub
• Trabalhar com branches (teoria e prática)
• Configurar gitignore e aplicar boas práticas com notebooks
• Integrar GitHub com Jupyter Notebooks
• Colaborar usando Fork, Pull Request e Issues
• Criar um portfólio profissional de Data Science no GitHub

Consolide seus conhecimentos em Python com foco em ciência de dados, incluindo bibliotecas essenciais, debugging e boas práticas de código.

Você será capaz de:

• Comparar Python vs R vs Scala e escolher ambientes adequados (Jupyter, RStudio, IDEs)
• Revisar tipagem, estruturas, NumPy e Pandas
• Aplicar condicionais e estruturas de repetição
• Dominar funções, métodos e funções lambda
• Visualizar dados com Matplotlib e Seaborn
• Realizar debugging e profiling de código
• Escrever testes unitários e documentação
• Aplicar boas práticas e clean code

Aprenda a coletar, limpar e transformar dados de diferentes fontes e formatos, preparando-os para análise e modelagem.

Você será capaz de:

• Distinguir tipos de dados: estruturados, semi-estruturados e não-estruturados
• Compreender Big Data: Volume, Velocidade, Variedade e Veracidade
• Trabalhar com bancos de dados relacionais e modelagem E-R
• Diferenciar data lakes e data warehouses
• Aplicar governança e privacidade (LGPD, GDPR)
• Executar processos de aquisição de dados de múltiplas fontes
• Realizar data wrangling: limpeza, transformação e preparação de dados
• Estruturar pipelines completos de preparação de dados

Domine os fundamentos estatísticos essenciais para compreender e desenvolver modelos de machine learning com rigor técnico.

Você será capaz de:

• Aplicar conceitos de probabilidade e distribuições estatísticas
• Realizar inferência estatística com confiança
• Executar testes de hipóteses e interpretar resultados
• Compreender conceitos fundamentais para modelagem preditiva
• Analisar dados com abordagem estatística rigorosa

Compreenda os fundamentos do machine learning, diferenciando abordagens supervisionadas e não supervisionadas, e preparando dados para modelagem.

Você será capaz de:

• Compreender a definição e evolução do aprendizado de máquina
• Diferenciar Machine Learning e Deep Learning
• Distinguir análise, ML Engineering e MLOps
• Identificar diferenças entre modelos supervisionados e não supervisionados
• Dominar conceitos fundamentais: features, targets, overfitting
• Preparar dados: encoding, scaling, feature selection

Construa e avalie modelos de regressão e classificação, aplicando técnicas de validação, tuning e interpretabilidade.

Você será capaz de:

• Trabalhar com features e targets na prática
• Aplicar técnicas de encoding, scaling e feature selection
• Identificar e corrigir underfitting e overfitting
• Implementar algoritmos de regressão: linear, ridge, lasso, elastic net, logística
• Implementar algoritmos de classificação: logística, SVM, árvores, ensemble
• Realizar validação cruzada e calcular métricas de avaliação
• Interpretar modelos e explicar predições
• Executar hyperparameter tuning
• Compreender o bias-variance tradeoff

Aplique técnicas de clustering, detecção de anomalias e mineração de padrões em dados não rotulados.

Você será capaz de:

• Executar análise de clusters: k-means, hierarchical, DBSCAN
• Detectar anomalias em conjuntos de dados
• Aplicar técnicas de data mining
• Validar resultados de modelos não-supervisionados
• Escolher o algoritmo adequado para diferentes problemas