Ciência de Dados e Big Data Analytics

Pós-Graduação EAD

Inicie sua jornada na Faculdade CENSUPEG

  • Acesse a Trilha de Aprendizagem como, onde e quantas vezes quiser.

  • Material digital disponível para download.

  • Parcelas acessíveis que cabem no seu bolso.

  • Seu certificado emitido pela faculdade que é nota MÁXIMA (5) no MEC.

  • Curse em 6 ou 12 meses.

  • Receba um código de desconto 30%, entre em contato com o Consultor de Carreira mais próximo da sua cidade por meio do whatsapp.

Protagonismo em Ação

A história inspiradora de sucesso da sua vida começa aqui

▶
▶
▶


Apresentação

Com o constante avanço tecnológico, são cada vez maiores os volumes de dados gerados diariamente. Dessa forma, ciência de dados e big data analytics aproveitam o poder desses dados para novos insights, sendo de grande importância para obter vantagem competitiva nos negócios. Portanto, este curso inclui uma variedade de atividades, métodos, processos e ferramentas que um cientista de dados deve conhecer. Ou seja, com o curso de pós-graduação em ciência de dados e big data analytics, os novos profissionais da área conquistam competências e habilidades para entendimento de estratégias e necessidades do negócio, sendo capazes de desenvolver e gerenciar soluções para analisar grandes volumes de dados.

Objetivos:
Especializar profissionais para serem capazes de realizar análise de negócios e big data, buscando o desenvolvimento e gerenciamento de projetos que analisem enormes quantidades de dados, de modo a enfrentar a grande competitividade nos negócios.

- Oportunizar um aprendizado crítico sobre maneiras de reunir, interpretar e comunicar as informações consideradas relevantes na ampla gama de dados gerados e armazenados diariamente, referente ao comportamento do consumidor. 

- Entender os principais métodos para coleta, compilação, análise e interpretação de dados. 

- Compreender como se obtêm os principais insights para auxiliar organizações na tomada de decisões e conquistar vantagem competitiva. 

- Aprender a examinar dados brutos, objetivando encontrar padrões, de modo que se permita tirar conclusões a respeito das informações, por meio de métodos algorítmicos ou mecânicos. 

Público-Alvo:
Graduados em tecnologia da informação e nas mais diversas áreas, que desejem adquirir ou aprofundar seus conhecimentos sobre modelagem de dados, tecnologia e tomada de decisões estratégicas a partir da ciência de dados e big data analytics.

Formato do curso:
Conteúdo 100% on-line.
Aulas Gravadas.
Materiais das aulas disponíveis para download.
Inicie o curso em até 7 dias após a confirmação da sua matrícula. 


Viva a Experiência CENSUPEG

Zairelusa Napar

Aluna CENSUPEG

Estudar na CENSUPEG com certeza, foi uma das melhores escolhas da minha vida, ela é completa... Profissionais nota 10!!! Sigo feliz e realizada em busca do meu grande sonho, que é me formar na melhor faculdade.

Iago Nunes Lentz

Aluno CENSUPEG

A Faculdade Censupeg dispõe de profissionais de alta qualificação e muita empatia. Tenho certeza que terei um ótimo suporte para continuar minha caminhada, que será intensa e cheia de aprendizado. Lá, aprendemos fazendo, se divertindo e procurando dentro de nós, formas para fazermos o melhor pela educação.

Júnia Coelho

Aluna CENSUPEG

Estar cursando o ensino superior é um sonho que está se realizando, tenho muito orgulho de estar neste caminho. A palavra que mais define tanto a CENSUPEG, quanto o curso que escolhi é amor. A professora é uma pessoa iluminada, inspiradora e uma excelente profissional, sempre tira minhas dúvidas e torna as aulas mais leves e divertidas. Enfim, só tenho a agradecer por fazer parte deste time, sinto-me realizada por ter escolhido a melhor faculdade, que faz me apaixonar cada dia mais pela minha nova área de atuação.

Disciplinas

  • Definição de big data. Demonstração dos tipos de dados ligados ao big data. Descrição dos Vs do big data e suas implicações. Exemplificação de arquiteturas de hardware para big data. Ilustração de arquiteturas de software para big data. Configurações de ambientes de programação para big data. Descrição do processo de descoberta de conhecimentos em big data. Aplicação do processo de descoberta de conhecimento do big data. Demonstração de exemplos de sucesso com big data.
  • Definição do conceito de ciência de dados. Discussão de dados e tomada de decisões. Definição de características de cientista de dados. Discussão da aplicação da ciência de dados. Exemplificação da aplicação da ciência de dados. Relacionamento entre business intelligence e ciência de dados. Reconhecimento de ferramentas usadas nos processos de ciência de dados. Explicação do uso de Phyton em ciência de dados. Descrição do uso de R em ciência de dados.
  • Definição da área de aprendizagem e terminologia. Demonstração do processo de aprendizado de máquina. Identificação de tarefas do aprendizado de máquina. Definição de aprendizado de máquina. Descrição dos algoritmos de aprendizagem de máquina. Aplicações de aprendizagem de máquina. Reconhecimento dos tipos de aprendizado de máquina. Categorização de tarefas de aprendizado de máquina em relação aos tipos propostos. Diferenciação do processo de aprendizado de máquina de acordo com os tipos propostos.
  • Reconhecimento do contexto do surgimento da inteligência competitiva (IC) nas organizações. Identificação das principais vantagens de adotar instrumentos de IC. Análise dos aspectos éticos da IC. Identificação de elementos constitutivos do processo de tomada de decisão. Ilustração do processo de tomada de decisão usando ferramentas de business intelligence (BI). Comparação dos processos de decisão tradicionais com os baseados em ferramentas analíticas. Explicação das ferramentas de análise de negócios a partir de dados. Demonstração de aplicação de ferramentas analíticas para análise de negócios. Análise da aplicação de ferramentas analíticas a partir de dados organizacionais.
  • Descrição da representação relacional de dados. Aplicação da representação multidimensional dos dados. Comparação de características da representação relacional e multidimensional. Descrição do modelo de dados multidimensional. Diferenciação de particularidades relacionadas às dimensões em cubos de dados. Caracterização das medidas em cubos de dados. Definição de Molap. Aplicação de Rolap. Explicação de Holap.
  • Descrição da história dos data warehouse. Comparação de características fundamentais dos data warehouse. Interpretação de características adicionais dos data warehouse. Apresentação da arquitetura de data warehouse ascendente. Descrição da arquitetura de dois e três níveis. Determinação da arquitetura a ser utilizada. Identificação dos processos de preparação de dados. Aplicação dos processos de integração dos dados. Comparação entre processos de atualização de dados.
  • Identificação do conceito ETL. Utilização das funções extração, transformação e carga. Reconhecimento de objetivos e vantagens da utilização de ETL em um data warehouse. Identificação das principais etapas do processo de mineração de dados. Descrição do processo de descoberta do conhecimento. Definição do conceito e aplicação de big data. Identificação das técnicas de data mining. Reconhecimento da lógica para data mining. Aplicação da sintaxe de consultas de data mining.
  • Descrição do processo de geração de visualização de dados. Emprego de técnicas de visualização de dados compatíveis com a análise esperada. Diferenciação de práticas de visualização e análise de dados para a inteligência nos negócios. Definição dos principais frameworks para visualização de dados. Identificação de linguagens de programação mais usadas para visualização de dados. Exemplificação de visualização a partir de dados. Descrição dos principais recursos e funcionalidades do power BI. Análise de exemplo de aplicação do power BI. Aplicação do power BI em um cenário simples de análise e visualização.
  • Identificação das características de um data warehouse nos estágios iniciais. Aplicação das características de um data warehouse nos estágios intermediários. Comparação de características de um data warehouse nos estágios avançados. Identificação de Indicadores-chave de Desempenho em cenários estratégicos organizacionais. Definição de Indicadores-chave de Desempenho. Comparação de resultados organizacionais e estratégicos por meio de Indicadores-chave de desempenho. Explicação dos conceitos de estratégia, plano e monitoramento. Aplicação de medidas de desempenho. Análise de métodos de BPM.
  • Definição de business intelligence (BI). Reconhecimento da arquitetura BI. Resumo da aplicação de BI nas empresas. Definição do conceito de CRM. Identificação de como o CRM pode ajudar no relacionamento da empresa com os clientes. Relação entre ações e táticas do uso de CRM no marketing digital. Identificação de elementos constitutivos de um processo de tomada de decisão. Ilustração do processo de tomada de decisão empregando ferramentas de BI. Comparação entre processos de decisão tradicionais e baseados em ferramentas analíticas.
  • Aplicação da ciência de dados. Descrição de exemplos de aplicação da ciência de dados. Relação entre business intelligence e ciência de dados. Reconhecimento das arquiteturas e esquemas de banco de dados e os seus usuários. Comparação entre características dos principais bancos de dados relacionais. Definição do conceito de banco de dados, data warehouse e business intelligence. Análise da construção de um sistema data warehouse. Relação entre a utilização de um data warehouse em conjunto com uma área de business intelligence auxiliando na estratégia de uma empresa.
  • Reconhecimento do papel dos Indicadores de desempenho na gestão dos negócios. Identificação de como os indicadores de desempenho são usados para aprimorar a gestão. Avaliação dos indicadores de desempenho aplicáveis ao seu negócio. Definição de automação de marketing. Identificação de benefícios da automação de marketing. Definição das melhores ferramentas de automação para diferentes contextos mercadológicos. Conceito de SEO. Identificação de ferramentas de pesquisa e estratégias de palavra-chave. Descrição do processo de mensuração de ações no e-commerce.