shopping_cart 0
Oferta por tempo limitado!
Pesquisar por cursos... Pesquisando por … Sem resultados para … Ver todos os cursos com …
Formação Técnicas Avançadas em Ciência de Dados

Formação Técnicas Avançadas em Ciência de Dados

Formação Técnicas Avançadas em Ciência de Dados
Formações CDS
  • 330 horas de carga horária
  • 72 alunos
  • 316 aulas
  • 7 módulos
  • Última atualização 03/11/2025
  • 240 arquivos para download
1 ano

Sem tempo para fazer o curso agora?

Fique tranquilo, você poderá participar desse curso em até 1 ano após a matrícula.

Conteúdo

1Fundamentos de Séries Temporais

  • Ciclo 01 - Aula 01 - Fundamentos de Séries Temporais

    11:09

  • Ciclo 01 - Aula 02 - Ciclos da Disciplina

    11:25

  • Ciclo 01 - Aula 03 - Como encontrar ajuda?

    03:52

  • Ciclo 01 - Aula 04 - Nomenclatura do mercado

    19:23

  • Ciclo 01 - Aula 05 - Tipos de Aprendizado de Máquina

    18:19

  • Ciclo 01 - Aula 06 - Séries Temporais x Dados Transversais

    17:21

  • Ciclo 01 - Aula 07 - Tipos de Séries Temporais

    12:09

  • Ciclo 02 - Aula 08 - O problema de negócio

    34:08

  • Ciclo 02 - Aula 09 - Separação Treino-Validation-Teste

    24:08

  • Ciclo 02 - Aula 10 - Separando a Série Temporal na Prática

    13:46

  • Ciclo 02 - Aula 11 - Rolling Forecast Origin - Teoria

    17:39

  • Ciclo 02 - Aula 12 - Rolling Forecast Origin na Prática

    20:40

  • Ciclo 02 - Aula 13 - Métricas de avaliação I

    27:08

  • Ciclo 02 - Aula 14 - Métricas de avaliação II - Alg. Estatísticos

    20:03

  • Ciclo 02 - Aula 15 - Métricas de Desempenho - Prática

    13:46

  • Ciclo 02 - Aula 16 - Fine Tuning Série Temporal

    38:44

  • Ciclo 02 - Aula 17 - Previsão com os dados de teste

    17:17

  • Ciclo 02 - Aula 18 - Exercício prático

    04:55

  • Ciclo 03 - Aula 19 - Modelos Estatísticos

    23:55

  • Ciclo 03 - Aula 20 - Modelo Auto Regressivo (AR) - Intuição

    21:05

  • Ciclo 03 - Aula 21 - Modelo Auto Regressivo (AR) - Funcionamento

    13:38

  • Ciclo 03 - Aula 22 - Modelo Auto Regressivo (AR) - Gráfico PACF

    33:51

  • Ciclo 03 - Aula 23 - Modelo Auto Regressivo (AR) - Método Mínimos Quadrados

    31:05

  • Ciclo 03 - Aula 24 - Modelo Moving Average (MA) - Intuição

    15:57

  • Ciclo 03 - Aula 25 - Modelo Moving Average (MA) - Funcionamento

    12:35

  • Ciclo 03 - Aula 26 - Modelo Auto Regressive Integrated Moving Average (ARIMA) - Intuição

    33:00

  • Ciclo 03 - Aula 27 - Modelo Auto Regressive Integrated Moving Average (ARIMA) - Funcionamento

    08:39

  • Ciclo 03 - Aula 28 - Modelo Auto Regressive Integrated Moving Average (ARIMA) - Aplicação Prática

    49:03

  • Ciclo 04 - Aula 29 -As 5 premissas dos modelos estatísticos

    35:13

  • Ciclo 04 - Aula 30 - Revisão de Teste A/B

    27:31

  • Ciclo 04 - Aula 31 - Premissa: Estacionariedade

    53:20

  • Ciclo 04 - Aula 32 - Premissa: Lineariedade

    30:14

2Projeto de Classificação Multi-Classes

  • Aula 01 - Problema de Negócio

    06:47

  • Aula 02 - Configuração do Ambiente

    04:38

  • Aula 03 - Base de Dados

    10:35

  • Aula 04 - Ferramentas de IA

    08:18

  • Aula 05 - Planejamento da solução

    28:49

  • Aula 06 - Como aprender sobre Negócio

    05:03

  • Aula 07 - Senioridade

    08:08

  • Aula 08 - Dados externos

    07:08

  • Aula 09 - Pesquisa de Mercado

    09:07

  • Aula 10 - Conclusão do Planejamento

    02:46

  • Aula 11 - Pós-Aula

    02:46

  • Aula 12 - Método CRISP-DM

    09:58

  • Aula 13 - Os 10 passos de um projeto de Ciência de Dados

    06:45

  • Aula 14 - Separação Treino e Teste

    19:28

  • Aula 15 - Finalização do Ciclo 01

    16:10

  • Aula 16 - Motivação do Ciclo 01

    08:33

  • Aula 17 - Análise Descritiva

    22:38

  • Aula 18 - Espaço de Dados com Encoders

    17:52

  • Aula 19 - Análise Descritiva Variável Numérica

    04:57

  • Aula 20 - Análise Descritiva Variável Categórica

    32:28

3Interpretabilidade com SHAP

  • Ciclo 00 - Aula 00 - Introdução a Interpretabilidade de ML com modelo Shap

    03:12

  • Ciclo 00 - Aula 01 - Os ciclos da disciplina de Interpretabilidade de ML com modelo Shap

    02:02

  • Ciclo 00 - Aula 02 - Prova de certificação

    00:51

  • Ciclo 00 - Aula 03 - Como encontrar ajuda para as dúvidas

    00:49

  • Ciclo 01 - Aula 04 - Entendimento do problema de negócio

    03:32

  • Ciclo 01- Aula 05 - Metodologia de desenvolvimento CRISP-DS

    01:22

  • Ciclo 01- Aula 06 - Instalando WSL2 e set de ambiente para desenvolvimento

    07:00

  • Ciclo 01- Aula 07 - Conclusão do Ciclo 1

    00:45

  • Dúvidas e Discussões

    02:42

  • Ciclo 02- Aula 08 - Limpeza dos dados

    25:42

  • Ciclo 02- Aula 09 - Estatística Descritiva

    12:17

  • Ciclo 02- Aula 10 - Conclusão do Ciclo 2

    00:34

  • Dúvidas e discussões

    12:23

  • Ciclo 03 - Aula 11 - Mapa Mental de Hipóteses

    09:35

  • Ciclo 03 - Aula 12 - Engenharia de Variáveis

    07:39

  • Ciclo 03 - Aula 13 - EDA Univariada

    26:11

  • Ciclo 03 - Aula 14 - Pesquisa de Mercado / Benchmark

    09:36

  • Ciclo 03 - Aula 15 - EDA Bivariada e Validação das Hipóteses

    25:27

  • Ciclo 03 - Aula 16 - Análise de Correlações

    10:45

  • Ciclo 03 - Aula 17 - Resposta das Hipóteses de Negócio

    01:55

  • Ciclo 03 - Aula 18 - Conclusão do Ciclo 3

    00:36

  • Ciclo 04 - Aula 19 - PP e Logistic Regression p-value

    59:57

  • Ciclo 04 - Aula 20 - PP e Logistc Regression Select Kbest Anova

    40:55

  • Ciclo 04 - Aula 21 - PP e Tree Models RFA e RFE / Feature Importance

    31:01

  • Ciclo 04 - Aula 22 - Conclusão do Ciclo 4

    01:19

  • Ciclo 05 - Aula 23 - Logistic Regression

    01:00:50

  • Ciclo 05 - Aula 24 - Decision Tree

    25:54

  • Ciclo 05 - Aula 25 - Random Forest

    26:39

  • Ciclo 05 - Aula 26- XGBoost

    17:45

  • Ciclo 05 - Aula 27 - Escolha do Melhor Modelo

    17:13

  • Ciclo 05 - Aula 28 - Conclusão do Ciclo 5

    01:20

  • Ciclo 06 - Aula 29 - Shap Values Conceitual

    10:27

  • Ciclo 06 - Aula 30 - Shap XGBoost Fit and Predict

    14:57

  • Ciclo 06 - Aula 31 - Shap Xgboost Summary plot

    11:29

  • Ciclo 06 - Aula 32 - Shap XGBoost Waterfall Plot

    12:31

  • Ciclo 06 - Aula 33 - Shap XGBoost Shap EDA

    24:01

  • Ciclo 06 - Aula 34 - Shap XGBoost Clustering

    01:01:11

  • Ciclo 06 - Aula 35 - Shap Logistic Regression Fit and Predict

    09:40

  • Ciclo 06 - Aula 36 - Shap Logistic Regression Summary plot

    05:42

  • Ciclo 06 - Aula 37 - Shap Logistic Regression Waterfall Plot

    05:09

  • Ciclo 06 - Aula 38 - Shap Logistic Regression Shap EDA

    11:04

  • Ciclo 06 - Aula 39 - Shap Logistic Regression Clustering

    05:53

  • Ciclo 06 - Aula 40 - Conclusão do Ciclo 6

    01:13

  • Dúvidas e Discussões

    05:07

  • Ciclo 07 - Aula 41 - XGBoost Curva Roc Auc e Precision Recall

    14:44

  • Ciclo 07 - Aula 42 - Maximizar ROI

    49:49

  • Ciclo 07 - Aula 43 - Análise Probabilidade x Valor do Emprestimo x Classe

    15:13

  • Ciclo 07 - Aula 44 - Análise Valor Esperado x Variância

    22:06

  • Ciclo 07 - Aula 45 - Cumulative Gain and Lift Curve

    12:20

  • Ciclo 07 - Aula 46 - Precision and Recall at K

    22:44

  • Ciclo 07 - Aula 47 - Alocação de Budget Limitado

    23:06

  • Ciclo 07 - Aula 48 - Conclusão do Ciclo 7

    01:13

  • Ciclo 08 - Aula 49 - Export, Read and Test Models

    06:52

  • Ciclo 08 - Aula 50 - Fast Api

    25:05

  • Ciclo 08 - Aula 51 - Streamlit

    17:38

  • Ciclo 08 - Aula 52 - Docker and Docker Compose

    16:18

  • Ciclo 08 - Aula 53 - Conclusão do Ciclo 8

    00:44

4Ciência de Dados com R

  • Ciclo 00 - Aula 00 - Introdução ao Data Science With R

    04:49

  • Ciclo 00 - Aula 01 - Os ciclos da disciplina de Data Science with R

    06:44

  • Ciclo 00 - Aula 02 - Prova de certificação

    01:26

  • Ciclo 00 - Aula 03 - Como encontrar ajuda para as dúvidas

    01:32

  • Ciclo 01 - Aula 04 - O entendimento do problema de negócio

    14:14

  • Ciclo 01 - Aula 05 - Metodologia de desenvolvimento CRISP-DS

    02:10

  • Ciclo 01 - Aula 06 - Instalando o R e o RStudio

    06:49

  • Ciclo 02 - Aula 07 - Limpeza de dados com dplyr

    37:05

  • Ciclo 02 - Aula 08 - Limpeza de dados - parte 02

    32:18

  • Ciclo 02 - Aula 09 - Estatística Descritiva

    27:10

  • Ciclo 02 - Aula 10 - Estatística Descritiva - parte 02

    55:42

  • Ciclo 02 - Aula 11 - Conclusão do Ciclo 02

    01:00:43

  • Ciclo 03 - Aula 12 - Criação de Hipóteses

    16:43

  • Ciclo 03 - Aula 13 - Análise Exploratória de Dados

    48:56

  • Ciclo 03 - Aula 14 - Análise Exploratória de Dados - Parte 02

    42:35

  • Ciclo 03 - Aula 15 - Conclusão do Ciclo 03

    18:53

  • Ciclo 04 - Aula 16 - Encoding e Scaling

    30:34

  • Ciclo 04 - Aula 17 - Encoding e Scaling - parte 02

    25:37

  • Ciclo 04 - Aula 18 - Feature selection

    27:01

  • Ciclo 04 - Aula 19 - Conclusão do Ciclo 04

    01:32

  • Ciclo 05 - Aula 20 -Treinamento de algoritmos de Machine Learning

    13:18

  • Ciclo 05 - Aula 21 - Treinando o primeiro modelo - Logistic Regression

    39:01

  • Ciclo 05 - Aula 22 - Criando função: Top @K metrics e Gain & Lift Curves

    39:43

  • Ciclo 05 - Aula 23 - Treinando outros modelos: Decision Tree e Random Forest

    46:11

  • Ciclo 05 - Aula 24 - Treinando outros modelos: KNN

    11:40

  • Ciclo 05 - Aula 25 - Conclusão do Ciclo 05

    11:43

  • Ciclo 06 - Aula 26 - Hyperparameter Tuning: Logistic Regression (Parte 1)

    35:27

  • Ciclo 06 - Aula 27 - Hyperparameter Tuning: Logistic Regression (Parte 2)

    15:15

  • Ciclo 06 - Aula 28 - Hyperparameter Tuning: Decision Tree

    22:22

  • Ciclo 06 - Aula 29 - Hyperparameter Tuning: Random Forest

    16:04

  • Ciclo 06 - Aula 30 - Hyperparameter Tuning: XGBoost

    21:58

  • Ciclo 06 - Aula 31 - Hyperparameter Tuning: KNN

    40:11

  • Ciclo 06 - Aula 32 - Conclusão do Ciclo 06

    05:40

  • Ciclo 07 - Aula 33 - Desenho e estrutura do dashboard

    10:21

  • Ciclo 07 - Aula 34 - Construção do Dashboard - Parte 01: UI

    37:31

  • Ciclo 07 - Aula 35 - Construção do Dashboard - Parte 01: Server

    23:24

  • Ciclo 07 - Aula 36 - Construção do Dashboard - Parte 02: UI

    19:27

  • Ciclo 07 - Aula 37 - Construção do Dashboard - Parte 02: Server

    29:08

  • Ciclo 07 - Aula 38 - Conclusão do Ciclo 07

    24:34

  • Ciclo 08 - Aula 39 - O projeto Final

    09:56

  • Ciclo 08 - Aula 40 - Resultado esperado do PA

    11:47

5A/B Testing

  • Ciclo 01 - Aula 00 - Introdução ao A/B Testing

    06:33

  • Ciclo 01 - Aula 01 - O problema de negócio

    13:26

  • Ciclo 01 - Aula 02 - O planejamento da solução

    49:33

  • Ciclo 01 - Aula 03 - A motivação do Teste A/B

    01:36:18

  • Ciclo 01 - Aula 04 - Kick Off do PA Bond

    24:28

  • Ciclo 01 - Aula 05 - Design do Experimento I - Prática

    59:11

  • Ciclo 01 - Aula 06 - Design do Experimento II - Teoria

    01:43:04

  • Ciclo 01 - Aula 07 - Preparação dos Dados

    01:13:16

  • Ciclo 01 - Aula 08 - Definição do Effect Size

    31:17

  • Ciclo 01 - Aula 09 - Escolha do Teste de Hipóteses

    39:41

  • Ciclo 01 - Aula 10 - Exemplos para o Testes de Hipóteses - Parte I

    01:12:36

  • Ciclo 01 - Aula 11 - Exemplos para o Testes de Hipóteses - Parte II

    56:56

  • Ciclo 01 - Aula 12 - Aplicando o Teste de Hipótese

    01:07:38

  • Ciclo 01 - Aula 13 - Revisão do Projeto Bond

    27:50

  • Aula - Solução do Projeto

    01:54:17

  • Ciclo 02 - Aula 14 - O novo problema de negócio

    18:57

  • Ciclo 02 - Aula 15 - O planejamento da solução

    41:53

  • Ciclo 02 - Aula 16 - O Google Analytics

    41:16

  • Ciclo 02 - Aula 17 - A motivação do Teste A/B/n

    37:33

  • Ciclo 02 - Aula 18 - Coleta de Dados

    31:00

  • Ciclo 02 - Aula 19 - Design do experimento

    51:12

  • Ciclo 02 - Aula 20 - Design do experimento II

    01:08:44

  • Ciclo 02 - Aula 21 - Avaliando o Teste de Chi-Squared

    39:32

  • Ciclo 02 - Aula 22 - Revisão dos Métodos de Inferência Estatística

    51:13

  • Ciclo 02 - Aula 23 - Exercícios

    19:43

  • Ciclo 02 - Aula 24 - Solução dos exercícios I

    01:48:02

  • Ciclo 02 - Aula 25 - Solução dos Exercícios II

    02:11:50

  • Ciclo 03 - Aula 27 - O novo problema de negócio

    19:59

  • Ciclo 03 - Aula 28 - A infraestrutura do teste

    34:12

  • Ciclo 03 - Aula 29 - Desenvolvimento da API

    40:37

  • Ciclo 03 - Aula 30 - Teste A/B Frequentista

    01:01:10

  • Ciclo 03 - Aula 31- Estatística Bayesiana

    42:42

  • Ciclo 03 - Aula 32 - Teste A/B Bayesiano Prática I

    01:18:20

  • Ciclo 03 - Aula 33 - O planejamento da solução

    22:33

  • Ciclo 03 - Aula 34 - Solução com Teste A/B Bayesiano - Prática I

    01:07:09

  • Ciclo 03 - Aula 35 - Solução com Teste A/B Bayesiano - Prática II

    47:52

  • Ciclo 04- Aula 36 - MAB (Multi-Armed Bandit)

    26:33

  • Ciclo 04 - Aula 37 - Random Agent

    54:36

  • Ciclo 04 - Aula 38 - Omniscient Agent

    20:57

  • Ciclo 04 - Aula 39 - Exploiration x Exploitation Dilema

    24:54

  • Ciclo 04 - Aula 40 - Greedy Agent

    29:51

  • Ciclo 04 - Aula 41 - Epsilon Greedy Agent

    52:12

  • Ciclo 04 - Aula 42 - Thompson Agent

    01:05:20

  • Ciclo 04 - Aula 43 - Comparando agentes de MAB

    29:26

  • Ciclo 04 - Aula 44 - Teste A/B Bayesiano + MAB - Estrutura

    27:27

  • Ciclo 04 - Aula 45 - Teste A/B Bayesiano + MAB - Implementação

    01:11:32

6Gestão de ML com MLFlow

  • Ciclo 00 - Aula 00 - Bem vindos

    12:07

  • Ciclo 00 - Aula 01 -Objetivos da disciplina

    04:11

  • Ciclo 00 - Aula 02 - Os ciclos de aprendizado da disciplina

    05:39

  • Ciclo 00 - Aula 03 - A prova de certificação e o projeto do aluno

    01:27

  • Ciclo 00 - Aula 04 - Canais de dúvida

    01:11

  • Ciclo 01- Aula 05 - O problema de negócio

    02:03

  • Ciclo 01 - Aula 06 - Planejamento da solução

    02:05

  • Ciclo 01 - Aula 07 - Definindo a arquitetura do projeto

    07:00

  • Ciclo 01 - Aula 08 - Exercícios de dim do ciclo

    05:39

  • Ciclo 02 - Aula 09 - Desenvolver o projeto em um único notebook

    25:45

  • Ciclo 02 - Aula 10 - Aplicação de classes e métodos para MLOps - Data Load

    12:08

  • Ciclo 02 - Aula 11 - Aplicação de classes e métodos para MLOps - Data Validation

    08:11

  • Ciclo 02 - Aula 12 - Aplicação de classes e métodos para MLOps - Data Transformation

    06:15

  • Ciclo 02 - Aula 13 - Aplicação de classes e métodos para MLOps - Data Transformation

    11:15

  • Ciclo 02 - Aula 14 - Aplicação de classes e métodos para MLOps - Train models

    08:27

  • Ciclo 02 - Aula 15 - Aplicação de classes e métodos para MLOps - Model Evaluation

    07:40

  • Ciclo 02 - Aula 16 - Aplicação de classes e métodos para MLOps - Experiments

    09:05

  • Ciclo 03 - Aula 17 - O que é MLOps

    04:06

  • Ciclo 03 - Aula 18 - DevOps X MLOps

    05:50

  • Ciclo 03 - Aula 19 - Por que precisamos de MLOps

    02:39

  • Ciclo 03 - Aula 20 - Benefícios

    02:10

  • Ciclo 03 - Aula 21 - Estágios de MLOps

    02:24

  • Ciclo 03 - Aula 22 - CRIPS

    02:03

  • Ciclo 03 - Aula 23 - Estágio

    06:07

  • Ciclo 03 - Aula 24 - Partes essenciais no MLOps

    03:19

  • Ciclo 03 - Aula 25 - Por que aprender MLOps

    07:27

  • Ciclo 04 - Aula 26 - O que é MLFlow ?

    03:35

  • Ciclo 04 - Aula 27 - O que podemos fazer

    04:10

  • Ciclo 04 - Aula 28 - Instalando e utilizando o MLFlow

    08:12

  • Ciclo 04 - Aula 29 - Utilizando o MLFlow

    09:56

  • Ciclo 04 - Aula 30 - Módulos do MLFlow - Componente Tracking

    02:29

  • Ciclo 04 - Aula 31 - Módulos do MLFlow - Componente Model Registry

    02:28

  • Ciclo 04 - Aula 32 - Módulos do MLFlow - Componente AI Gateway

    02:10

  • Ciclo 04 - Aula 33 - Módulos do MLFlow - Componente Evaluate

    02:27

  • Ciclo 04 - Aula 34 - Módulos do MLFlow - Componente Prompt Engineering UI

    01:31

  • Ciclo 04 - Aula 35 - Módulos do MLFlow - Componente Recipes

    02:08

  • Ciclo 04 - Aula 36 - Módulos do MLFlow - Componente Projects

    02:33

  • Ciclo 05 - Aula 37 - Estruturando o diretório do projeto

    07:43

  • Ciclo 05 - Aula 38 - Criando scripts de experimentação dos modelos - Data load

    23:00

  • Ciclo 05 - Aula 39 - Criando scripts de experimentação dos modelos - Data validation

    08:17

  • Ciclo 05 - Aula 40 - Criando scripts de experimentação dos modelos - Data Transformation

    04:22

  • Ciclo 05 - Aula 41 - Criando scripts de experimentação dos modelos - Data Preprocess

    09:12

  • Ciclo 05 - Aula 42 - Criando scripts de experimentação dos modelos - Train

    05:18

  • Ciclo 05 - Aula 43 - Criando scripts de experimentação dos modelos - Model Evaluation

    09:05

  • Dúvidas e Discussões

    03:00

  • Ciclo 06 - Aula 44 - Criar o notebook puxando os módulos criados - Com experimentação

    31:36

  • Ciclo 06 - Aula 45 - Tuning dos hiperparâmetros

    09:51

  • Ciclo 06 - Aula 46 - Comparar os resultados no MLFlow

    00:49

  • Ciclo 06 - Aula 47 - Código para capturar o melhor modelo do MLFlow no Notebook

    06:45

  • Ciclo 07 - Aula 48 - Atualização dos scripts de experimentação para salvar no MLFlow - Train

    21:58

  • Ciclo 07 - Aula 49 - Promover o modelo para produção por meio de código

    05:52

  • Ciclo 07 - Aula 50 - Carregar o modelo da produção

    05:00

  • Ciclo 07 - Aula 51 - Atualização dos scripts de experimentação para salvar no MLFlow - Predict

    22:05

  • Ciclo 07 - Aula 52 - Bibliotecas de formatação de código Python

    02:13

  • Dúvidas e Discussões

    03:46

  • Ciclo 08 - Aula 53 - AWS - Configuração de Acesso IAM

    08:29

  • Ciclo 08 - Aula 54 - AWS - Construir docker container e subir para o ECR

    04:35

  • Ciclo 08 - Aula 55 - AWS - Criando o script de deployment

    13:08

  • Ciclo 08 - Aula 56 - AWS - Criando o script de inferência

    07:48

  • Ciclo 08 - Aula 57 - Azure - Configurações e Deploy do modelo

    08:22

  • Ciclo 08 - Aula 58 - Azure - Criar o endpoint e o script de inferência

    16:30

  • Ciclo 08 - Aula 59 - GCP - Criar o banco de dados e o bucket para o MLFlow

    05:56

  • Ciclo 08 - Aula 60 - GCP - Criar a máquina virtual e seus acessos para o MLFlow

    05:18

  • Ciclo 08 - Aula 61 - GCP - Instalar as dependências na máquina virtual e inicializar o MLFlow

    06:19

  • Ciclo 08 - Aula 62 - GCP - Modificar o projeto para salvar na nuvem

    08:12

  • Ciclo 09 - Aula 63 - O que é monitoramento de machine learning

    05:36

  • Ciclo 09 - Aula 64 - Por que monitorar o modelo de machine learning

    01:36

  • Ciclo 09 - Aula 65 - Quem deve se preocupar

    03:33

  • Ciclo 09 - Aula 66 - O que devemos monitorar

    01:51

  • Ciclo 09 - Aula 67 - O que é o drift

    01:20

  • Ciclo 09 - Aula 68 - Causas do Model Drift

    03:07

  • Ciclo 09 - Aula 69 - Outros tipos de drift

    02:58

  • Ciclo 09 - Aula 70 - Identificar os drifts

    01:58

  • Ciclo 09 - Aula 71 - Ferramentas

    03:07

  • Ciclo 09 - Aula 72 - Sobre o Evidently AI

    02:45

  • Ciclo 09 - Aula 73 - Aplicar a ferramenta no projeto

    15:11

  • Ciclo 10 - Aula 74 - Projeto do Aluno

    06:04

  • Ciclo 10 - Aula 75 - Resultado esperado

    04:10

  • Ciclo 10 - Aula 76 - Prova de certificação

    02:12

7Spark

  • Ciclo 00 - Aula 01 - Introdução a Disciplina

    02:52

  • Ciclo 00 - Aula 02 - O Que Você Vai Aprender

    06:25

  • Ciclo 00 - Aula 03 - A Prova de Certificação & PA

    01:59

  • Ciclo 00 - Aula 04 - Como Encontrar Ajuda ?

    01:17

  • Ciclo 01 - Aula 05 - Maturidade das Soluções de Engenharia de Dados

    46:10

  • Ciclo 01 - Aula 06 - Evolução do Big Data

    20:11

  • Ciclo 01 - Aula 07 - Ferramentas Distribuídas

    15:12

  • Ciclo 01 - Aula 08 - Spark para Engenharia de Dados

    03:33

  • Ciclo 01 - Aula 09 - Spark para Ciência de Dados

    03:06

  • Ciclo 01 - Aula 10 - Soluções de Spark nas Clouds

    05:06

  • Ciclo 01 - Aula 11 - Ambiente de Trabalho do Databricks

    02:07

  • Ciclo 01 - Aula 12 - Conhecendo o Databricks

    07:42

  • Ciclo 02 - Aula 13 - Arquitetura do Spark

    30:56

  • Ciclo 02 - Aula 14 - Submetendo Aplicações no Cluster

    19:53

  • Ciclo 02 - Aula 15 - Spark History Server

    05:38

  • Ciclo 02 - Aula 16 - Spark 3.5 Features

    04:30

  • Ciclo 03 - Aula 17 - DButils & Notebooks Overview no Databricks

    46:46

  • Ciclo 03 - Aula 18 - Trabalhando com Notebooks

    11:05

  • Ciclo 03 - Aula 19 - Databricks SQL & Hive Overview

    07:05

  • Ciclo 03 - Aula 20 - Revisão Spark Ações e Transformações

    21:27

  • Ciclo 03 - Aula 21 - Spark SQL + PySpark

    01:09:20

  • Ciclo 03 - Aula 22 - Análise de Dados, Gameficação CDS

    44:26

  • Ciclo 03 - Aula 23 - Exercícios

    05:50

  • Ciclo 03 - Aula 24 - Exercícios - Solução

    16:05

  • Ciclo 04 - Aula 25 - O Problema de Negócios

    05:17

  • Ciclo 04 - Aula 26 - Explorando o Conjunto de Dados

    10:26

  • Ciclo 04 - Aula 27 - Limpeza e Processamento Dos Dados

    30:11

  • Ciclo 04 - Aula 28 - Agendamento & Workflow

    49:44

  • Ciclo 04 - Aula 29 - PowerBI + Databricks Community

    04:47

  • Ciclo 04 - Aula 30 - Exercícios

    02:54

  • Ciclo 04 - Aula 31 - Exercícios - Solução

    14:17

  • Ciclo 05 - Aula 32 - Introdução a Otimização

    03:10

  • Ciclo 05 - Aula 33 - Partições no Spark

    27:01

  • Ciclo 05 - Aula 34 - Apache Parquet + Spark

    12:28

  • Ciclo 05 - Aula 35 - Big Files & Small Files

    32:26

  • Ciclo 05 - Aula 36 - Spark JDBC Hot Spots

    15:12

  • Ciclo 05 - Aula 37 - UDF’s no Spark

    06:54

  • Ciclo 05 - Aula 38 - Aplicando os Conhecimentos

    08:03

  • Ciclo 06 - Aula 39 - O Projeto do Aluno

    08:21

  • Ciclo 06 - Aula 40 - O Projeto do Aluno - Solução

    14:28

  • Solicitação certificado

MAIS 4 MÓDULOS ESCONDER 4 MÓDULOS

Acesso por 1 ano

Estude quando e onde quiser

Materiais para download

Formação Técnicas Avançadas em Ciência de Dados

  • 330 horas de carga horária
  • 72 alunos
  • 316 aulas
  • 7 módulos
  • Última atualização 03/11/2025
  • 240 arquivos para download
PÁGINAS
CATEGORIAS
Pesquisar por cursos... Pesquisando por … Sem resultados para … Ver todos os cursos com …
Formações CDS Pós-Graduações Cursos gratuitos - Acesso por 3 dias

Este site usa cookies para melhorar sua experiência. Política de Privacidade