FACULDADE EM
Ciência de Dados
Forma os Cientistas e Analistas de Dados, uma das mais promissoras carreiras do momento. Você vai aprender a manipular e analisar os grandes volumes de dados das empresas e governos, gerados pelos dispositivos móveis, redes sociais, IoT e a digitalização de processos em geral, de forma a apoiar a inteligência de negócio e a tomada de decisão.
PRÓXIMA TURMA
25/07/2022
DIAS DA SEMANA
Segunda a Sexta
HORÁRIO
20h 30 às 22h
- Flexível, aulas ao vivo
Disciplinas e Competências
Fundamentos de Programação com Python
- Instalar Python e escrever códigos funcionais
- Usar variáveis para armazenar, recuperar e calcular informações
- Descrever os fundamentos básicos da linguagem de programação python
- Utilizar ferramentas nativas da linguagem como funções, condicionais e loops
Introdução a Modelagem Relacional e SQL
- Inicializar uma base de dados usando SQLite3
- Identificar e utilizar as funções primary, logical e foreign keys em um banco de dados
- Carregar dados em tabelas de uma base de dados SQLite usando script SQL
- Construir relacionamentos one-to-many e many-to-many
Python para Processamento de Dados
- Explicar os fundamentos básicos de Orientação Objeto com Python
- Entender as estruturas de dados básicas da linguagem Python: List, Tuple, Set e Dictionary
- Abrir e manipular arquivos usando Python
- Acessar APIs utilizando o módulo requests
Python e SQL
- Utilizar comandos SQL para implementar um CRUD (Create, Read, Update e Delete)
- Utilizar a biblioteca SQLite do python para executar comandos SQL
- Utilizar Jupyter notebooks para executar programas em Python e SQL
- Implementar um web crawler para criação de base de dados.
- Entender o engine SQLAlchemy e utilizá-lo pra conectar uma base de dados SQLite
Projeto de Bloco: Processamento de Dados
- Escrever programas usando os elementos básicos da Linguagem Python
- Resolver problemas de lógica computacional usando Python
- Acessar e manipular dados armazenados em uma base SQLite usando SQL e Python
Estatística para Data Science
- Calcular medidas estatísticas básicas
- Descrever as distribuições estatísticas dos gráficos usando medidas e gráficos
- Calcular a correlação linear entre dados
- Realizar a regressão linear dos dados utilizando o método de mínimos quadrados com o módulo Scikit-learn
Gerenciamento de Qualidade de Dados
- Compreender o que é Qualidade de Dados e Informação
- Realizar a higienização de uma base de dados
- Descrever os requisitos e características do padrão ISO-8000
- Definir as dimensões de qualidade relevantes para base de dados reais
- Implementar métricas que qualificam base dados em tarefas recorrentes
Análise Exploratória de Dados
- Instalar Scikit-Learn, Numpy e Pandas usando um ambiente de Virtualenv
- Realizar tarefas avançadas de exploração e análise de dados usando bibliotecas científicas da linguagem Python (Pandas, Numpy, Scipy e Matplotlib)
- Utlizar os módulos Matplotlib e Seaborn para visualização de dados
- Utilizar a aplicação Jupyter Notebook como ambiente de desenvolvimento interativo
Governança de Dados
- Entender o que é governança de dados
- Conhecer o Framework de gerência de dados DAMA-DMBOK
- Aplicar preceitos de governança ao longo do ciclo de vida dos dados
- Catalogar a linhagem de dados e usar uma ferramenta de catalogo de dados
- Entender as implicações da LGPD
Projeto de Bloco: Análise, Qualidade e Governança de Dados
- Realizar uma análise exploratória de dados em uma base qualificada (segundo as diretrizes da ISO 8000)
- Calcular a distribuição das variáveis
- Identificar de outliers no conjunto de dados
- Escrever um relatório de conclusões relevantes ao contexto ao qual os dados pertencem.
Algoritmos para Clusterização de Dados I
- Explicar a motivação de usar algoritmos não-supervisionadas
- Explicar diferentes tipos de algoritmos de clusterização
- Escolher a técnica mais adequada de clusterização para diferentes problemas
- Aplicar os algoritmos de K-Means e HCluster em dados reais
- Aplicar o algoritmo de DBScan em dados reais
Álgebra Linear
- Utilizar o módulo numpy de Python para manipulação de matrizes e vetores
- Calcular o inverso de uma matriz e sua determinante
- Interpretar a independência linear entre matrizes
- Entender o conceito de espaços vetoriais e suas dimensões
- Calcular autovalores e autovetores
Algoritmos para Clusterização de Dados II
- Compreender as medidas de distâncias: Euclideana, Cosseno e Manhantan
- Aplicar a medida de silhueta para problemas complexos usando a implementação de Scikit-Learn
- Realizar a análise de componentes principais em um conjunto de dados
- Reduzir a dimensionalidade de um problema para solução com algoritmos de clusterização
Implementação de Modelos de Aprendizado de Máquina
- Construir uma solução que aplica um modelo elaborado em uma base de dados.
- Desenvolver um sistema de coleta de dados usando API públicas
Preparar um modelo previamente treinado para uma solução de streaming de dados - Estabelecer um método de atualização de um modelo empregado em produção
Projeto de Bloco: Aprendizagem de Máquina Não supervisionado
- Analisar casos de aplicação de aprendizagem de máquina não supervisionado
- Entender o modelo CRISP-DM de desenvolvimento de projeto
- Utilizar PCA em uma base de dados multi-dimensional
- Utilizar o algoritmo de K-Médias em uma base de dados multi-dimensional
Otimização para Machine Learning
- Calcular derivadas unidimensionais
- Calcular Integrais unidimensionais
- Otimizar funções algébricas
- Resolver problemas de otimização usando o módulo scikit-learn do Python
Redes Neurais com Tensor Flow
- Identificar as diferentes camadas de uma Rede Neural Artificial
- Compreender as diferentes arquiteturas de Redes Neurais
- Criar um modelo de reconhecimento de dígitos numéricos
- Treinar usando o algoritmo de rede backpropagation em Python
- Compreender as diferentes funções de ativação
- Implementar o modelo em um cenário de produção com uma base de imagens
Algoritmos para Classificação de Dados
- Entender regressão linear logística e aplicar para problemas específicos
- Entender a diferença de regressão e classificação e compreender a motivação de utilizar algoritmos supervisionados
- Utilizar a metodologia K-Folds de validação cruzada.
- Desenvolver um treino supervisionado usando árvores de decisões
- Desenvolver um treino supervisionado usando SVM
- Construir uma solução que aplica um modelo elaborado em uma base de dados
Redes Neurais Profundas com Tensor Flow
- Compreender a utilização de redes profundas
- Compreender a utilização de modelos pré-treinados de redes profundas
- Utilizar uma rede com o modelo convulacional usando bases de imagens usando TensorFlow
- Utilizar uma rede LSTM em uma base textual para produzir conteúdo usando TensorFlow
- Utilizar uma rede DPN para gerar imagens usando TensorFlow
- Implementar modelos para cenários de operação diversos
Projeto de Bloco: Aprendizagem de Máquina Supervisionada
- Analisar casos de aplicação de aprendizagem de máquina supervisionada
- Discutir as questões éticas e as limitações relacionadas à utilização da aprendizagem de máquina supervisionada
- Elaborar um projeto de análise de dados baseado em aprendizagem de máquina supervisionada
- Realizar a modelagem de fenômenos por meio de aprendizagem de máquina supervisionada
- Escrever um relatório de projeto utilizando aprendizagem de máquina supervisionada
Administração de BDs noSQL com MongoDB
- Explicar semelhanças e diferenças entre bases SQL e noSQL
- Instalar e configurar bases de dados noSQL utilizando MongoDB
- Manipular dados e bases de dados noSQL utilizando MongodB
- Aplicar os principais conceitos e desafios da modelagem de dados não relacionais
- Utilizar conceitos de Replicação, Particionamento, Performance e melhores práticas de administração de bancos MongoDB
Fundamentos da Infraestrutura para Big Data: Volume
- Explicar e utilizar conceitos e recursos de computação em nuvem
- Explicar os principais serviços disponibilizados pela computação em nuvem
- Conciliar recursos de Cloud DB com a infraestrutura interna de uma organização
- Escrever programas simples em Python acessando dados em ambientes de nuvem
Implantação de Soluções Big Data com Hadoop
- Explicar as soluções existentes para manipulação de grandes volumes de dados
- Utilizar ferramentas para manipulação de grande quantidade de dados
- Utilizar ambiente Hadoop em ambiente de nuvem
- Provisionar ambientes de dados em nuvem para utilização de Hadoop/Spark
Desenvolvimento de Soluções Big Data com Apache Spark
- Desenvolver aplicações utilizando as bibliotecas do ecossistema Spark
- Manipular bases de dados distribuidas com Spark/Hadoop
- Desenvolver aplicações utilizando Python e Spark
- Desenvolver aplicações Spark na nuvem
Projeto de Bloco: Engenharia de Dados
- Explicar o conceito de Big Data
- Descrever aplicações de Big Data com Spark e Hadoop
- Formular um projeto no ecossistema Spark com Hadoop
- Desenvolver e implementar uma aplicação para Big Data usando Python/Spark/Hadoop
- Executar tratamentos de dados e análises com infraestrutura Spark
- Duração: 5 semestres (2 anos e meio)
- Carga horária: 2.697 horas
- Tipo do diploma: Graduação
Sobre a graduação
Qual o tipo de diploma?
Graduação. Habilita para o exercício profissional como Cientista de Dados, Analista de Dados, Analista de BI e Arquiteto de Dados, além de permitir continuação dos estudos em Pós-Graduação, MBA, Mestrado e Doutorado, e a participação em concursos públicos.
É reconhecida pelo MEC?
EAD: Autorizada pela portaria nº1984 de 12 de Dezembro de 2021.
Professores com experiência prática de mercado.
Para quem é?
Pessoas que buscam trabalhar no campo da Ciência de Dados, participando da inteligência do negócio
Profissionais que atuam ou desejam atuar na transformação digital de organizações
Profissionais que desejam trabalhar com a analise e manipulação de grandes volumes de dados para apoiar a inteligência do negócio
Pessoas que buscam complementar suas carreiras com o domínio da manipulação, tratamento e análise de dados
Quais os objetivos?
Voltado para a formação de alta empregabilidade na área de Ciência de Dados
Forma profissionais com capacidade de manipular e analisar grande volume de dados, de forma a apoiar a inteligência de um negócio.
Prepara para certificações?
Oferece uma sólida base para o profissional fazer os exames de certificação Professional Certificate in IBM Data Science e Microsoft Certified Azure Data Scientist Associate ou outros, conforme a evolução natural do curso.
Qual infra preciso ter?
Para assistir às aulas, basta um celular com câmera e boa conexão internet wifi ou 4g, mas será bem mais produtivo se você usar um desktop ou notebook com câmera e um confortável fone de ouvidos, que é a configuração recomendada.
Para fazer os trabalhos e enviar pelo Moodle, você deve usar um computador com configuração mínima Core i3, 4gb de RAM (recomendável 8gb) e internet de boa qualidade.
Ao tornar-se aluno, você terá direito a uma conta no G Suite do Google e acesso a todas as VMs (Virtual Machines) necessárias para seu aprendizado, assim como instruções para baixá-las e utilizá-las.
Forma para quais cargos?
Cientista de Dados (Data Scientist)
Analista de Dados (Data Analyst)
Analista de Business Intelligence (BI)
Arquiteto de Dados (Data Architect)
COORDENADOR
Fernando Ferreira
Prof. Fernando é um dos pioneiros em Data Science no Brasil, professor e coordenador desta graduação e do MBA em Data Science desde seu início.
É doutor em Inteligência Artificial pela Coppe/UFRJ e mestre em Engenharia Elétrica. Atua hoje diretamente no mercado de Data Science, sendo cofundador da Twist Systems.
Você só encontra no Infnet
Aula todos os dias
A única diferença é que você não precisa sair de casa: as aulas são interativas, com participação dos alunos por áudio e vídeo, todos os dias. É como uma graduação presencial, mas flexível.
Alta empregabilidade
O programa é planejado para cobrir as plataformas mais demandadas pelas empresas, oferecendo máxima empregabilidade.
Nota máxima pelo mec
O ensino remoto (EAD) da instituição é avaliado com nota máxima pelo MEC.
Certificações
Prepara as certificações: Professional Certificate in IBM Data Science e Microsoft Certified Azure Data Scientist Associate.
Portfolio de Projetos
O aprendizado é construído ao redor de seis grandes projetos que o aluno desenvolve. Montando um portfolio de projetos práticos, você enfrenta desafios iguais aos do mercado de trabalho.
Networking para vida
Colegas de alto nível que proporcionam um networking relevante para toda a vida, potencializado pela comunidade online, recheada de ofertas de emprego e novidades da área.
Temas Abordados
- PYTHON
- TENSORFLOW
- JUPYTER
- DATA MINING
- ESTATÍSTICA
- ANÁLISE DE DADOS
- PANDAS
- NLP
- DATA ANALYTICS
- SÉRIES TEMPORAIS
- SCIKIT-LEARN
- REDES NEURAIS
- VISUALIZAÇÃO DE DADOS
- AUTOML
- CLUSTERIZAÇÃO
PARCERIAS
Um time de professores experts
Flexível
Você assiste às aulas, estuda e faz os trabalhos no horário que puder.
Assistir ao vivo é o ideal, mas é você quem decide. Faça seu horário!
Certificações
Oferece uma sólida base para o profissional fazer os exames de certificação* Professional Certificate in IBM Data e Science e Microsoft Certified Azure Data Scientist Associate.
Certificações são reconhecimentos válidos internacionalmente que aumentam a mobilidade profissional e valorizam significativamente o currículo.
Metodologia pbl
project based learning
O aluno aprende desenvolvendo projetos. Ao invés de ensinarmos aos alunos um monte de teoria, e de vez em quando aplicar uma fração dela em exercícios, fazemos o oposto: oferecemos desafios cada vez mais difíceis para os alunos resolverem. As disciplinas de cada bloco trabalham os conceitos e ferramentas que os alunos precisam para superar cada desafio.
Cada bloco de seis meses possui um grande projeto, com desafios iguais aos que o aluno encontrará no mercado de trabalho, que substitui as provas tradicionais. Mais prática, menos teoria, desde o primeiro dia de aula. Durante a graduação, o aluno desenvolve projetos como uma rede social própria, um app para Android, um site responsivo, um sistema corporativo e outros.
MATRIZ CURRICULAR
TIRE SUAS DÚVIDAS SOBRE O ENSINO
REMOTO DO INSTITUTO INFNET
O Infnet é a melhor faculdade de tecnologia do Rio de Janeiro. Foi fundado em 1994, para o ensino de excelência voltado às necessidades do mercado, e tornou-se referência nesse segmento. A proposta do Instituto é ensinar tecnologia aplicada ao contexto de negócios, isto é, como uma ferramenta para o desenvolvimento das organizações.
Aulas ao vivo
Não são videoaulas gravadas, são aulas de verdade todos os dias. Você interage em uma turma de verdade, com áudio e vídeo, igual a uma sala de aula presencial.
Flexibilidade
Todas as aulas são ao vivo, mas você pode assisti-las em outros horários se preferir. As aulas ficam gravadas e disponíveis para você.
Comunidade online
Você participa de uma comunidade online com seus colegas e também milhares de alunos e professores do Infnet, parecida com um Facebook. Você acessa para tirar dúvidas, encontrar oportunidades, fazer amizades e muito mais.
Foco em tecnologia
O Instituto Infnet ensina tecnologia há mais de 25 anos. Nossa expertise é a computação. Ministramos o primeiro curso de Java do Brasil, em 1997. Até hoje, já foram mais de 20 mil alunos formados.
Nossa qualidade foi reconhecida pelo MEC, que conferiu conceito máximo (5) para a modalidade EAD da instituição e para todas as graduações reconhecidas.
Este nível de qualidade só é possível pela metodologia que combina aulas ao vivo diárias e o aprendizado através do desenvolvimento de projetos com desafios reais da profissão. Além disso, a metodologia de avaliação por competências aproxima os alunos do mercado de trabalho.
É trocar as tradicionais grades centradas em conteúdos por um método focado nas competências necessárias para o aluno exercer sua profissão. O curso passa a ser orientado para o desenvolvimento de cada uma dessas competências, usando para isso conteúdos e exercícios mais adequados, sejam textos, vídeos, debates, projetos, casos ou outros.
No ensino por competências, o curso torna-se mais alinhado ao mercado de trabalho, ensinando o que os empregadores exigem. Além disso, para aprovar o aluno, busca verificar se ele é capaz de demonstrar as competências previstas, em vez de simplesmente fazer uma prova teórica.
Todas as aulas são com professores, e não com monitores. É igual a um curso presencial, apenas é realizado de forma remota. Você vai poder tirar dúvidas fazendo perguntas durante as aulas ou na comunidade de alunos.
Não, você pode assistir no horário que quiser. Mas é muito importante que você dedique tempo ao curso. Para não ficar para trás, você deve assistir todas as aulas, de preferência diariamente. Sempre que possível, assista ao vivo para poder interagir e tirar suas dúvidas com o professor.
De 15 a 20 horas por semana, considerando aulas, projetos e estudo individual. A graduação na modalidade Live exige tanta dedicação quanto uma graduação presencial, sendo apenas mais flexível e não mais fácil.
Conforme a legislação vigente, diplomas de graduação Live são iguais aos diplomas de graduações presenciais. A titulação é exatamente a mesma. A única diferença está no número da portaria do curso, que aparece no verso do diploma. Em todos os casos, no verso do diploma, há uma indicação da portaria do MEC de autorização e reconhecimento do curso. Os cursos presenciais ou a distância possuem portarias diferentes. Então, no verso do diploma do aluno do presencial, o número da portaria é um, enquanto que, no verso do diploma da modalidade a distância, o número da portaria é outro.
Sim, o programa de um curso de graduação é dinâmico e suas disciplinas, competências e estrutura podem ser modificadas pela instituição. Há várias razões para um curso sofrer alterações: mudanças na tecnologia, mudanças no mercado, evolução das certificações, aprendizados da instituição, ajustes no modelo de ensino, demandas do corpo discente, feedback dos docentes e outras.
Em nossa comunidade online de alunos. Todos os dias, os alunos trocam ideias, conversam, fazem amizades, compartilham oportunidades de emprego, tiram dúvidas dos colegas e muito mais. É muito mais animado do que o corredor de uma faculdade e você vai terminar a graduação com um forte networking profissional.
