DATA SCIENCE
ANALYTICS:
Transformando negócios

Um curso profissionalizante para capacitar pessoas que queiram
 assumir novos desafios em Ciência de Dados.

Público Alvo

Profissionais de Diversas Áreas 

Estatísticos, Engenheiros da Computação, Matemáticos, Advogados, Economistas, Administradores de empresas, Físicos, Químicos, Médicos entre outros que desejam realmente entender e se aprofundar, sendo capazes de realizar Ciência de Dados. 

Profissionais de
Marketing

Que já perceberam que são os dados os grandes direcionadores para estratégias eficientes de relacionamento com o cliente. 

Cientistas e Programadores 

Em busca de técnicas mais sofisticadas para realizar suas análises de dados. 

Empreendedores

Que queiram aprimorar seus negócios com base em dados e estratégias analíticas. 

Diretrizes: compromisso com o melhor desempenho 

O curso se estrutura em torno de um desafio e de uma proposta de ação – não é apenas um conjunto de conteúdos. A proposta do curso se ancora na visão de que um Cientista de Dados não é o indivíduo que sabe alguma linguagem de programação, mas sim o indivíduo que realmente entende o contexto, que visualiza a aplicação do que será desenvolvido, para depois entrar em ação. Para tanto, o curso é pautado em teoria fundamentada à aplicação de problemas reais, com professores que aplicam ciência de dados no dia a dia. 

Processo seletivo

As turmar são reduzidas e as  vagas são limitadas. 
O nivelamento prévio é a ferramenta que encontramos para garantir o aproveitamento máximo de todos alunos.

1.

Candidatura

2.

Entrevista

Após a inscrição, uma entrevista será agendada presencialmente ou online com a coordenação. 

3.

Aprovação

Após aprovação, você poderá assinar o contrato e fechar a forma de pagamento. 

Curso presencial : 

392 horas

Segundas e Quartas

Das 19h às 23h

Março 2020 á
Maio 2021

Fácil localização:
Rua Santa Justina, 352 - Vila Olímpia - São Paulo, SP

O que você vai aprender?

Nivelamento Teórico Estatístico

•Estatística descritiva
•Distribuições
•Teorema do Limite central
•Teste de Hipótese

      Introdução à Computação e Conceitos

      •Conceitos
      •Programação
      •Bancos de dados
      •Big Data

          Computação em nuvem

          •O que é
          •Principais serviços
          •Amazon - AWS
          •Microsoft Azure
          •Google Cloud Platform - GCP

              Introdução ao SQL

              •Consultas SQL básicas
              •Consultas SQL avançadas
              •Modificação de dados

                  Introdução ao R

                  •Introdução ao R
                  •Ambientação ao R e ao Rstudio
                  •Importação de bases para dentro do R
                  •Manipulação de bases de dados
                  •Acesso a bases de dados remotas

                      Introdução ao Python

                      •Conceitos Básicos
                      •Estruturas de controle de fluxo e bibliotecas
                      •Bibliotecas para manipulação de dados
                      •Conexão com banco de dados

                          Regressão Linear

                          •Modelo de Regressão Linear Simples e Múltipla
                          •Método dos mínimos quadrados
                          •Método de seleção de variáveis
                          •Multicolinearidades
                          •Métodos de generalização
                          •Interpretação e Tunagem
                          •Métricas de Qualidade de ajuste

                              Regressão Logística

                              •Modelo de Regressão Logística Simples e Múltipla
                              •Método de seleção de variáveis
                              •Métodos de generalização
                              •Interpretação e Tunagem
                              •Métricas de Qualidade de ajuste

                                  Análise Fatorial

                                  •Cargas fatoriais
                                  •Comunalidades
                                  •especificidades
                                  •Rotações
                                  •Seleção de fatores
                                  •Escores

                                      Componentes Principais

                                      •Comentários teóricos (Geometria)
                                      •Decomposição Espectral (Álgebra)
                                      •Seleção do número de componentes
                                      •Independência ou não-correlação
                                      •Visualização da variabilidade

                                          Árvore de Decisão / Random Forest / Gradient Boosting

                                          •Árvore de regressão e classificação
                                          •Método de seleção de variáveis
                                          •Métodos de generalização
                                          •Interpretação e Tunagem
                                          •Métricas de Qualidade de ajuste

                                              Support Vector Machine

                                              •Linhas, Planos, Hiperplanos e Superfície de Decisão
                                              •Multiplicadores de Lagrange
                                              •Otimização Lagrangiana
                                              •Programação Quadrática
                                              •Kernel Linear, Polinomial, Gaussiano e Laplaciano
                                              •Interpretação e Tunagem

                                                  Redes Neurais / Deep Learning

                                                  •História
                                                  •Vantagens e Desvantagens
                                                  •Linear Perceptron
                                                  •Mutlilayer Perceptron
                                                  •Aprendizado: Early stopping, L1 e L2 regularization e Dropout
                                                  •CNN – Convolution Neural Network
                                                  •RNN – Recurrent Neural Network

                                                      Incremental Response Model

                                                      •Junção dos conceitos de experimentação e modelagem
                                                      •Criação de Grupo Controle e Grupo de Ação
                                                      •IRM ou UpLift Models

                                                          Monetização de algoritmos

                                                          •Para que serve um modelo
                                                          •Métricas de seleção
                                                          •Como trazer valor
                                                          •Cenários de monetização

                                                              Aplicações em Crédito

                                                              •Risco de crédito e Gerenciamento de Portfólio
                                                              •Basiléia uma Breve Historia
                                                              •Visão Regulatória - RWA e Índices
                                                              •IFRS 9 - Breve overview
                                                              •Entendendo informações de Risco nas "Relações com Investidores
                                                              •Taxas de default e Variáveis mais utilizadas

                                                                  Text Mining

                                                                  •Tipos de ponderação e suas diferenças
                                                                  •Word Cloud em R e Python
                                                                  •Criando o BOW
                                                                  •Problemas com matrizes esparsas
                                                                  •Como calcular a esparcidade
                                                                  •Reduzindo a dimensionalidade
                                                                  •Visão teórica do SVD

                                                                      Séries Temporais

                                                                      •Dados Transacionais X Serie de Tempo
                                                                      •Componentes das séries temporais
                                                                      •Lag function, Autocorrelação e Ruído branco
                                                                      •Random walk
                                                                      •“Médias Móveis” simples e ponderadas
                                                                      •Modelos de regressão
                                                                      •Alisamento Exponencial
                                                                      •Modelos: AR, MA, ARMA, ARIMA, ARIMAX, SARIMA, SARIMAX
                                                                      •Métricas de Qualidade do ajuste
                                                                      •Houldout

                                                                          Otimização

                                                                          •Modelagem de problemas de otimização linear.
                                                                          •Representação gráfica e solução gráfica para otimização linear: Pontos extremos, vértices e soluções viáveis básicas. Otimalidade de pontos extremos.
                                                                          •Simplex: Primal e Dual (Lagrange)
                                                                          •Problemas no formato padrão e o método Simplex Dual.
                                                                          •Análise de eficiência

                                                                              Análise de Cluster

                                                                              •Cluster Hierárquico
                                                                              •Cluster não hierárquico
                                                                              •Premissas e capacidades

                                                                                  Geoestatística

                                                                                  •Tipos de dados geográficos
                                                                                  •Estruturas de dados geográficos
                                                                                  •Georeferenciamento de dados
                                                                                  •Manipulação de dados vetoriais
                                                                                  •Consultas por atributos e consultas espaciais
                                                                                  •Operações espaciais
                                                                                  •Mapas temáticos

                                                                                      Social Network Analysis (SNA)

                                                                                      •Introdução ao SNA
                                                                                      •Conceitos do SNA
                                                                                      •Aplicações
                                                                                      •Métricas de Centralidade
                                                                                      •Modularidade

                                                                                          Business Intelligence (BI)

                                                                                          •Introdução ao BI
                                                                                          •Modelagem e Arquitetura de Dados
                                                                                          •Preparação de Dados e Visualização
                                                                                          •Visualização de Dados Básica
                                                                                          •Técnicas de visualização
                                                                                          •O Futuro do BI

                                                                                              Criação de WebApp

                                                                                              •Introdução à WebApp
                                                                                              •Introdução à PaaS (GCP AppEngine)
                                                                                              •Introdução à HTML
                                                                                              •Introdução à Front End
                                                                                              •Introdução à APIs
                                                                                              •Visual Studio Code
                                                                                              •Criação de pacote Python
                                                                                              •Microframework Flask
                                                                                              •Criação da API

                                                                                                  Baixe o conteúdo completo do curso

                                                                                                  Professores: Os melhores do mercado em suas áreas:

                                                                                                  Data Science Analytics conta com 10 professores, mestres e doutores
                                                                                                  que combinam excelência acadêmica e atuação em empresas.

                                                                                                  Todos os professores do Data Science Analytics tem ativa atuação na
                                                                                                  resolução de problemas baseada em dados, ocupando cargos de liderança em empresas renomadas.
                                                                                                   

                                                                                                  Adriana Silva

                                                                                                  Graduada em Estatística pela Universidade Estadual Paulista Júlio de Mesquita Filho (Unesp – 2008) e Mestra em Ciências: Estatística e Experimentação Agronômica pela Universidade de São Paulo (ESALQ/USP – 2012).

                                                                                                  Atualmente é Professora e Consultora na ASN.Rocks, é conselheira do CONRE-3, além de professora em algumas turmas de pós graduação dos cursos de Analytics da FGV.

                                                                                                  Já atuou na Oracle, foi gerente analítica na unidade de negócio ABD (Abril Big Data) na Editora Abril e Head de Analytics no SAS, Diretora da Analytics na Kantar Millward Brown sempre focada em análise de dados utilizando a estatística para as soluções de problemas.

                                                                                                  Anderson Ara

                                                                                                  Anderson Ara é Professor Adjunto da Universidade Federal da Bahia (UFBA), coordenador do Laboratório de Estatística e Datascience (LED-UFBA). Docente e co-fundador da Especialização em Ciência de Dados e Big Data (DESt-UFBA). Graduado em Estatística (2008), Mestre em Estatística (2011) e Doutor em Estatística (2016) pela Universidade Federal de São Carlos (UFSCar).

                                                                                                  Atua principalmente nas seguintes áreas: Estatística Aplicada, Modelagem Estatística, Estatística Computacional e Aprendizado Estatístico de Máquina. Tem orientado e publicado em periódicos da área. Pesquisador Permanente do Programa de Pós-Graduação em Matemática (PGMAT) com área de Concentração em Estatística do IME-UFBA.

                                                                                                  Athos Damiani

                                                                                                  Bacharel em Estatística pelo IME-USP e mestrando em Inteligência Artificial pela Poli-USP. Trabalhou com modelos preditivos, web scraping e visualização/dashboards para ABJ, IBOPE, ClearSale, EDP e Itaú e hoje atua como consultor estatístico na R6 e professor na Curso-R.com.

                                                                                                  Carlos Miranda

                                                                                                  Carlos Miranda é estatístico, formado pela Unesp. Já atuou no Itaú-Unibanco em diversas áreas, ora apresentando as possibilidades que as aplicações da estatística poderiam acrescentar, ora aplicando conceitos mais profundamente. Foi Consultor Estatístico para o Banco Santander e em análise dos dados de estudos clínicos em trabalhos da USP e da Santa Casa de São Paulo.
                                                                                                  Atualmente atua no SAS, suportando os usos do software (e das soluções) para aplicações analíticas.

                                                                                                  Cristiane Rodrigues

                                                                                                  Cristiane Rodrigues é bacharel em Matemática pela UNESP e mestre em estatística pela USP com 8 anos de experiência em modelagem de dados. Já  trabalhou na modelagem de crédito do Bradesco, com forecast e dimensionamento na Atento e como consultora analítica no SAS. Foi coordenadora e professora do curso de ciência de dados do SAS.Atualmente está na área de Pré-Vendas do SAS onde é responsável pela frente de Advanced Analytics, com o objetivo de entender o problema, elaborar uma estratégia e propor as melhores soluções para atender as necessidades do cliente. É professora na ASN.Rocks em cursos de ciência de dados.

                                                                                                  Gabriel Antunes

                                                                                                  Gabriel é formado em Física pela UNICAMP cursou pós-graduação em Mercado Financeiro e possui 10 anos de experiência com analytics principalmente atuando em consultoria. Com passagem pelas áreas de modelagem no Citibank e HSBC, atuou também como líder da Prática de Advanced Analytics do SAS e hoje é Gerente Sênior na MasterCard Advisors sendo responsável pela frente de Analytics .Em suas atividades como consultor teve a oportunidade de atuar com diversas técnicas de modelagem estatística para diferentes finalidades como Prevenção à Fraude, Risco de Crédito, Prevenção à lavagem e Dinheiro e Forecast de demanda.

                                                                                                  Marlos Bosso

                                                                                                  Marlos Bosso é formado em engenharia elétrica pela UNESP com mais de 10 anos de experiência em tecnologia de informação. Tendo trabalhado anteriormente na Microsoft e no SAS atualmente é o responsável pela divisão de Smart Manufacturing da Pirelli na América Latina. Acumulou na carreira passagens por áreas de infraestrutura, arquitetura, desenvolvimento e ciência de dados. Atualmente, com se aproveita da bagagem abrangente para focar na adoção e aplicação de novas tecnologias sempre voltado ao impacto no negócio.

                                                                                                  Maurílio Soares

                                                                                                  Maurilio Soares é graduado em estatística e mestre em Demografia (ambos pela UNICAMP). Possui experiência na execução de estudos de Inteligência de Mercado, Geomarketing e CRM Analítico, no mercado de varejo, setor financeiro e consultoria. Passou por empresas como Cognatis, Serasa Experian e Geofusion, e também é professor do Labdata/FIA na área de análise espacial e geolocalização.

                                                                                                  Sergio Zaccarelli

                                                                                                  Sergio Zaccarelli é formado em Engenharia de Computação na UNICAMP, e pós-graduado em gestão de projetos de TI pela USP, com mais de 18 anos de experiência em sistemas de informação. Trabalhou em empresas como Johnson&Johnson, IBM, SAS e McKinsey, sendo atualmente arquiteto de soluções da Amazon. Trabalhou em diversos projetos sempre na área de desenvolvimento e gerenciamento de bancos de dados, análise de informações e engenharia de dados, focado na disponibilização da informação nas suas diversas formas, alinhado com os objetivos do negócio.

                                                                                                  Téo Calvo

                                                                                                  Data Scientist, especialista em Data Science & Big Data pela UFPR, bacharel em Estatística pela FCT-UNESP.

                                                                                                  Hoje é membro da equipe de Analytics na Via Varejo S/A e já atuou como Data scientist no Grupo Boticário e consultor analítico no SAS Institute Brasil. As principais atividades consistem em modelagem preditiva, análise de dados, definições de testes A/B, fazendo uso de conceitos e técnicas Estatísticas e Machine Learning, sendo agnóstico às plataformas analíticas.

                                                                                                  É capaz de manipular e criar suas próprias visões de dados, buscando ser independente da área de TI no mundo corporativo.

                                                                                                  Endereço fácil acesso:

                                                                                                  Rua Santa Justina, 352
                                                                                                  Vila Olímpia - São Paulo - SP
                                                                                                  (Estacionamento no prédio)



                                                                                                  Whatsapp :
                                                                                                  11 995 377 733
                                                                                                  Email:
                                                                                                  [email protected]

                                                                                                  Perguntas freqüentes:

                                                                                                  O valor total do curso é de R$ 22.347,33, podendo ser pago em:
                                                                                                  14 parcelas de R$ 1.596,24
                                                                                                  7 parcelas de R$ 3.032,85 (5% de desconto)
                                                                                                  À vista R$ 20.112,60 (10% de desconto)
                                                                                                  Não é necessário conhecimento prévio. No curso Data Science Analytics você irá se desenvolver em todas as fases de análise de dados. No entanto é importante ter conhecimento básico de cálculo e álgebra.
                                                                                                  Sim. ASN.Rocks tem uma preocupação imensa em garantir a evolução de seus alunos. Sendo assim, é muito importante que o número de alunos seja limitado para que os professores consigam atuar de forma personalizada. São apenas 17 vagas.
                                                                                                  Sim. Você deve se inscrever respondendo o questionário do site, em seguida será agendada uma entrevista (presencial ou online) para que ambos os lados (escola e aluno) se conheçam.Nessa entrevista será medido a disposição e tempo para dedicação durante o curso. Somente os alunos aprovados poderão realizar a inscrição.
                                                                                                  Todas as aulas são de caráter expositivo, com interação do aluno durante todo o tempo. Seguimos a filosofia de que o “aprender fazendo” fortalece nossos instintos de resolução de problemas, permitindo que a criatividade e inteligência humana aflorem.
                                                                                                  Sim, é de responsabilidade do aluno utilizar seu computador pessoal durante todo o curso. Será necessário a utilização de softwares open sources (R e Python) durante todo o curso. Recursos de nuvem também serão utilizados.
                                                                                                  Todo tema em ascensão é explorado ao extremo e isso é muito bom. No entanto, muita incoerência está sendo oferecida e algumas inverdades estão sendo propagadas, como por exemplo que, saber programar em R ou Python já o torna um cientista de dados.
                                                                                                  ASN.Rocks entende que ciência de dados vai muito além que uma linguagem de programação. Criamos esse curso com o objetivo de melhorar o perfil dos profissionais, dando a capacidade de entendimento profundo das técnicas, além de trabalhar o instinto analítico. Nenhum algoritmo é criado sem propósito, sendo assim ASN.Rocks entende que é necessário trabalhar o lado humano durante o processo de ciência de dados.

                                                                                                  O curso Data Science Analytics nasceu com o objetivo de treinar a criticidade, aguçar a curiosidade, exercer a inteligência humana junto com a criatividade. Trazendo em suas aulas o lado técnico e teórico das técnicas estatísticas, seus limites, suas capacidades e a potencialização disso junto com a capacidade da computação e codificação, não deixando de lado a experiência de negócios, resolvendo problemas da vida real.
                                                                                                  Várias ferramentas/linguagens serão comentadas/discutidas durante o curso, no entanto, o curso será desenvolvido em R e em Python. Duas linguagens de programação muito importantes na área.
                                                                                                  Ciência de dados é a junção de matemática, estatística, computação, programação e “feeling” de negócio. Todos esses andam juntos para que a ciência de dados realmente aconteça. Se você não se sente preparado em algum desses tópicos, o curso irá te agregar valor.
                                                                                                  O propósito do curso é abrir a mente do aluno para novas possibilidades e trabalhar o lado de construção de produto, que vai desde o entendimento da necessidade, criação da estratégia de dados, estratégia analítica, estratégia de aplicação e consumo.A ideia é capacitar o aluno a escolher qual dos caminhos percorrer, garantindo a entrega dos projetos que irá atuar.
                                                                                                  Sim, todo o curso acontecerá às segundas e quartas-feiras presencialmente na sede da ASN.Rocks .
                                                                                                  O curso tem 392 horas de aula, com 64 horas de dedicação para o trabalho de conclusão de curso. O curso é extenso, trabalhoso e exige o dobro de tempo em dedicação fora da sala de aula. Para um curso bem feito, estima-se 16 horas semanais de dedicação, sendo 8 horas presenciais e 8 horas de estudos.
                                                                                                  Se o aluno tiver a frequência mínima exigida (75% por disciplina) mais nota acima de 6, um certificado de conclusão de curso será emitido e entregue no encerramento.
                                                                                                  Lembrando que ASN.Rocks não é reconhecida pelo MEC, ou seja, o certificado não é válido como uma pós graduação.

                                                                                                  Preencha o formulário

                                                                                                  Após o envio do formulário em 24 horas a Clau entrará em contato para agendar nossa entrevista.

                                                                                                  You Rocks!