Fundamentos de Matemática e Estatística para a Ciência de Dados

Inicie a sua carreira de cientista de dados da forma correta

Um cientista de dados é muito mais do que apenas um programador em uma linguagem específica.

É um profissional que possui um conhecimento sólido em matemática e estatística, fundamentais para compreender e aplicar os princípios do machine learning.

Um cientista de dados deve conhecer

Álgebra Linear

Essencial para compreender operações com vetores e matrizes, que são amplamente utilizados em machine learning e análise de dados.

Cálculo

Compreensão dos conceitos de diferenciação e integração é fundamental para otimização de algoritmos e modelos, como o cálculo do gradiente descendente, essencial para o ajuste dos pesos de um modelo. 

Probabilidade

Conhecimento em probabilidade é necessário para entender incertezas e distribuições de dados, fundamentais para estatística e inferência.

Estatística Descritiva

Compreender medidas de tendência central, dispersão e visualização de dados é importante para explorar e resumir conjuntos de dados.

Inferência Estatística

Habilidades em inferência permitem que o cientista de dados faça generalizações a partir de amostras de dados e avalie a significância estatística de resultados.

Modelagem Estatística

Conhecimento em modelos estatísticos, como regressão linear, regressão logística e análise de séries temporais, é necessário para desenvolver modelos preditivos e interpretar seus resultados.

Teoria da Probabilidade

Compreender conceitos como teorema de Bayes, distribuições de probabilidade e processos estocásticos é essencial para modelos probabilísticos avançados.

Análise de Dados Multivariados

Conhecimentos em técnicas como análise fatorial, análise de componentes principais e clusterização, úteis para explorar e extrair informações de conjuntos de dados complexos.

Aprenda Matemática e Estatística para Ciência de Dados

Oferecemos os cursos de Métodos Estatísticos, Pesquisa Operacional, Matemática Financeira e Cálculo Diferencial e Integral, que são fundamentais para a elaboração de algoritmos de machine learning.

Nosso objetivo é fornecer aos nossos alunos o conhecimento necessário para que eles possam fazer uma transição de carreira da maneira correta e contribuir para o avanço da ciência de dados.

Distribuições amostrais

Distribuição amostral da média e distribuição amostral da proporção.

Intervalos de confiança

intervalo de confiança para a média populacional com variância conhecida e com variância desconhecida e intervalo de confiança para a proporção populacional

Testes de hipóteses

testes para a média populacional, para a proporção populacional, para diferença de duas médias e de duas proporções

Curso com início imediato

Métodos Estatísticos

O curso Métodos Estatísticos apresenta de maneira clara e didática os mais importantes temas da Estatística Inferencial, para que você comece corretamente a sua carreira de cientista de dados, de maneira sólida e preparado.

Correlação e Regressão

Correlação linear e testes do coeficiente de correlação, regressão linear simples.

Testes de Qui-Quadrado

Testes de aderência e tabelas de contingência – teste de independência.

Análise de Variância

ANOVA de fator único e comparações múltiplas na ANOVA

O que você irá aprender

Você pode aprender tudo isso por apenas

R$ 180,00 à vista

5 x R$ 39,18 (R$ 195,90)

Quem é o seu professor?

Diogo Martins Gonçalves de Morais

Professor de Álgebra Linear, Cálculo Diferencial e Integral, Estatística, Matemática Financeira e Pesquisa Operacional há 20 anos em cursos de graduação e pós-graduação.

É formado em Matemática pela UNESP, MBA em Data Science & Analytics pela USP, Doutorado em Administração pela USCS e Pós-doutorado em Engenharia e Gestão da INovação pela UFABC.

Transforme dados em conhecimento com a matemática e estatística

Entre em contato conosco