1 Dados estruturados e não estruturados. Dados abertos.
1 Bancos de dados relacionais: Conceitos básicos; Noções de Administração;
1 Bancos de dados relacionais
SQL (Structured Query Language);
Controle de proteção, integridade, concorrência e bloqueio de transações.
3 Técnicas para detecção de problemas e otimização de desempenho do SGBD e de consultas SQL.
Sistemas gerenciadores de banco de dados: MS SQL Server
4 Arquitetura e aplicações de data warehousing, ETL e Olap; Técnicas de modelagem e otimização de bases de dados multidimensionais. 5 Business Intelligence: Processo de coleta, organização, análise e compartilhamento de informações; Dashboards: painéis e visualização de dados. Coleta, tratamento, armazenamento, integração e recuperação de dados. Processos de ETL. (BI, DW e Modelagem Dimensional)
4 Arquitetura e aplicações de data warehousing, ETL e Olap; Técnicas de modelagem e otimização de bases de dados multidimensionais. 5 Business Intelligence: Processo de coleta, organização, análise e compartilhamento de informações; Dashboards: painéis e visualização de dados. Coleta, tratamento, armazenamento, integração e recuperação de dados. Processos de ETL. (ETL e OLAP)
6 Ferramentas de busca, indexação e análise de dados: Elasticsearch
2 Exploração de dados: conceituação e características. Noções do modelo CRISP-DM. Técnicas para pré-processamento de dados. Técnicas e tarefas de mineração de dados. Classificação. Regras de associação. Análise de agrupamentos(clusterização). Detecção de anomalias. Modelagem preditiva.
2 Banco de dados NoSQL: Key/Value; Orientados a Documentos; Grafos. 7 Conceitos sobre Big Data e Data Lake.
4 Conceitos de Machine Learning: fontes de erro em modelos preditivos, validação e avaliação de modelos preditivos, underfitting, overfitting e técnicas de regularização, otimização de hiperparâmetros, separabilidade de dados, redução da dimensionalidade. Modelos lineares, árvores de decisão, redes neurais feed-forward, classificador Naive Bayes. (Aprendizado Supervisionado)
4 Conceitos de Machine Learning: fontes de erro em modelos preditivos, validação e avaliação de modelos preditivos, underfitting, overfitting e técnicas de regularização, otimização de hiperparâmetros, separabilidade de dados, redução da dimensionalidade. Modelos lineares, árvores de decisão, redes neurais feed-forward, classificador Naive Bayes. (Aprendizado NÃO Supervisionado)
3 Conceitos de Processamento de Linguagem Natural (PLN): semântica vetorial, redução de dimensionalidade, modelagem de tópicos latentes, classificação de textos, análise de sentimentos, representações com n-gramas.
8 Governança de dados por meio da metodologia do DAMA-DMBoK (Data Management Body of Knowledge).
1 Gerenciamento de processos de negócio: modelagem de processos; técnicas de análise de processo; desenho e melhoria de processos; integração de processos;
Business Process Modeling and Notation (BPMN).
