BUSINESS INTELLIGENCE E ANALYTICS: 1 Banco de Dados. 1.1 Conceitos básicos: esquema, campos, registros, índices, relacionamentos, transação, triggers, stored procedures. 1.3 Banco de dados relacional; (Conceitos Básicos)
BUSINESS INTELLIGENCE E ANALYTICS: 1 Banco de Dados. 1.1 Conceitos básicos: esquema, campos, registros, índices, relacionamentos, transação, triggers, stored procedures. 1.3 Banco de dados relacional; (Modelo Conceitual)
BUSINESS INTELLIGENCE E ANALYTICS: 1 Banco de Dados. 1.1 Conceitos básicos: esquema, campos, registros, índices, relacionamentos, transação, triggers, stored procedures. 1.3 Banco de dados relacional; (Modelo Relacional)
1.2 Álgebra relacional e SQL (padrão ANSI).
2 Data Warehouse. 2.1 Conceito e aplicações de data warehouse. 2.2 Fatos e dimensões. 2.3 Técnicas de modelagem dimensional e otimização de bases de dados para BI. 3 Tratamento e Qualidade dos dados.
8 ETL X ELT. 9 MOLAP. ROLAP. HOLAP.
4 Visualização e análise exploratória de dados. 4.1 Elaboração de painéis, dashboard e relatórios analíticos.
4.2 Noções de geoprocessamento.
5 Governança de Dados. (DMBOK)
BIG DATA: 1 Fundamentos. 2 Fluxo de big data. 2.1 Ingestão. 2.2 Processamento. 2.3 Disponibilização. 2.4 Armazenamento. 3 Pipeline de dados. 4 Processamento distribuído. 5 Data lake. 6 Data Mart. 7 Data staging area. 10 Soluções de big data. 11 Arquiteturas de big data.
APRENDIZADO DE MÁQUINA: 1 Técnicas de classificação. 1.1 Naive Bayes. 1.2 Regressão logística. 1.3 Árvores de decisão e florestas aleatórias (random forest). 1.4 Máquinas de vetores de suporte (SVM – support vector machines). 1.5 K vizinhos mais próximos (KNN – K-nearest neighbours). 2 Avaliação de modelos de classificação. 3 Técnicas de agrupamento. 4 Técnicas de redução de dimensionalidade. (Aprendizado Supervisionado)
APRENDIZADO DE MÁQUINA: 1 Técnicas de classificação. 1.1 Naive Bayes. 1.2 Regressão logística. 1.3 Árvores de decisão e florestas aleatórias (random forest). 1.4 Máquinas de vetores de suporte (SVM – support vector machines). 1.5 K vizinhos mais próximos (KNN – K-nearest neighbours). 2 Avaliação de modelos de classificação. 3 Técnicas de agrupamento. 4 Técnicas de redução de dimensionalidade. (Aprendizado NÃO Supervisionado)
5 Processamento de linguagem natural. 5.1 Normalização textual. 5.2 Modelos de representação de texto. 5.3 Métricas de similaridade textual.
1.6 Redes neurais artificiais. 6 Deep Learning
Aulas em vídeo do Reta Final
