V. Banco de Dados e Data Warehouse: 5.1. Modelo entidade-relacionamento; 5.2. Mapeamento lógico relacional; 5.3. Normalização; (Parte 1)
V. Banco de Dados e Data Warehouse: 5.1. Modelo entidade-relacionamento; 5.2. Mapeamento lógico relacional; 5.3. Normalização; (Parte 2)
5.4. Linguagem de definição e manipulação de dados (SQL);
IV. Manipulação e Tratamento de Dados: 4.1. Integração dos dados (ETL, Transferência de Arquivos e Integração via Base de Dados); 5.5. Conceitos de data warehousing; 5.6. Conceitos de Data Lake.
5.5. Modelagem multidimensional (esquema estrela);
1.5. Noções básicas de IA Generativa; Conhecimentos de sistemas Analytics (Machine Learning, Inteligência artificial, análise preditiva e prescritiva.
II. Aprendizado Supervisionado – Regressão e Classificação: 2.1. Métricas de Avaliação; 2.2. Overfitting e Underfitting de Modelos; 2.3. Regularização; 2.4. Seleção de modelos: Erro de Generalização; 2.5. Validação Cruzada; 2.6. Conjuntos de Treino, Validação e Teste; 2.7. Trade off entre Variância e Viés; 2.8. Algoritmos: Regressão Linear e Regressão Logística; 2.9. Árvores de Decisão e Random Forests; 2.10. Máquina de suporte de vetores; 2.11. Naive Bayes; 2.12. K-NN; 2.13. Ensembles; 2.14. Conceitos de otimização de hiperparâmetros; III. Aprendizado Não Supervisionado: 3.1. Redução de dimensionalidade: PCA; 3.2. Agrupamento K-Means; 3.3. Agrupamento Hierárquico; 3.4. Regras de associação;
VII. Redes Neurais Artificiais: 7.1. Conceitos Básicos em Redes Neurais Artificiais: Definições e Arquitetura; 7.2. Funções de Ativação; 7.3. Otimização de Redes Neurais Artificiais: método do gradiente, método do gradiente estocástico, algoritmo backpropagation, métodos de inicialização dos pesos, Vanishing Gradients; 7.4. Métodos de regularização: penalização com normas L1 e L2, Dropout e Early Stopping;
VI. Análise e Visualização De Dados: 6.1. Princípios de data storytelling; 6.2. Técnicas de visualização de dados; 6.3. Gráficos de dispersão; 6.4. Séries Temporais; 6.5. Gráficos de barras; 6.6. Histogramas e Densidades; 6.7. Diagrama boxplot; 6.8. Avaliação de outliers; 6.11. Construção de Dashboards em Microsoft Power BI. 4.2. Lidando com valores faltantes; 4.3. Lidando com dados categóricos; 4.4. Normalização numérica; 4.5. Detecção e tratamento de outliers;
Conhecimentos de projetos de implantação e desenvolvimento de sistemas ERP;
