Análise de Dados
com Python

• Estruturas de Bancos de Dados, Tipos de Variáveis e Escalas de Mensuração
• Introdução ao Python
• Manuseio do Python e Plataforma Gráfica

Análise de Dados com Técnicas de Interdependência Não Supervisionadas de Aprendizagem de Máquina:

Clustering e Análise de Agrupamentos

• Definição de Medidas de Dissimilaridade em Análise de Clusters.
• Esquemas de Aglomeração.
• Análise de Clusters com Esquemas de Aglomeração Hierárquicos.
• Análise de Clusters K-means.
• Elaboração de Exercícios e Aplicação de Scripts em Bases de Dados Reais.

Análise Fatorial e PCA – Principal Component Analysis

• Redução Dimensional e Conceito de Fator.
• Adequação Global da Análise.
• Cargas e Scores Fatoriais.
• Elaboração de Rankings e Mapas de Correlação para Variáveis.
• Elaboração de Exercícios e Aplicação de Scripts em Bases de Dados Reais.

Análise de Correspondência Simples e Múltipla

• Associação entre Variáveis Qualitativas.
• Anacor e ACM.
• Definição de Scores e Elaboração de Mapas Perceptuais.
• Elaboração de Exercícios e Aplicação de Scripts em Bases de Dados Reais.

Exercícios de Exploratory Analytics (Unsupervised Machine Learning)

GLM – Regressão Simples e Múltipla

• Estimação do Modelo de Regressão Linear por MQO;
• Poder Explicativo do Modelo de Regressão;
• A Significância Geral do Modelo e dos Parâmetros;
• Intervalos de Confiança dos Parâmetros e Previsão;
• Variáveis Dummy em Modelos de Regressão;
• Elaboração de Exercícios e Aplicação de Scripts em Bases de Dados Reais.

GLM – Modelos Logísticos Binários e Multinomiais

• Estimação por Maximum Likelihood;
• Significância Geral do Modelo e dos Parâmetros;
• Cutoff e Análise de Sensibilidade;
• Métricas de Desempenho (Matriz de Confusão, Sensitividade, Especificidade, Curva de Sensibilidade, ROC e GINI);
• Construção de Gráficos Multinomiais;
• Elaboração de Exercícios e Aplicação de Scripts em Bases de Dados Reais.

GLM – Modelos para Dados de Contagem

• Conceito de Exposição;
• Modelo Poisson;
• Modelo Binomial Negativo e Existência de Superdispersão nos Dados;
• Elaboração de Exercícios e Aplicação de Scripts em Bases de Dados Reais.

Exercícios de Predictive Analytics (Supervised Machine Learning)

• Identificação de Hierarquia e Contextualização nos Dados;
• Fundamentação Teórica da Modelagem Multinível;
• Modelos Hierárquicos com Dois Níveis (HLM2);
• Modelos Hierárquicos com Três Níveis e Medidas Repetidas (HLM3);
• Elaboração de Exercícios e Aplicação de Scripts em Bases de Dados Reais.