Estatística para Ciência de Dados

O Curso de Especialização em Estatística para Ciência de Dados visa capacitar profissionais de diversas áreas que atuam com estratégias e análise de dados. O objetivo principal é capacitar profissionais para aplicar métodos estatísticos e modelos de Machine Learning para realizar diagnósticos e favorecer a tomada de decisão orientada a dados.

Ao final do curso, o aluno será capaz de:

Profissionais com formação superior:

• Que atuam em projetos ou atividades relacionados à análise e gestão de dados e que queiram complementar e aperfeiçoar seus conhecimentos em metodologia estatística;

• Que atuam em Inteligência de Negócios e TI, gerentes de TI, coordenadores de projetos, analistas de negócios, analistas de redes sociais e mídias e outros profissionais com interesse em tecnologias para análise de dados para apoio a tomada de decisão;

• Que atuam ou pretendem atuar no desenvolvimento de soluções inovadoras e inteligentes para favorecer a transformação digital.

Módulo - Linguagem de Programação para Estatística

• Python para Ciência de Dados

- Tipos de dados

- Estruturas de controle: condicional e repetição

- Estruturas de dados: listas, tuplas, conjuntos, dicionários, séries e dataframes 

- Funções 

- Vetorização e matrizes numéricas

- Bibliotecas de manipulação de dados (Pandas)

- Bibliotecas de visualização de dados (matplotlib, plotly)

- Bibliotecas de vetorização de matrizes (numpy)

Módulo - Conceitos e métodos estatísticos

• Análise Descritiva e Probabilidade

- Tipos de Variáveis. Representação tabular e gráfica. Medidas de posição e dispersão

- Análise Bivariada para variáveis qualitativas e quantitativas

- Análise bidimensional

- Análise de Correlação

- Técnicas de visualização para os diversos tipos de variáveis

- Experimento

- Espaço Amostral e Eventos

- Probabilidade e propriedades

- Variáveis aleatórias discretas e principais modelos de distribuição discretas

- Variáveis aleatórias contínuas e principais modelos de distribuições contínuas

- Principais distribuições de Probabilidade

- Teorema do Limite Central

- Modelos de Convergência

- Desigualdade de Tchebyschev

- Lei dos grandes números

• Inferência Estatística

- Noções gerais de inferência estatística

- Métodos de estimação

- Propriedades dos estimadores

- Estatísticas suficientes. Intervalos de confiança

- Teste de hipótese

- Métodos estatísticos Não-Paramétricos 

- Testes para uma amostra

- Testes para duas amostras relacionadas e duas independentes 

- Testes para k amostras relacionadas e k amostras independentes

- Medidas de correlação e seus testes de significância.

- Métodos de Reamostragem

Módulo - Modelos Estatísticos

• Técnicas de Amostragem e Regressão Linear

- Noções básicas de distribuição e amostragem

- Tipos de amostragem

- Dimensionamento da amostra

- Estimador Razão e Regressão

- Técnicas de amostragem

- Amostragem aleatória e viés de Amostra

- Viés de seleção. Viés e erros não amostrais de não resposta

- Estimação da variância

- Distribuição de amostragem

- Bootstrap

- Intervalos de Confiança

- Tipos de distribuição

- Distribuição Poisson e Distribuições Relacionadas

- Regressão linear simples

- Regressão com Variáveis Qualitativas

- Análise de Resíduos

- Diagnóstico em Regressão

- Seleção de variáveis e construção de modelos

- Validação de Modelos

- Transformação de Variáveis

• Modelos de Regressão

- Regressão Linear Múltipla

- Modelo de regressão linear múltipla

- Estimação dos parâmetros do modelo

- Inferências sobre a regressão linear múltipla

- Estudo da adequação do modelo

- Variáveis Dummy

- Modelos Lineares Generalizados: Família Exponencial de Distribuições

- Componente sistemática

- Função de ligação

- Modelos Lineares Generalizados Especiais (Regressão logística) 

- Função desvio. Função Escore

- Testes de Hipóteses 

- Matriz de Informação de Fisher

- Análise de diagnóstico

• Análise de Sobrevivência 

- Conceitos básicos e dados de sobrevivência

- Métodos Não-Paramétricos para estimação da função de sobrevivência

- Modelos probabilísticos em análise de sobrevivência

- Modelos de Regressão Paramétricos

- Análise de resíduos

- Modelagem via função de risco: modelo de Cox e modelo de taxa acelerada

- Testes Acelerados: conceitos básicos, relação estresse-resposta e aplicações

• Análise Multivariada

- Introdução a estatística multivariada

- Álgebra vetorial e matricial

- Dados multivariados: vetores de médias, matriz de variância e covariância

- Distribuições multivariadas: Normal, T2

- Análise: de variância, de agrupamento, fatorial, discriminante, de correlação canônica, multidimensional, de correspondência

- Redução de dimensão

 Séries Temporais  

- Conceitos básicos e modelos de séries temporais

- Estacionariedade

- Função de autocorrelacão

- Modelos no domínio do tempo e da frequência

- Método de decomposição

- Modelos de tendência: determinística e estocástica

- Método de medias moveis. Alisamento exponencia

- Modelagem de séries temporais estacionárias: Modelos Autoregressivos e de Médias Móveis (ARMA)

- Modelagem de séries temporais não estacionárias: transformações e/ou diferenciação

- Modelos Autoregressivos Integrados e de Médias Móveis (ARIMA)

- Modelos Sazonais Autoregressivos Integrados e de Médias Móveis (SARIMA)

- Análise de intervenção

- Regressão em séries temporais

- Regressão Dinâmica

Módulo - Analytics Techniques 

• Data Discovery e Analytics  

- Fundamentos da descoberta de dados

- Fundamentos e requisitos de aplicações de suporte a decisão

- Princípios de projeto, arquitetura e construção de aplicações OLAP

- Análise, visualização e comunicação de dados

- Power Bi 

- Tableau

• Machine Learning  

- Processo de aprendizagem de máquina

- Feature Engineering.

- Técnicas e algoritmos de aprendizado supervisionado

- Técnicas e algoritmos de aprendizado não-supervisionado 

- Combinação de modelos: boosting e ensemble

- Métricas e avaliação de modelos 

• Redes Neurais e Deep Learning 

- Introdução a redes neurais artificiais

- Deep Learning

- Técnicas, métodos e arquiteturas para redes neurais

- Redes convolucionais modernas

- Aplicações de redes convolucionais e deep learning

• Frameworks para Deep Learning

- Anatomia de redes neurais com keras e tensorflow

- Classificação com deep learning: classificação binária e classificação multiclasse

- Regressão linear com deep learning

- Monitoramento do modelo e Inferências em modelos treinados

- Pytorch 

- Projeto e utilização de infraestrutura e serviços de computação em nuvem

- Implementação de pipeline da solução

• Generative AI & Advanced Analytics

- Fundamentos de IAs Generativas (GenAI)

- Plataformas de GenAI

- Engenharia de Prompt

- Exploração de modelos preditivos

- Utilização de APIs de modelos externos

- AutoML

- Cloud Analytics

- Implementação de pipeline da solução

- Conceitos de AI-as-a-Service, AI-as-a-commodity, AI Gateways  

- Tendências

Módulo - Governança e Controle de Dados

• Governança de Dados   

- Contexto organizacional de dados

- Conceitos de Governança de Dados (GD)

- Framework DMBoK

- Políticas, padrões e procedimentos aplicados aos dados: Data Stewardship, Data Owners, Dados Mestres, Dados Referência,  Metadados, Data Catalog

- Processo de implantação de GD

- Modelos de maturidade de dados

- GD aplicada em leis de Proteção (LGPD-GDPR)

- Compliance e Risk Assessment

- GD 2.0: Ética nos dados, Agilidade em GD, Gerência de Mudanças  

• Cultura e Práticas DataOps e MLOps

- MLOps x DevOps x DataOps 

- Camadas, componentes, infraestrutura e ferramentas para arquitetura de Machine Learning

- Projeto e construção de pipeline para build e deployment

- Armazenamento e gestão de métricas, artefatos e encodings

- Kubeflow. Apache Airflow, Apache Beam  

- Criação, treinamento e implantação de modelos: AWS, GCP e Azure

• Humanidades

- O ser humano, o processo de humanização e o conceito de pessoa

- Desafios contemporâneos e o lugar da religião e da espiritualidade

- Autonomia e heteronomia na sociedade atual

- Princípios éticos e ética profissional

CONTEÚDO PROGRAMÁTICO

• ANÁLISE DE SOBREVIVÊNCIA

• ANÁLISE DESCRITIVA E PROBABILIDADE

• ANÁLISE MULTIVARIADA

• CULTURA E PRÁTICAS DATAOPS E MLOPS

• DATA DISCOVERY E ANALYTICS

• FRAMEWORKS PARA DEEP LEARNING

• GENERATIVE AI & ADVANCED ANALYTICS

• GOVERNANÇA DE DADOS

• INFERÊNCIA ESTATÍSTICA

• MACHINE LEARNING

• MODELOS DE REGRESSÃO

• PYTHON PARA CIÊNCIA DE DADOS

• REDES NEURAIS E DEEP LEARNING

• SÉRIES TEMPORAIS

• TÉCNICAS DE AMOSTRAGEM E REGRESSÃO LINEAR

• HUMANIDADES*

Para ver a metodologia completa, clique AQUI.

O Trabalho de Conclusão de Curso não é mais obrigatório na PUC Minas Virtual*, no entanto, o aluno poderá, opcionalmente,  contratar um TCC. Após a contratação, será apresentada ao aluno a proposta de trabalho, bem como designado um orientador individual. As informações que dizem respeito à execução do TCC também serão disponibilizadas por meios de textos e vídeos. A duração prevista para o trabalho é de 60 dias e, ao final, o aluno deverá fazer uma apresentação via Internet.

*Exceto para o curso de Engenharia de Segurança do Trabalho.

• Documentos necessários (não precisam ser autenticados): 

  • RG ou CNH (frente e verso)
  • Diploma da graduação (frente e verso)

  Obs.: O envio do diploma é obrigatório. Entretanto, caso você não o tenha em mãos ainda, você deverá enviar o Termo de Compromisso (cujo modelo estará disponível no link de upload dos documentos, e também está disponível para consulta clicando aqui) assinado. Mas o envio do diploma deverá ser feito até o final do curso.

  O envio do diploma tem como objetivo a conferência com relação à habilitação para cursar uma especialização (de acordo com a Lei nº 9.394, para ingressar em uma especialização e necessário que já tenha ocorrido a colação de grau). O Termo de Compromisso é um documento que em que você se responsabiliza por essa habilitação e se responsabiliza pelo envio do diploma como requisito legal para início da sua certificação ao final das atividades acadêmicas.

  • Certidão de casamento/divórcio (frente e verso), caso tenha ocorrido alteração de nome.
    

ATENÇÃO:

1. A documentação deverá ser digitalizada e enviada, via upload no link recebido pelo e-mail, após o pagamento do valor referente à matrícula (1ª parcela do Curso).
2. O processo de inscrição e matrícula fica condicionado ao pagamento da primeira mensalidade.
3. A entrega da documentação é exigida logo após o pagamento da primeira mensalidade e ela é um requisito básico para a expedição do seu certificado de especialista.
4. Todas as etapas do processo de inscrição serão informadas por e-mail.

Você só deverá se inscrever nesse curso caso já tenha colado grau na sua graduação. Este é um requisito previsto na Lei nº 9.394, e previsto também no Contrato de Prestação de Serviços ( clique aqui  para ter acesso). A conferência desse requisito será feita pela instituição após o processamento da sua matrícula e caso seja identificada alguma irregularidade ela será cancelada a qualquer tempo (conforme cláusula 4.5.1 do contrato), e não haverá direito ao recebimento de reembolso dos valores pagos.

Migração de cursos: 

O aluno deve possuir ou ter acesso a um computador com a seguinte configuração mínima:

• Processador com frequência mínima de 2 GHz ou superior e 2 núcleos;
• 4 GB de memória RAM (recomenda-se 8 GB) *;
• Placa de vídeo configurada com resolução mínima de 1024 x 768 pixels;
• Placa de som com caixas acústicas (ou fones de ouvido) e microfone;
• Windows 10 (atualizado para a versão 1903 ou superior), Windows 11, MacOS (versão 10.13 - High Sierra ou superior) ou Linux;
• Google Chrome (versão mais recente) ou Mozilla Firefox (versão mais recente);
• Acesso à Internet, com velocidade mínima de conexão de 2 Mbps;
• Correio eletrônico pessoal (e-mail). 

Observação: O aluno com necessidades especiais deverá informar à Universidade no ato da inscrição. Para alunos portadores de necessidades especiais no campo da visão, é necessário acesso a um programa (software) de leitura de tela.

* Alunos dos cursos BIM Manager e BIM PROJETOS PARAMÉTRICOS E DESIGN DIGITAL APLICADOS À CONSTRUÇÃO CIVIL: A universidade não se responsabiliza pela aquisição das licenças comerciais dos softwares a serem utilizados no curso. O aluno deverá obter versões acadêmicas e gratuitas no site dos fabricantes.  É recomendável que o computador do usuário possua no mínimo 16 Ghz de memória RAM (recomenda-se 32) para uso de softwares de autoria BIM.

Já ter colado grau.

Possuir diploma de curso de graduação (reconhecido pelo Ministério da Educação do Brasil).

Preencher os requisitos básicos de formação de acordo com a necessidade de cada curso.

Alunos com diploma de graduação emitido fora do territorio nacional, devem acessar o link oficial do MEC para revalidar ou reconhecer seu diploma no Brasil

Informamos que assinamos e autorizamos a realização de estágio nos cursos de pós-graduação a distância. O estágio não obrigatório poderá ser realizado em qualquer período do Curso, desde que o curso tenha sua oferta confirmada e as aulas tenham iniciadas.

Ademais, as atividades desenvolvidas no estágio deverão visar o aprendizado de competências próprias da atividade profissional e à contextualização curricular, seguindo o previsto na Lei Federal n° 11.788 de 25 de setembro de 2008 (BRASIL, 2008) e Normas Acadêmicas da PUC Minas (2018). *

*Exceto para o curso de EDUCAÇÃO BILÍNGUE E PLURILÍNGUE