Digital Transformation Data Scientist

A Digital Transformation Professional Academy da Arcitura se dedica a fornecer um currículo abrangente de cursos de treinamento e certificações com foco em tecnologias, soluções e práticas de Transformação Digital padrão da indústria. Este extenso programa abrange uma série de trilhas especializadas para profissionais de TI, cada uma das quais aborda um conjunto de habilidades específicas para uma profissão comum associada a projetos de transformação digital. Os campos de prática cobertos pelo currículo da Digital Transformation Professional Academy incluem tecnologia de transformação digital, arquitetura, ciência de dados e segurança.

OBJETIVOS DO TREINAMENTO

Um Cientista de Dados de Transformação Digital Certificado é proficiente em técnicas e práticas de análise e analítica, bem como em uma variedade de algoritmos estabelecidos e abordagens de aprendizado de modelo para sistemas de Aprendizado de Machine Learning e Inteligência Artificial com redes neurais.

Digital Transformation Data Scientist

Módulo 12

12

Big Data Avançado

Este curso fornece uma visão geral detalhada dos conceitos básicos e avançados, áreas temáticas pertencentes à ciência de dados e técnicas de análise relevantes e exclusivo para Big Data, com ênfase em como análises e análises precisam ser realizadas individual e coletivamente em apoio ao características, requisitos e desafios distintos associados a Conjuntos de dados de Big Data.

Os principais tópicos abrangidos são:

  • Análise Exploratória de Dados, Estatísticas Essenciais, incluindo Variável; Categorias e matemática relevante;
  • Análise de estatísticas, incluindo descritiva, inferencial, covariância, Teste de hipóteses, etc.;
  • Medidas de variação ou dispersão, intervalo interquartil e outliers, Z-Score, etc.;
  • Probabilidade, frequência, estimadores estatísticos, intervalo de confiança, etc.;
  • Variáveis ​​e notações matemáticas básicas, medidas estatísticas e Inferência estatística;
  • Análise de dados confirmatórios (CDA);
  • Discretização, Binning e Clustering de Dados;
  • Técnicas de visualização, incluindo gráfico de barras, gráfico de linha, histograma, Polígonos de frequência, etc.;
  • Regressão Linear de Previsão, Erro Quadrático Médio e Coeficiente de Determinação R2, etc.;
  • Resumos numéricos, modelagem, avaliação de modelo, ajuste de modelo e Modelagem Overfitting;
  • Modelos estatísticos, medidas de avaliação de modelo;
  • Validação cruzada, Bias-Variance, Confusion Matrix e F-Score;
  • Regras de associação e algoritmo a priori;
  • Redução de dados, seleção de recurso de dimensionalidade;
  • Extração de Recurso, Discretização de Dados (Binning e Clustering);
  • Paramétrico vs. Não Paramétrico, Clustering vs. Não-Clustering;
  • Com base na distância, supervisionado vs. Semi-Supervisionada;
  • Regressão Linear e Regressão Logística para Big Data;
  • Regressão Logística, Naïve Bayes, Suavização de Laplace, etc.;
  • Árvores de decisão para Big Data;
  • Identificação de padrões, regras de associação, algoritmo a priori;
  • Análise de série temporal, tendência, sazonalidade, K vizinho mais próximo (kNN), K-médias;
  • Análise de texto para Big Data e detecção de outlier para Big Data;
  • Técnicas Estatísticas, baseadas à Distância, Supervisionadas e Semi-Supervisionada.

Conteúdos:

Este curso está disponível como parte de um Kit de Estudo da Arcitura em formatos impressos e de eLearning. Além dos materiais base do curso utilizados durante as oficinas de treinamento, materiais adicionais criados para fins de auto estudo também estão inclusos.

  • Livro de exercícios;
  • Guia de preparação para exames;
  • Cartaz do mapa mental;
  • Flashcards;
  • Aulas em vídeo (somente eLearning).
Este curso está disponível online como parte de um Kit de Estudo eLearning
Este curso está disponível online como parte de um Kit de Estudo eLearning

Módulo 13

13

Machine Learning Avançado

Este curso investiga os muitos algoritmos, métodos e modelos de práticas contemporâneas de aprendizado de Machine Learning para explorar como uma variedade de diferentes problemas de negócios podem ser resolvidos utilizando e combinando técnicas comprovadas de aprendizado de Machine Learning.

Os principais tópicos abrangidos são:

  • Padrões de exploração de dados;
  • Computação de tendência central, computação de variabilidade;
  • Computação de Associatividade, Computação Gráfica de Resumo;
  • Padrões de redução de dados;
  • Seleção de recursos, extração de recursos;
  • Padrões de organização de dados;
  • Imputação de recursos, codificação de recursos;
  • Discretização de recursos, padronização de recursos;
  • Padrões de aprendizagem supervisionados;
  • Previsão Numérica, Previsão de Categoria;
  • Padrões de aprendizagem não supervisionados;
  • Descoberta de categoria, descoberta de padrão;
  • Padrões de avaliação de modelo, modelagem de linha de base;
  • Avaliação de desempenho de treinamento, avaliação de desempenho de previsão;
  • Padrões de otimização de modelo;
  • Ensemble Learning, Frequent Model Retraining;
  • Implementação de modelo leve, aprendizado de modelo incremental.

Conteúdos

Este curso está disponível como parte de um Kit de Estudo da Arcitura em formatos impressos e de eLearning. Além dos materiais base do curso utilizados durante as oficinas de treinamento, materiais adicionais criados para fins de auto estudo também estão inclusos.

  • Livro de exercícios;
  • Guia de preparação para exames;
  • Cartaz do mapa mental;
  • Pôster de mapeamento de padrões e mecanismos;
  • Flashcards;
  • Aulas em vídeo (somente eLearning).
Este curso está disponível online como parte de um Kit de Estudo eLearning
Este curso está disponível online como parte de um Kit de Estudo eLearning

Módulo 14

14

Inteligência Artificial Avançada

Este curso cobre uma série de práticas para preparar e trabalhar com dados para treinar e executar sistemas neurais e de IA contemporâneos redes. Além disso, fornece técnicas para projetar e otimizar redes neurais, incluindo abordagens para medição e ajuste desempenho do modelo de rede neural. As práticas e técnicas são documentados como padrões de design que podem ser aplicados individualmente ou em combinações diferentes para abordar uma variedade de sistemas de IA comuns problemas e requisitos. Os padrões são posteriormente mapeados para abordagens de aprendizagem, áreas funcionais e tipos de rede neural que foram apresentados no Módulo 11: Inteligência Artificial Fundamental.

Os principais tópicos abrangidos são:

  • Padrões de Wrangling de Dados para Preparação de Dados para Entrada de Rede Neural;
  • Codificação de recurso para conversão de recursos categóricos;
  • Imputação de recursos para inferir valores de recursos;
  • Escalonamento de recursos para conjuntos de dados de treinamento com amplos recursos;
  • Representação de texto para converter dados enquanto preserva a semântica

e propriedades sintáticas;

  • Redução de dimensionalidade para reduzir o espaço de recursos para Entrada de rede neural;
  • Padrões de aprendizagem supervisionada para treinamento de modelos de rede neural;
  • Configuração de rede supervisionada para estabelecer o número de Neurônios em camadas de rede;
  • Identificação de imagem para usar uma rede neural convolucional;
  • Identificação de sequência para usar uma memória de longo prazo Rede neural;
  • Padrões de aprendizagem não supervisionados para o treinamento de modelos de rede neural;
  • Identificação de padrões para identificar visualmente padrões por meio de um self Organizando Mapa;
  • Filtragem de conteúdo para geração de recomendações;
  • Padrões de avaliação de modelo para medir o desempenho da rede neural;
  • Avaliação de desempenho de treinamento para avaliação neural em Desempenho da rede;
  • Avaliação de desempenho de previsão para rede neural de previsão em Desempenho na Produção;
  • Modelagem de linha de base para avaliação e comparação complexa de Redes neurais;
  • Padrões de otimização de modelo para refinamento e adaptação de Redes neurais;
  • Prevenção de sobre ajuste para ajustar uma rede neural;
  • Reciclagem frequente do modelo para manter uma rede neural em sincronia com Dados Atuais;
  • Transferência de aprendizagem para acelerar o treinamento da rede neural.

Conteúdos

Este curso está disponível como parte de um Kit de Estudo da Arcitura em formatos impressos e de eLearning. Além dos materiais base do curso utilizados durante as oficinas de treinamento, materiais adicionais criados para fins de auto estudo também estão inclusos.

  • Livro de exercícios;
  • Guia de preparação para exames;
  • Cartaz do mapa mental;
  • Pôster: Redes Neurais e Mapeamento de Padrões de Projeto;
  • Pôster: Tipos de Problemas e Mapeamento de Padrões de Projeto;
  • Pôster: Práticas e Mapeamento de Padrões de Projeto;
  • Flashcards;
  • Aulas em vídeo (somente eLearning).
Este curso está disponível online como parte de um Kit de Estudo eLearning
Este curso está disponível online como parte de um Kit de Estudo eLearning

EXAME DE APROVAÇÃO

Para obter a Certificação DT90.DAT: Digital Transformation Data Scientist, é necessário ter feito os exames DT90.SPC: Digital Transformation Specialist, DT90.DAT: Digital Transformation Data Science Professional e DT90.DAT: Digital Transformation Data Scientist, com notas de aprovação. Para mais informações, visite www.arcitura.com/digital-transformation-data-scientist.

Saiba mais sobre como agendar esse exame em um centro de testes da Pearson VUE ou por entrega por meio do Proctoring on-line da Pearson VUE, visitando www.pearsonvue.com/arcitura.

Este exame pode estar disponível para entrega no local e supervisão (proctoring) por um instrutor certificado da Arcitura em workshops abertos e privados autorizados. Workshops abertos que incluem supervisão de exames no local estão listados na página Calendário do Workshop.

Image

Os exames aprovados com uma nota 10 ou mais pontos percentuais maior do que a nota de aprovação são considerados aprovados com menção honrosa.

Instituto Brasília de Tecnologia e Inovação - IBTI
Parque Tecnológico de Brasília Lote 04, Bloco B, 1º Andar 70.635-815 Brasília - DF

Pesquisar

+55 (61) 3045-2600
Instituto Brasília de Tecnologia e Inovação - IBTI
Parque Tecnológico de Brasília,
Lote 04, Bloco B, 1º Andar
70.635-815 Brasília/DF - Brasil

IBTI