1 Dado, informação, conhecimento e inteligência. 2 Dados estruturados e não estruturados. 3 Dados abertos: coleta, tratamento, armazenamento, integração e recuperação de dados. 2 Banco de dados 2.1 Conceitos básicos. 2.2 Arquitetura. 2.3 Estrutura de dados. 2.4 Abordagem relacional. 2.5 Normalização das estruturas de dados. 2.6 Integridade referencial. 2.7 Metadados. 2.14 Modelagens de dados. 2.14.1 Relacional. 7 Modelagem de dados. Modelo entidade-relacionamento. (Parte 1)
1 Dado, informação, conhecimento e inteligência. 2 Dados estruturados e não estruturados. 3 Dados abertos: coleta, tratamento, armazenamento, integração e recuperação de dados. 2 Banco de dados 2.1 Conceitos básicos. 2.2 Arquitetura. 2.3 Estrutura de dados. 2.4 Abordagem relacional. 2.5 Normalização das estruturas de dados. 2.6 Integridade referencial. 2.7 Metadados. 2.14 Modelagens de dados. 2.14.1 Relacional. 7 Modelagem de dados. Modelo entidade-relacionamento. (Parte 2)
2.9 Linguagem de consulta estruturada (SQL – ANSI). 2.10 Linguagem de definição de dados (DDL). 2.11 Linguagem de manipulação de dados (DML).
2.12 Administração de dados e de banco de dados. 2.16 Backup. (Parte 1)
2.12 Administração de dados e de banco de dados. 2.16 Backup. (Parte 2)
2.13 Administração e conhecimento de SGBD. 2.13.1 MySQL, PostgreSQL e Microsoft SQLServer 2019. 2.13.2 Características de um SGBD. (MySQL)
2.13 Administração e conhecimento de SGBD. 2.13.1 MySQL, PostgreSQL e Microsoft SQLServer 2019. 2.13.2 Características de um SGBD. (PostgreSQL)
2.13 Administração e conhecimento de SGBD. 2.13.1 MySQL, PostgreSQL e Microsoft SQLServer 2019. 2.13.2 Características de um SGBD. (SQLServer)
2.15 Arquitetura de inteligência de negócio. 2.15.1 Business intelligence, data warehouse, data mart, data lake, data mesh. 4 Processos ETL e ELT. tratamento de dados. 23 Normalização numérica; discretização. 24 Tratamento de dados ausentes. 25 Tratamento de outliers e agregações. 26 Tratamento de dados categóricos.
2.8 Modelagem dimensional. OLAP. 18 Operações OLAP. 18.1 Técnica de modelagem dimensional e otimização de bases de dados para BI.
51 Descoberta de conhecimento e mineração de dados. 51.1 Conceitos básicos do processo de descoberta de conhecimento em bancos de dados (KDD). 51.2 Metodologia de KDD. 51.3 Métodos de data mining. 51.5 Mineração de dados: classificação, regressão, detecção de agrupamentos, descoberta de regras de associação, sumarização, modelagem de dependências, detecção de tendências e exceções. 51.6 Visualização de Dados. 19 Processamento de dados: processamento massivo e paralelo. 20 Processamento em lote e em tempo real; exploração de dados; conceitos e características. 21 Noções do modelo CRISP-DM, técnicas para pré-processamento de dados, mineração de dados: classificação, regras de associação, análise de agrupamentos (clusterização), detecção de anomalias. 22 Modelagem preditiva;
43 Big data. 43.1 Fundamentos e tipos de dados. 43.2 Arquitetura. 43.3 Pipeline de dados. Armazenamento de big data. 44 Processamento distribuído. (Parte 1)
43 Big data. 43.1 Fundamentos e tipos de dados. 43.2 Arquitetura. 43.3 Pipeline de dados. Armazenamento de big data. 44 Processamento distribuído. (Parte 2)
12 Conceitos de banco de dados NoSQL (orientado a colunas, a grafos e a documentos).
45 Soluções para big data; business intelligence. 45.1 Processo de coleta, organização, análise e compartilhamento de informações. 45.2 Construção de relatórios e dashboards interativos (Power BI).
52 Visão computacional: técnicas de pré-processamento de imagem, OCR, segmentação e extração de características de imagens, detecção, segmentação e reconhecimento de objetos e classificação de imagens. [Assunto também abordado no curso de Inteligência Artificial]
49 Aprendizado de máquina. 49.1 Tipos de aprendizado de máquina: aprendizado supervisionado, aprendizado não supervisionado. 49.2 Algoritmos de aprendizado de máquina: regressão (KNN, SVM [SVR]), árvores de decisão, redes neurais, máquinas de vetor de suporte (SVM) e algoritmos de agrupamento (K-means). 29 Modelos lineares, árvores de decisão. 30 Classificador naive Bayes.
40 Redes neurais. Redes neurais feed-forward.
31 Processamento de linguagem natural (PLN): semântica vetorial. 32 Redução de dimensionalidade. 33 Modelagem de tópicos latentes. 34 Classificação de textos. 35 Análise de sentimentos. 36 Representações com n-gramas. 37 Deep learning. 38 Chatbots. 39 Grandes modelos de linguagem (LLM).
28 Fontes de erro em modelos preditivos. 28.1 Validação e avaliação de modelos preditivos. 28.2 Overfitting, underfitting, overfitting e técnicas de regularização. 28.3 Otimização de hiperparâmetros, separabilidade de dados, redução da dimensionalidade.
51.4 Pré-processamento de dados.
46 Governança de dados: conceitos, princípios e componentes da governança de dados; visão geral do guia DAMA-DMBOK. 47 Qualidade de dados. 47.1 Conceitos, boas práticas e dimensões da qualidade de dados. 47.2 Principais técnicas (profiling, matching, deduplicação, data cleansing, enriquecimento). 47.3 Catálogo de dados e gerenciamento de metadados.
