Curso de Banco de dados para DataPrev

Aula demo

BANCO DE DADOS: 1 Modelagem de dados (conceitual, lógica e física). 2 Abordagem relacional. 3 Normalização das estruturas de dados. 4 Integridade referencial. 5 Metadados. 10 SGBD. 11 Propriedades de banco de dados. (Parte 1)

Baixar

Aula 01 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

BANCO DE DADOS: 1 Modelagem de dados (conceitual, lógica e física). 2 Abordagem relacional. 3 Normalização das estruturas de dados. 4 Integridade referencial. 5 Metadados. 10 SGBD. 11 Propriedades de banco de dados. (Parte 2)

Baixar

Aula 02 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

7 Linguagem de consulta estruturada (SQL). 8 Linguagem de definição de dados (DDL). 9 Linguagem de manipulação de dados (DML).

Baixar

Aula 03 - Prof. Thiago Cavalcanti

Disponível

13 Banco de dados em memória.

Baixar

Aula 04 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

5 ETL.

Baixar

Aula 05 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

6 Modelagem dimensional.

Baixar

Aula 06 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

11 Mineração de Dados. 14 Data lakes e soluções para big data.

Baixar

Aula 07 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

12 Banco de dados NoSQL.

Baixar

Aula 08 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

3 Apache Hadoop e Apache Spark.

Baixar

Aula 09 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

4 Machine Learning aplicado. Noções de visão computacional com CNN. Classificação de imagens e detecção de objetos. Noções de processamento de linguagem natural. 9 Visão computacional.

Baixar

Aula 10 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

1 Aprendizado supervisionado: Regressão e Classificação. Métricas de avaliação. Overfitting e underfitting de modelos. Regularização. Seleção de modelos. Validação cruzada. Conjunto de treino, validação e teste. Trade off entre variância e viés. Regressão Linear e Regressão Logística. Árvores de Decisão e random forests. SVM. K-NN. 2 Aprendizado não-supervisionado: Redução de dimensionalidade: PCA. K-Means. Mistura de Gaussianas. Regras de Associação. 7 Inteligência artificial. 7.2 Aprendizado de máquina. 7.2.1 Técnicas de classificação. 7.2.2 Técnicas de regressão. 7.2.3 Técnicas de agrupamento. 7.2.4 Técnicas de redução de dimensionalidade. 7.2.5 Técnicas de associação. 7.2.6 Sistemas de recomendação.

Baixar

Aula 11 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

3 Redes neurais artificiais: Definições e arquitetura. Funções de ativação. Otimização: método do gradiente, método do gradiente estocástico e backpropagation. Métodos de regularização: penalização com normas L1 e L2. CNN. 10 Deep learning.

Baixar

Aula 12 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

6 Manipulação, tratamento e visualização de dados.

Baixar

Aula 13 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

8 Processamento de linguagem natural (PLN).

Baixar

Aula 14 - Prof. Felipe Mathias e Emannuelle Gouveia

Disponível

12 Ferramenta SAS.