Análise de Dados: 3.1. Conceitos Fundamentais de Análise de Dados: Diferença entre dados estruturados, semiestruturados e não estruturados.
Banco de Dados: 2.1. Modelagem e Administração de Banco de Dados: Modelagem de dados: modelo entidade-relacionamento, normalização. Diagramas de entidade relacionamento (DER).
2.2. Linguagem SQL: Comandos DDL (Data Definition Language) e DML (Data Manipulation Language). Consultas avançadas: JOIN, subconsultas, agregações, funções de janela. Criação e gerenciamento de índices, visões e procedimentos armazenados (stored procedures).
Administração de banco de dados: backup, restauração, tuning e segurança. Controle de concorrência e integridade dos dados. (Parte 1)
Administração de banco de dados: backup, restauração, tuning e segurança. Controle de concorrência e integridade dos dados. (Parte 2)
Administração de banco de dados: backup, restauração, tuning e segurança. Controle de concorrência e integridade dos dados. (Parte 3)
2.3. Bancos de Dados Relacionais: Conceitos de bancos de dados relacionais (PostgreSQL).
2.3. Bancos de Dados Relacionais: Conceitos de bancos de dados relacionais (MySQL).
2.3. Bancos de Dados Relacionais: Conceitos de bancos de dados relacionais (Oracle).
4.2. Data Warehousing: Conceitos de data warehouse e data mart. ETL para data warehouses. Qualidade de dados: limpeza, consistência e transformação de dados. 3.2. Processamento e Manipulação de Dados: Extração, Transformação e Carga (ETL). Integração de dados de diferentes fontes.
Modelagem multidimensional: cubos OLAP, esquemas estrela e floco de neve.
3.4. Mineração de Dados (Data Mining): Conceitos e técnicas: clustering, classificação, regressão e associação. Algoritmos de mineração de dados: K-means, árvores de decisão, redes neurais, SVM. Análise preditiva e padrões em grandes volumes de dados. Big Data e Data Warehousing: 4.1. Big Data: Conceitos de Big Data: volume, variedade, velocidade, veracidade e valor. Conceitos de Big Data e volume de dados.
Tecnologias de Big Data: Hadoop, Spark, HBase. Ferramentas de armazenamento e processamento de dados massivos.
Bancos de dados NoSQL: conceitos e uso (MongoDB, Cassandra).
Machine Learning e Inteligência Artificial: 5.1. Fundamentos de Machine Learning: Algoritmos de aprendizado supervisionado e não supervisionado. Algoritmos comuns: regressão linear e logística, árvores de decisão, KNN, SVM. Conceitos de overfitting e underfitting.
5.2. Aplicação de Modelos Preditivos: Construção, avaliação e validação de modelos preditivos. Métricas de avaliação de modelos: precisão, recall, F1-score, matriz de confusão.
5.3. Redes Neurais e Deep Learning: Conceitos de redes neurais artificiais. Redes neurais convolucionais e recorrentes. Aplicações de deep learning para análise de grandes volumes de dados.
