Descrição do Curso

  • Por que aprender Data Science com Python?

  • Quais são os objetivos do curso?

    O curso Data Science with Python fornecerá a você um conhecimento profundo das várias bibliotecas e pacotes necessários para executar a análise de dados, visualização de dados, captura da Web, aprendizado de máquina e processamento de linguagem natural usando o Python. Com esse curso do Data Science com Python, você aprenderá a trabalhar com pacotes Python como o PROC SQL e vários procedimentos estatísticos como o PROC UNIVARIATE, o PROC MEANS, o PROC FREQ e o PROC CORP, além de técnicas avançadas de análise, como clustering, decisão árvore e regressão.

    O curso Python for Data Science é repleto de projetos da vida real focados na segmentação de clientes, chamadas macro, análise de atrito e análise de varejo, além de demonstrações e estudos de caso para oferecer experiência prática na instalação e no trabalho no ambiente Python.

    O Python ultrapassou o Java como a principal linguagem usada para apresentar aos estudantes dos EUA a programação e a ciência da computação, e 46% dos trabalhos em ciências da computação listam o Python como uma habilidade necessária.

  • Quais habilidades você aprenderá?

    Este curso de treinamento em Python para Data Science permitirá que você:
    Obtenha uma compreensão profunda dos processos de ciência de dados, disputas de dados, exploração de dados, visualização de dados, criação de hipóteses e testes. Você também aprenderá o básico das estatísticas.
    Instale o ambiente Python requerido e outras ferramentas e bibliotecas auxiliares
    Compreender os conceitos essenciais da programação em Python, como tipos de dados, tuplas, listas, canais, operadores básicos e funções
    Realize computação matemática de alto nível usando o pacote NumPy e sua grande biblioteca de funções matemáticas
    Realize computação científica e técnica usando o pacote SciPy e seus subpacotes como Integrate, Optimize, Statistics, IO e Weave
    Realizar análise e manipulação de dados usando estruturas de dados e ferramentas fornecidas no pacote Pandas
    Obtenha experiência em aprendizado de máquina usando o pacote Scikit-Learn
    Obter uma compreensão aprofundada da aprendizagem supervisionada e modelos de aprendizagem não supervisionados, como regressão linear, regressão logística, clustering, redução de dimensionalidade, K-NN e pipeline
    Use o pacote Scikit-Learn para processamento de linguagem natural
    Use a biblioteca matplotlib do Python para visualização de dados
    Extrair dados úteis de sites executando o scrap da web usando Python
    Integre o Python ao Hadoop, Spark e MapReduce

  • Quem deve fazer este curso de Python for Data Science?

    Há uma demanda crescente por cientistas de dados qualificados em todos os setores que tornam esse curso adequado para participantes de todos os níveis de experiência. Recomendamos este treinamento em Data Science com Python especialmente para os seguintes profissionais:
    Profissionais de análise que desejam trabalhar com o Python
    Profissionais de software que buscam entrar no campo da análise
    Profissionais de TI interessados ​​em seguir carreira em analítica
    Graduados que buscam construir uma carreira em análise e ciência de dados
    Profissionais experientes que gostariam de aproveitar a ciência de dados em seus campos
    Qualquer pessoa com um interesse genuíno no campo da ciência de dados

    Pré-requisitos: Não há pré-requisitos para este curso do Data Science com Python. O curso básico do Python incluído neste programa fornece orientação adicional de codificação.

  • Quais projetos estão incluídos neste curso de certificação em Python para Data Science?

    O curso inclui quatro projetos reais baseados no setor. A avaliação bem-sucedida de um dos seguintes projetos faz parte dos critérios de elegibilidade da certificação:

    Projeto 1: Análise de solicitação de serviço de NYC 311
    Telecomunicação: Realize uma análise de dados de solicitação de serviço das chamadas 311 de Nova York. Você se concentrará em técnicas de manipulação de dados para entender padrões nos dados e visualizar os principais tipos de reclamações.

    Projeto 2: análise do conjunto de dados do MovieLens
    Engenharia: O Projeto de Pesquisa GroupLens é um grupo de pesquisa no Departamento de Ciência da Computação e Engenharia da Universidade de Minnesota. Os pesquisadores deste grupo estão envolvidos em vários projetos de pesquisa nas áreas de filtragem de informações, filtragem colaborativa e sistemas de recomendação. Aqui, pedimos que você faça uma análise usando a técnica Análise de Dados Exploratórios para conjuntos de dados do usuário.

    Projeto 3: Análise de Dados do Mercado de Ações
    Mercado de ações: Como parte deste projeto, você importará dados usando o leitor de dados do Yahoo das seguintes empresas: Yahoo, Apple, Amazon, Microsoft e Google. Você executará análises fundamentais, incluindo plotagem, preço de fechamento, plotagem de negociação de ações por volume, análise de retorno diário e uso de gráfico de pares para mostrar a correlação entre todos os estoques.

    Projeto 4: Análise do Conjunto de Dados Titânico
    Perigo: Em 15 de abril de 1912, o Titanic afundou após colidir com um iceberg, matando 1502 de 2224 passageiros e tripulantes. Essa tragédia chocou o mundo e levou a melhores normas de segurança para os navios. Aqui, pedimos que você faça uma análise usando a técnica de análise exploratória de dados, em particular aplicando ferramentas de aprendizado de máquina para prever quais passageiros sobreviveram à tragédia.

Prévia do curso

    • Lição 00 - Visão Geral do Curso 04:34
      • 0.1 Visão geral do curso 04:34
    • Lição 01 - Visão geral da ciência de dados 20:27
      • 1.1 Introdução à Ciência de Dados 08:42
      • 1.2 Setores Diferentes Usando Data Science 05:59
      • 1.3 Propósito e Componentes do Python 05:02
      • 1.4 Quiz
      • 1.5 Principais Reminiscências 00:44
    • Lição 02 - Visão geral da análise de dados 18:20
      • 2.1 Processo de Análise de Dados 07:21
      • 2.2 Teste de Conhecimento
      • 2.3 Análise Exploratória de Dados (EDA)
      • 2.4 Técnico EDA Quantitativo
      • 2.5 EDA - Técnica Gráfica 00:57
      • 2.6 Conclusão ou Previsões da Análise de Dados 04:30
      • 2.7 Comunicação de Análise de Dados 02:06
      • 2.8 Tipos de Dados para Plotagem
      • 2.9 Tipos de Dados e Plotagem 02:29
      • 2.10 Verificação de Conhecimento
      • 2.11 Questionário
      • 2.12 Principais Remoções 00:57
    • Lição 03 - Análise Estatística e Aplicações de Negócios 23:53
      • 3.1 Introdução às Estatísticas 01:31
      • 3.2 Análise Estatística e Não Estatística
      • 3.3 Principais Categorias de Estatísticas 01:34
      • 3.4 Considerações sobre análise estatística
      • 3.5 População e Amostra 02:15
      • 3.6 Processo de Análise Estatística
      • 3.7 Distribuição de Dados 01:48
      • 3.8 Dispersão
      • 3.9 Teste de Conhecimento
      • 3,10 Histograma 03:59
      • 3.11 Verificação de Conhecimento
      • 3.12 Teste 08:18
      • 3.13 Verificação de Conhecimento
      • 3.14 Estatísticas de Correlação e Inferencial 02:57
      • 3,15 Questionário
      • 3.16 Principais Remoções 01:31
    • Lição 04 - Configuração e Essenciais do Ambiente Python 23:58
      • 4.1 Anaconda 02:54
      • 4.2 Instalação do Anaconda Python Distribution (continuação)
      • 4.3 Tipos de Dados com Python 13:28
      • 4.4 Operadores e Funções Básicas 06:26
      • 4.5 Quiz
      • 4.6 Principais Sugestões 01:10
    • Lição 05 - Computação Matemática com Python (NumPy) 30:31
      • 5.1 Introdução ao Numpy 05:30
      • 5.2 Atividade-Sequence it Right
      • 5.3 Demo 01-Criando e imprimindo um ndarray 04:50
      • 5.4 Teste de Conhecimento
      • 5.5 Classe e Atributos do Ndarray
      • 5.6 Operações Básicas 07:04
      • 5.7 Atividade-Slice It
      • 5.8 Copiar e visualizar
      • 5.9 Funções Matemáticas de Numpy 05:01
      • 5.10 Tarefa 01
      • 5.11 Assignment 01 Demo 03:55
      • 5.12 Tarefa 02
      • 5.13 Tarefa 02 Demo 03:16
      • 5,14 Questionário
      • 5.15 principais descobertas 00:55
    • Lição 06 - Computação Científica com Python (Scipy) 23:35
      • 6.1 Introdução ao SciPy 06:57
      • 6.2 Subpacote SciPy - Integração e Otimização 05:51
      • 6.3 Teste de Conhecimento
      • 6.4 Sub pacote SciPy
      • 6.5 Demo - Calcular autovalores e autovetores 01:36
      • 6.6 Verificação de Conhecimento
      • 6.7 Sub Pacote SciPy - Estatísticas, Weave e IO 05:46
      • 6.8 Atribuição 01
      • 6.9 Assignment 01 Demo 01:20
      • 6.10 Tarefa 02
      • 6.11 Tarefa 02 Demo 00:55
      • 6,12 Quiz
      • 6.13 Principais Remoções 01:10
    • Lição 07 - Manipulação de Dados com Pandas 47:34
      • 7.1 Introdução aos Pandas 12:29
      • 7.2 Teste de Conhecimento
      • 7.3 Compreendendo o DataFrame 05:31
      • 7.4 Visualizar e Selecionar Demonstração de Dados 05:34
      • 7.5 Valores Ausentes 03:16
      • 7.6 Operações de Dados 09:56
      • 7.7 Verificação de Conhecimento
      • 7.8 Suporte para leitura e gravação de arquivos 00:31
      • 7.9 Verificação de Conhecimento - Sequence it Right
      • 7.10 Operação Pandas Sql 02:00
      • 7.11 Tarefa 01
      • 7.12 Assignment 01 Demo 04:09
      • 7.13 Tarefa 02
      • 7.14 Tarefa 02 Demo 02:34
      • 7,15 Quiz
      • 7.16 Principais Remoções 01:34
    • Lição 08 - Aprendizado de Máquina com o Scikit – Learn 1:02:10
      • 8.1 Aprendizado de Aprendizado de Máquina 03:57
      • 8.2 Passos 1 e 2 01:00
      • 8.3 Passos 3 e 4
      • 8.4 Como Funciona 01:24
      • 8.5 Passos 5 e 6 01:54
      • 8.6 Considerações sobre o modelo de aprendizado supervisionado 00:30
      • 8.7 Verificação de conhecimento
      • 8,8 Scikit-Learn 02:10
      • 8.9 Verificação de Conhecimento
      • 8.10 Modelos de Aprendizagem Supervisionados - Regressão Linear 11:19
      • 8.11 Modelos de Aprendizagem Supervisionados - Regressão Logística 08:43
      • 8.12 Modelos de Aprendizagem Não Supervisionados 10:40
      • 8,13 Pipeline 02:37
      • 8.14 Persistência e Avaliação de Modelos 05:45
      • 8.15 Verificação de Conhecimento
      • 8.16 Tarefa 01
      • 8.17 Tarefa 01 05:45
      • 8.18 Tarefa 02
      • 8.19 Tarefa 02 05:14
      • 8,20 Quiz
      • 8.21 Principais Remoções 01:12
    • Lição 09 - Processamento de Linguagem Natural com o Scikit Learn 49:03
      • 9.1 Visão Geral da PNL 10:42
      • 9.2 Aplicativos de PNL
      • 9.3 Verificação de conhecimento
      • 9.4 Bibliotecas de PNL-Scikit 12:29
      • 9.5 Considerações sobre extração
      • 9.6 Scikit Learn-Model Treinamento e pesquisa de grade 10:17
      • 9.7 Tarefa 01
      • 9.8 Atribuir Demo 01 06:32
      • 9.9 Tarefa 02
      • 9.10 Atribuição Demo 02 08:00
      • 9,11 Quiz
      • 9.12 Principal Takeaway 01:03
    • Lição 10 - Visualização de dados em Python usando o matplotlib 32:46
      • 10.1 Introdução à visualização de dados 08:02
      • 10.2 Teste de Conhecimento
      • 10.3 Propriedades da Linha
      • 10.4 (x, y) Gráfico e subenredos 10:01
      • 10.5 Teste de Conhecimento
      • 10.6 Tipos de parcelas 09:34
      • 10.7 Tarefa 01
      • 10.8 Assignment 01 Demo 02:23
      • 10.9 Tarefa 02
      • 10.10 Tarefa 02 Demo 01:47
      • 10.11 Questionário
      • 10.12 Principais Remoções 00:59
    • Lição 11 - Web Scraping com BeautifulSoup 52:27
      • 11.1 Captura e análise da Web 12:50
      • 11.2 Verificação de conhecimento
      • 11.3 Entendendo e Pesquisando a Árvore 12:56
      • 11.4 Opções de navegação
      • 11.5 Demo3 Navegando em uma árvore 04:22
      • 11.6 Teste de Conhecimento
      • 11.7 Modificando a árvore 05:38
      • 11.8 Análise e impressão do documento 09:05
      • 11.9 Tarefa 01
      • 11.10 Tarefa 01 Demo 01:55
      • 11.11 Tarefa 02
      • 11.12 Assignment 02 demo 04:57
      • 11,13 Questionário
      • 11.14 Principais tópicos 00:44
    • Lição 12 - Integração do Python com o Hadoop MapReduce and Spark 40:39
      • 12.1 Por que soluções de Big Data são fornecidas para o Python 04:55
      • 12.2 Componentes Principais do Hadoop
      • 12.3 Integração do Python com o HDFS usando o Hadoop Streaming 07:20
      • 12.4 Demo 01 - Usando o Hadoop Streaming para calcular a contagem de palavras 08:52
      • 12.5 Verificação de conhecimento
      • 12.6 Integração do Python com o Spark usando o PySpark 07:43
      • 12.7 Demo 02 - Usando o PySpark para determinar a contagem de palavras 04:12
      • 12.8 Verificação de conhecimento
      • 12.9 Tarefa 01
      • 12.10 Tarefa 01 Demo 02:47
      • 12.11 Tarefa 02
      • 12.12 Assignment 02 Demo 03:30
      • 12,13 Questionário
      • 12.14 Principais tópicos 01:20
    • Projeto 1 18:36
      • Análise de dados do mercado de ações do projeto 1 18:36
    • Projeto 2 20:06
      • Projeto 02
      • Projeto principal 02 20:06
    • Feedback do Curso
      • Feedback do Curso
    • Lição 00 - Visão Geral do Curso 04:44
      • 0.1 Introdução 00:13
      • 0,2 Ofertas 00:07
      • 0.3 Objetivos do Curso 00:29
      • 0.4 Visão Geral do Curso 00:21
      • 0,5 Público alvo 00:27
      • 0,6 Pré-requisitos do curso 00:11
      • 0.7 Necessidade de Python 00:49
      • 0,8 Python vs. Resto Outros Idiomas 00:25
      • 0,9 Valor para os profissionais 00:16
      • 0,10 Valor para os Profissionais (cont.) 00:31
      • 0.11 Valor para os profissionais (cont.) 00:24
      • 0.12 Lições Cobertas 00:23
      • 0,13 Conclusão 00:08
    • Lição 01 - Introdução ao Python 28:15
      • 1.1 Introdução 00:12
      • 1.2 Objetivos 00:16
      • 1.3 Uma Introdução ao Python 01:27
      • 1.4 Recursos do Python 00:44
      • 1.5 A História do Python 00:27
      • 1,6 Lançamentos 00:33
      • 1.7 Instalação em Máquinas Baseadas em Ubuntu 01:00
      • 1.8 Instalação no Windows 00:59
      • 1.9 Demo-Install e Run Python 00:08
      • 1.10 Demo-Install e Run Python 14:17
      • 1.11 Exemplo de um programa Python 01:08
      • 1.12 Modos de Python 00:27
      • 1.13 Modo de Script em Lote 00:29
      • 1.14 Demo-Run Python no Modo Lote 00:05
      • 1.15 Python de demonstração no modo batch 01:14
      • 1.16 Modo Interpretador 00:46
      • 1.17 Demo-Run Python no modo de intérprete 00:05
      • 1.18 Python de Demo-Run no Modo Interpretador 00:31
      • 1.19 Recuo em Python 00:49
      • 1.20 Recuo em Python (continuação) 00:26
      • 1.21 Escrevendo comentários em Python 01:06
      • 1.22 Cenário Empresarial 00:23
      • 1.23 Questionário
      • 1.24 Resumo 00:33
      • 1,25 Conclusão 00:10
    • Lição 02 - Tipos de dados do Python 19:34
      • 2.1 Tipos de Dados Python 00:10
      • 2.2 Objetivos 00:18
      • 2.3 Variáveis 00:52
      • 2.4 Tipos de Variáveis 01:09
      • 2.5 Tipos de Variáveis-String 01:07
      • 2.6 Tipos de Variáveis ​​- Tipos Numéricos 00:34
      • 2.7 Tipos de Variáveis-Variáveis ​​Booleanas 00:34
      • 2.8 Tipos de Variáveis-Variáveis ​​Booleanas (cont.) 00:35
      • 2.9 Tipos de Variáveis-List 00:24
      • 2.10 Adicionando Elementos a uma Lista 00:48
      • 2.11 Acessando os elementos de uma lista 01:09
      • 2.12 Tipos de Variáveis-Dictionary 00:30
      • 2.13 Adicionando Elementos a um Dicionário 00:50
      • 2.14 Acessando os elementos de um dicionário 00:12
      • 2.15 Métodos do Dicionário 00:32
      • 2.16 Métodos de Dicionário (continuação) 00:30
      • 2.17 Operadores 00:21
      • 2.18 Opeatores (continuação) 00:10
      • 2.19 Operadores Lógicos 00:44
      • 2.20 Operadores Lógicos (cont.) 00:47
      • 2.21 Operadores Lógicos (cont.) 00:39
      • 2.22 Operações aritméticas em valores numéricos 00:58
      • 2.23 Ordem dos Operandos 01:03
      • 2.24 Operadores em cadeias 01:03
      • 2.25 Comparação de Variáveis 01:06
      • 2.26 Comparação de Variáveis ​​(continuação) 01:05
      • 2.27 Comparação de Variáveis ​​(continuação) 00:33
      • 2,28 Questionário
      • 2.29 Resumo 00:41
      • 2,30 Conclusão 00:10
    • Lição 03 - Declarações de Controle 09:27
      • 3.1 Introdução 00:10
      • 3.2 Objetivos 00:13
      • 3.3 Passar Declarações 00:15
      • 3.4 Declarações Condicionais 00:45
      • 3.5 Tipos de declarações condicionais 00:18
      • 3.6 Se Declarações 00:28
      • 3.7 Se… Outras Declarações 00:49
      • 3.8 Se… Mais se declarações 01:06
      • 3.9 Se… Else If… Else Statements 00:18
      • 3.10 Aninhado Se Declarações 00:38
      • 3.11 Demo-Use "If… Else" Statement 00:05
      • 3.12 Demo-Use "If… Else" Statement 02:12
      • 3.13 Em cláusula 00:56
      • 3.14 Operadores Ternários 00:44
      • 3,15 Questionário
      • 3.16 Resumo 00:21
      • 3.17 Conclusão 00:09
    • Lição 04 - Loops 08:10
      • 4.1 Introdução 00:10
      • 4.2 Objetivos 00:12
      • 4.3 Loops em Python 00:37
      • 4,4 Função Range 00:28
      • 4,5 para loop 00:35
      • 4.6 For Loop (continuação) 00:23
      • 4.7 While Loop 00:35
      • 4.8 Loop Aninhado 00:50
      • 4.9 Loops de criação de demonstração 00:05
      • 4.10 Loops de criação de demonstração 02:21
      • 4.11 Declarações de Interrupção 00:48
      • 4.12 Continuar declarações 00:36
      • 4,13 Questionário
      • 4.14 Resumo 00:22
      • 4.15 Conclusão 00:08
    • Lição 05 - Funções 09:27
      • 5.1 Introdução 00:10
      • 5.2 Objetivos 00:13
      • 5.3 Introdução às Funções 00:49
      • 5.4 Criando Funções 00:49
      • 5.5 Chamando Funções 00:43
      • 5.6 Argumentos e Declaração de Retorno 01:28
      • 5.7 Argumentos de Comprimento Variável 00:53
      • 5.8 Argumentos de Comprimento Variável (continuação) 00:33
      • 5.9 Recursão 00:43
      • 5.10 Demo-Create a Function 00:05
      • 5.11 Demo-Create a Function 02:19
      • 5,12 Questionário
      • 5.13 Resumo 00:33
      • 5.14 Conclusão 00:09
    • Lição 06 - Classes 11:23
      • 6.1 Introdução 00:10
      • 6.2 Objetivos 00:14
      • 6.3 Classes 01:39
      • 6.4 Objetos 00:33
      • 6.5 Criando uma Classe Básica 00:35
      • 6.6 Acessando Variáveis ​​de uma Classe 00:39
      • 6.7 Adicionando Funções a uma Classe 00:40
      • 6.8 Atributos de Classe Internos 00:37
      • 6.9 Função Init 00:38
      • 6.10 Exemplo de definição e uso de uma classe 00:42
      • 6.11 Exemplo de Definição e Uso de uma Classe (cont.) 00:27
      • 6.12 Demo-Create a Class 00:05
      • 6.13 Demo-Create a Class 03:34
      • 6,14 Quiz
      • 6.15 Resumo 00:40
      • 6.16 Conclusão 00:10
    • Lição 07 - Importações e Módulos 12:01
      • 7.1 Introdução 00:11
      • 7.2 Objetivos 00:16
      • 7.3 Módulos 00:54
      • 7.4 Criando Módulos 00:18
      • 7.5 Usando Módulos 00:14
      • 7.6 Usando Módulos (continuação) 01:10
      • 7.7 Usando módulos (continuação) 00:27
      • 7.8 Usando módulos (continuação) 00:26
      • 7.9 Pesquisa do Módulo Interpretador do Python 00:57
      • 7.10 Demo-Create e Importar um Módulo 00:06
      • 7.11 Demo-Create e Importar um Módulo 02:24
      • 7.12 Namespace e escopo 00:57
      • 7.13 Função Dir () 00:29
      • 7.14 Função Dir () (cont.) 00:23
      • 7.15 Funções globais e locais 00:31
      • 7.16 Recarregar um módulo 00:48
      • 7.17 Pacotes em Python 00:46
      • 7,18 Quiz
      • 7.19 Resumo 00:34
      • 7.20 Conclusão 00:10
    • Estatística Essencial para Ciência de Dados 30:50
      • Estatísticas para Data Science 30:50
    • {{childObj.title}}
      • {{childObj.childSection.chapter_name}}
        • {{lesson.title}}
      • {{lesson.title}}

    View More

    View Less

Exame e certificação FREE PRACTICE TEST

  • Como ganho meu certificado Simplilearn?

    Para se tornar um Certified Data Scientist com Python, você deve preencher os seguintes critérios:
    • Conclua um projeto dos dois fornecidos no curso. Envie os resultados do projeto no LMS que serão avaliados pelo nosso treinador principal
    • Pontuação um mínimo de 60% em qualquer um dos dois testes de simulação
    • Complete 85% do curso
    • Participe de um lote completo.

    Nota: Depois de concluir o curso, você receberá um certificado de experiência de três meses para implementar os projetos usando o Python. É obrigatório que você cumpra os critérios (conclusão de qualquer projeto e passe no exame on-line com pontuação mínima de 60%) para se tornar um cientista de dados certificado.

Rever

Jatin Alwani
Jatin Alwani Student at Lovely Professional University

Eu me inscrevi para a certificação Data Science da Simplilearn. Os materiais do curso são ótimos e os treinadores também são muito úteis. O projeto baseado no setor é a melhor parte do curso. Simplilearn é melhor que qualquer outro no mercado.

Read more Read less
Solomon Olutu
Solomon Olutu Snr Principal QA Architect at Comcast

Simplilearn's Data Science with Python training was a great experience. Their trainers are the best that I have come across since I started learning with Silplilearn. He is always prepared for class with a well-documented note session which is also useful for hands-on learning after class to enhance the learning experience. Thanks Simplilearn. This is the best platform that I have come across.

Read more Read less
Gaurav Dubey
Gaurav Dubey Associate Consultant at Syntel

Prior to joining Data Science course with Simplilearn, I had little knowledge about it. The certification helped me to understand the Machine Learning, Web Scraping, Natural Language Processing in detail. The trainer was very helpful and was always there to guide me in every step. The certification helped me to enhance my career from Software Engineer to Associate Consultant with a salary hike. I am planning to take a few more course from Simplilearn in future.

Read more Read less
Shoeb Mohammad
Shoeb Mohammad Analyst at Accenture

Eu me juntei à certificação Data Science da Simplilearn. O conteúdo do curso foi muito bom. O formador esforça-se ao máximo para explicar todos os detalhes, o que torna a aprendizagem muito absorvente. O suporte ao cliente está sempre disponível sempre que você precisar de ajuda. Eu realmente me sinto um passo à frente em direção ao meu objetivo. Obrigado.

Read more Read less

Orientador do curso

Alvaro Fuentes
Alvaro Fuentes Founder and Data Scientist at Quant Company

Alvaro é um cientista de dados que fundou a Quant Company e também trabalhou como analista econômico líder no Banco Central da Guatemala. Ele é um MS em Economia Quantitativa e Matemática Aplicada e está ativamente envolvido em consultoria e treinamento no espaço da ciência de dados.

FAQs

  • Quais são os requisitos do sistema?

    Para executar o Python, seu sistema deve atender aos seguintes requisitos básicos:
    • Sistema operacional de 32 ou 64 bits
    • 1 GB de RAM
    A instrução usa cadernos Anaconda e Jupyter. Os vídeos de e-learning fornecem instruções detalhadas sobre como instalá-los.

  • Quem são nossos instrutores e como eles são selecionados?

    Todos os nossos instrutores altamente qualificados são especialistas do setor com pelo menos 10-12 anos de experiência relevante em ensino. Cada um deles passou por um rigoroso processo de seleção que inclui triagem de perfil, avaliação técnica e uma demonstração de treinamento antes de serem certificados para treinarem para nós. Também garantimos que apenas os instrutores com alta classificação de ex-alunos permaneçam em nosso corpo docente.

  • Quais são os modos de treinamento oferecidos para este curso de Python for Data Science?

    Sala de aula virtual ao vivo ou sala de aula on-line: no treinamento on-line em sala de aula, você tem a conveniência de participar do curso remotamente da sua área de trabalho por meio de videoconferência para aumentar sua produtividade e reduzir o tempo longe do trabalho ou de casa.

    Auto-Aprendizagem On-line: Neste modo, você receberá vídeos de palestras e poderá continuar o curso conforme sua conveniência.

    A distribuição portátil WinPython é o ambiente de código aberto no qual todos os exercícios práticos serão realizados. Instruções para instalação serão dadas durante o treinamento.

  • E se eu perder uma aula?

    O Simplilearn fornece gravações de cada classe para que você possa revisá-las conforme necessário antes da próxima sessão.

  • Posso cancelar minha inscrição? Receberei um reembolso?

    Sim, você pode cancelar sua inscrição, se necessário. Reembolsaremos o preço do curso depois de deduzir uma taxa de administração. Para saber mais, você pode ver nossa Política de reembolso .

  • Quem fornece a certificação?

    No final do treinamento, sujeito a avaliação satisfatória do projeto, além de passar no exame on-line (pontuação mínima de 80%), você receberá um certificado da Simplilearn informando que você é um cientista de dados certificado com o Python.

  • Há algum desconto de grupo para programas de treinamento em sala de aula?

    Sim, temos pacotes de desconto de grupo para programas de treinamento em sala de aula. Entre em contato com a Ajuda e Suporte para saber mais sobre os descontos do grupo.

  • Como me inscrevo no treinamento on-line do Data Science com Python?

    Você pode se inscrever para este treinamento em nosso site e efetuar um pagamento online usando qualquer uma das seguintes opções:
    • Crédito Visa ou Cartão de Débito
    • MasterCard
    • Expresso americano
    • Diner's Club
    • PayPal
    Uma vez recebido o pagamento, você receberá automaticamente um recibo de pagamento e informações de acesso via e-mail.

  • O que é Assistência Global de Ensino?

    Nossos assistentes de ensino são uma equipe dedicada de especialistas no assunto para ajudá-lo a obter a certificação em sua primeira tentativa. Eles envolvem os alunos de forma proativa para garantir que o caminho do curso esteja sendo seguido e ajudar você a enriquecer sua experiência de aprendizado, desde o ingresso na aula até a orientação do projeto e assistência de trabalho. A Assistência de Ensino está disponível durante o horário comercial.

  • O que é coberto pela promessa do Suporte 24/7?

    Oferecemos suporte 24 horas por dia, 7 dias por semana, por e-mail, bate-papo e chamadas. Também temos uma equipe dedicada que fornece assistência sob demanda através do nosso fórum da comunidade. Além disso, você terá acesso vitalício ao fórum da comunidade, mesmo após a conclusão do seu curso conosco.

    • Disclaimer
    • PMP, PMI, PMBOK, CAPM, PgMP, PfMP, ACP, PBA, RMP, SP, and OPM3 are registered marks of the Project Management Institute, Inc.