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 curso04:34
    • Lição 01 - Visão geral da ciência de dados 20:27
      • 1.1 Introdução à Ciência de Dados08:42
      • 1.2 Setores Diferentes Usando Data Science05:59
      • 1.3 Propósito e Componentes do Python05:02
      • 1.4 Quiz
      • 1.5 Principais Reminiscências00:44
    • Lição 02 - Visão geral da análise de dados 18:20
      • 2.1 Processo de Análise de Dados07:21
      • 2.2 Teste de Conhecimento
      • 2.3 Análise Exploratória de Dados (EDA)
      • 2.4 Técnico EDA Quantitativo
      • 2.5 EDA - Técnica Gráfica00:57
      • 2.6 Conclusão ou Previsões da Análise de Dados04:30
      • 2.7 Comunicação de Análise de Dados02:06
      • 2.8 Tipos de Dados para Plotagem
      • 2.9 Tipos de Dados e Plotagem02:29
      • 2.10 Verificação de Conhecimento
      • 2.11 Questionário
      • 2.12 Principais Remoções00:57
    • Lição 03 - Análise Estatística e Aplicações de Negócios 23:53
      • 3.1 Introdução às Estatísticas01:31
      • 3.2 Análise Estatística e Não Estatística
      • 3.3 Principais Categorias de Estatísticas01:34
      • 3.4 Considerações sobre análise estatística
      • 3.5 População e Amostra02:15
      • 3.6 Processo de Análise Estatística
      • 3.7 Distribuição de Dados01:48
      • 3.8 Dispersão
      • 3.9 Teste de Conhecimento
      • 3,10 Histograma03:59
      • 3.11 Verificação de Conhecimento
      • 3.12 Teste08:18
      • 3.13 Verificação de Conhecimento
      • 3.14 Estatísticas de Correlação e Inferencial02:57
      • 3,15 Questionário
      • 3.16 Principais Remoções01:31
    • Lição 04 - Configuração e Essenciais do Ambiente Python 23:58
      • 4.1 Anaconda02:54
      • 4.2 Instalação do Anaconda Python Distribution (continuação)
      • 4.3 Tipos de Dados com Python13:28
      • 4.4 Operadores e Funções Básicas06:26
      • 4.5 Quiz
      • 4.6 Principais Sugestões01:10
    • Lição 05 - Computação Matemática com Python (NumPy) 30:31
      • 5.1 Introdução ao Numpy05:30
      • 5.2 Atividade-Sequence it Right
      • 5.3 Demo 01-Criando e imprimindo um ndarray04:50
      • 5.4 Teste de Conhecimento
      • 5.5 Classe e Atributos do Ndarray
      • 5.6 Operações Básicas07:04
      • 5.7 Atividade-Slice It
      • 5.8 Copiar e visualizar
      • 5.9 Funções Matemáticas de Numpy05:01
      • 5.10 Tarefa 01
      • 5.11 Assignment 01 Demo03:55
      • 5.12 Tarefa 02
      • 5.13 Tarefa 02 Demo03:16
      • 5,14 Questionário
      • 5.15 principais descobertas00:55
    • Lição 06 - Computação Científica com Python (Scipy) 23:35
      • 6.1 Introdução ao SciPy06:57
      • 6.2 Subpacote SciPy - Integração e Otimização05:51
      • 6.3 Teste de Conhecimento
      • 6.4 Sub pacote SciPy
      • 6.5 Demo - Calcular autovalores e autovetores01:36
      • 6.6 Verificação de Conhecimento
      • 6.7 Sub Pacote SciPy - Estatísticas, Weave e IO05:46
      • 6.8 Atribuição 01
      • 6.9 Assignment 01 Demo01:20
      • 6.10 Tarefa 02
      • 6.11 Tarefa 02 Demo00:55
      • 6,12 Quiz
      • 6.13 Principais Remoções01:10
    • Lição 07 - Manipulação de Dados com Pandas 47:34
      • 7.1 Introdução aos Pandas12:29
      • 7.2 Teste de Conhecimento
      • 7.3 Compreendendo o DataFrame05:31
      • 7.4 Visualizar e Selecionar Demonstração de Dados05:34
      • 7.5 Valores Ausentes03:16
      • 7.6 Operações de Dados09:56
      • 7.7 Verificação de Conhecimento
      • 7.8 Suporte para leitura e gravação de arquivos00:31
      • 7.9 Verificação de Conhecimento - Sequence it Right
      • 7.10 Operação Pandas Sql02:00
      • 7.11 Tarefa 01
      • 7.12 Assignment 01 Demo04:09
      • 7.13 Tarefa 02
      • 7.14 Tarefa 02 Demo02:34
      • 7,15 Quiz
      • 7.16 Principais Remoções01:34
    • Lição 08 - Aprendizado de Máquina com o Scikit – Learn 1:02:10
      • 8.1 Aprendizado de Aprendizado de Máquina03:57
      • 8.2 Passos 1 e 201:00
      • 8.3 Passos 3 e 4
      • 8.4 Como Funciona01:24
      • 8.5 Passos 5 e 601:54
      • 8.6 Considerações sobre o modelo de aprendizado supervisionado00:30
      • 8.7 Verificação de conhecimento
      • 8,8 Scikit-Learn02:10
      • 8.9 Verificação de Conhecimento
      • 8.10 Modelos de Aprendizagem Supervisionados - Regressão Linear11:19
      • 8.11 Modelos de Aprendizagem Supervisionados - Regressão Logística08:43
      • 8.12 Modelos de Aprendizagem Não Supervisionados10:40
      • 8,13 Pipeline02:37
      • 8.14 Persistência e Avaliação de Modelos05:45
      • 8.15 Verificação de Conhecimento
      • 8.16 Tarefa 01
      • 8.17 Tarefa 0105:45
      • 8.18 Tarefa 02
      • 8.19 Tarefa 0205:14
      • 8,20 Quiz
      • 8.21 Principais Remoções01:12
    • Lição 09 - Processamento de Linguagem Natural com o Scikit Learn 49:03
      • 9.1 Visão Geral da PNL10:42
      • 9.2 Aplicativos de PNL
      • 9.3 Verificação de conhecimento
      • 9.4 Bibliotecas de PNL-Scikit12:29
      • 9.5 Considerações sobre extração
      • 9.6 Scikit Learn-Model Treinamento e pesquisa de grade10:17
      • 9.7 Tarefa 01
      • 9.8 Atribuir Demo 0106:32
      • 9.9 Tarefa 02
      • 9.10 Atribuição Demo 0208:00
      • 9,11 Quiz
      • 9.12 Principal Takeaway01:03
    • Lição 10 - Visualização de dados em Python usando o matplotlib 32:46
      • 10.1 Introdução à visualização de dados08:02
      • 10.2 Teste de Conhecimento
      • 10.3 Propriedades da Linha
      • 10.4 (x, y) Gráfico e subenredos10:01
      • 10.5 Teste de Conhecimento
      • 10.6 Tipos de parcelas09:34
      • 10.7 Tarefa 01
      • 10.8 Assignment 01 Demo02:23
      • 10.9 Tarefa 02
      • 10.10 Tarefa 02 Demo01:47
      • 10.11 Questionário
      • 10.12 Principais Remoções00:59
    • Lição 11 - Web Scraping com BeautifulSoup 52:27
      • 11.1 Captura e análise da Web12:50
      • 11.2 Verificação de conhecimento
      • 11.3 Entendendo e Pesquisando a Árvore12:56
      • 11.4 Opções de navegação
      • 11.5 Demo3 Navegando em uma árvore04:22
      • 11.6 Teste de Conhecimento
      • 11.7 Modificando a árvore05:38
      • 11.8 Análise e impressão do documento09:05
      • 11.9 Tarefa 01
      • 11.10 Tarefa 01 Demo01:55
      • 11.11 Tarefa 02
      • 11.12 Assignment 02 demo04:57
      • 11,13 Questionário
      • 11.14 Principais tópicos00:44
    • 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 Python04:55
      • 12.2 Componentes Principais do Hadoop
      • 12.3 Integração do Python com o HDFS usando o Hadoop Streaming07:20
      • 12.4 Demo 01 - Usando o Hadoop Streaming para calcular a contagem de palavras08:52
      • 12.5 Verificação de conhecimento
      • 12.6 Integração do Python com o Spark usando o PySpark07:43
      • 12.7 Demo 02 - Usando o PySpark para determinar a contagem de palavras04:12
      • 12.8 Verificação de conhecimento
      • 12.9 Tarefa 01
      • 12.10 Tarefa 01 Demo02:47
      • 12.11 Tarefa 02
      • 12.12 Assignment 02 Demo03:30
      • 12,13 Questionário
      • 12.14 Principais tópicos01:20
    • Projeto 1 18:36
      • Análise de dados do mercado de ações do projeto 118:36
    • Projeto 2 20:06
      • Projeto 02
      • Projeto principal 0220:06
    • Feedback do Curso
      • Feedback do Curso
    • Lição 00 - Visão Geral do Curso 04:44
      • 0.1 Introdução00:13
      • 0,2 Ofertas00:07
      • 0.3 Objetivos do Curso00:29
      • 0.4 Visão Geral do Curso00:21
      • 0,5 Público alvo00:27
      • 0,6 Pré-requisitos do curso00:11
      • 0.7 Necessidade de Python00:49
      • 0,8 Python vs. Resto Outros Idiomas00:25
      • 0,9 Valor para os profissionais00:16
      • 0,10 Valor para os Profissionais (cont.)00:31
      • 0.11 Valor para os profissionais (cont.)00:24
      • 0.12 Lições Cobertas00:23
      • 0,13 Conclusão00:08
    • Lição 01 - Introdução ao Python 28:15
      • 1.1 Introdução00:12
      • 1.2 Objetivos00:16
      • 1.3 Uma Introdução ao Python01:27
      • 1.4 Recursos do Python00:44
      • 1.5 A História do Python00:27
      • 1,6 Lançamentos00:33
      • 1.7 Instalação em Máquinas Baseadas em Ubuntu01:00
      • 1.8 Instalação no Windows00:59
      • 1.9 Demo-Install e Run Python00:08
      • 1.10 Demo-Install e Run Python14:17
      • 1.11 Exemplo de um programa Python01:08
      • 1.12 Modos de Python00:27
      • 1.13 Modo de Script em Lote00:29
      • 1.14 Demo-Run Python no Modo Lote00:05
      • 1.15 Python de demonstração no modo batch01:14
      • 1.16 Modo Interpretador00:46
      • 1.17 Demo-Run Python no modo de intérprete00:05
      • 1.18 Python de Demo-Run no Modo Interpretador00:31
      • 1.19 Recuo em Python00:49
      • 1.20 Recuo em Python (continuação)00:26
      • 1.21 Escrevendo comentários em Python01:06
      • 1.22 Cenário Empresarial00:23
      • 1.23 Questionário
      • 1.24 Resumo00:33
      • 1,25 Conclusão00:10
    • Lição 02 - Tipos de dados do Python 19:34
      • 2.1 Tipos de Dados Python00:10
      • 2.2 Objetivos00:18
      • 2.3 Variáveis00:52
      • 2.4 Tipos de Variáveis01:09
      • 2.5 Tipos de Variáveis-String01:07
      • 2.6 Tipos de Variáveis ​​- Tipos Numéricos00:34
      • 2.7 Tipos de Variáveis-Variáveis ​​Booleanas00:34
      • 2.8 Tipos de Variáveis-Variáveis ​​Booleanas (cont.)00:35
      • 2.9 Tipos de Variáveis-List00:24
      • 2.10 Adicionando Elementos a uma Lista00:48
      • 2.11 Acessando os elementos de uma lista01:09
      • 2.12 Tipos de Variáveis-Dictionary00:30
      • 2.13 Adicionando Elementos a um Dicionário00:50
      • 2.14 Acessando os elementos de um dicionário00:12
      • 2.15 Métodos do Dicionário00:32
      • 2.16 Métodos de Dicionário (continuação)00:30
      • 2.17 Operadores00:21
      • 2.18 Opeatores (continuação)00:10
      • 2.19 Operadores Lógicos00:44
      • 2.20 Operadores Lógicos (cont.)00:47
      • 2.21 Operadores Lógicos (cont.)00:39
      • 2.22 Operações aritméticas em valores numéricos00:58
      • 2.23 Ordem dos Operandos01:03
      • 2.24 Operadores em cadeias01:03
      • 2.25 Comparação de Variáveis01:06
      • 2.26 Comparação de Variáveis ​​(continuação)01:05
      • 2.27 Comparação de Variáveis ​​(continuação)00:33
      • 2,28 Questionário
      • 2.29 Resumo00:41
      • 2,30 Conclusão00:10
    • Lição 03 - Declarações de Controle 09:27
      • 3.1 Introdução00:10
      • 3.2 Objetivos00:13
      • 3.3 Passar Declarações00:15
      • 3.4 Declarações Condicionais00:45
      • 3.5 Tipos de declarações condicionais00:18
      • 3.6 Se Declarações00:28
      • 3.7 Se… Outras Declarações00:49
      • 3.8 Se… Mais se declarações01:06
      • 3.9 Se… Else If… Else Statements00:18
      • 3.10 Aninhado Se Declarações00:38
      • 3.11 Demo-Use "If… Else" Statement00:05
      • 3.12 Demo-Use "If… Else" Statement02:12
      • 3.13 Em cláusula00:56
      • 3.14 Operadores Ternários00:44
      • 3,15 Questionário
      • 3.16 Resumo00:21
      • 3.17 Conclusão00:09
    • Lição 04 - Loops 08:10
      • 4.1 Introdução00:10
      • 4.2 Objetivos00:12
      • 4.3 Loops em Python00:37
      • 4,4 Função Range00:28
      • 4,5 para loop00:35
      • 4.6 For Loop (continuação)00:23
      • 4.7 While Loop00:35
      • 4.8 Loop Aninhado00:50
      • 4.9 Loops de criação de demonstração00:05
      • 4.10 Loops de criação de demonstração02:21
      • 4.11 Declarações de Interrupção00:48
      • 4.12 Continuar declarações00:36
      • 4,13 Questionário
      • 4.14 Resumo00:22
      • 4.15 Conclusão00:08
    • Lição 05 - Funções 09:27
      • 5.1 Introdução00:10
      • 5.2 Objetivos00:13
      • 5.3 Introdução às Funções00:49
      • 5.4 Criando Funções00:49
      • 5.5 Chamando Funções00:43
      • 5.6 Argumentos e Declaração de Retorno01:28
      • 5.7 Argumentos de Comprimento Variável00:53
      • 5.8 Argumentos de Comprimento Variável (continuação)00:33
      • 5.9 Recursão00:43
      • 5.10 Demo-Create a Function00:05
      • 5.11 Demo-Create a Function02:19
      • 5,12 Questionário
      • 5.13 Resumo00:33
      • 5.14 Conclusão00:09
    • Lição 06 - Classes 11:23
      • 6.1 Introdução00:10
      • 6.2 Objetivos00:14
      • 6.3 Classes01:39
      • 6.4 Objetos00:33
      • 6.5 Criando uma Classe Básica00:35
      • 6.6 Acessando Variáveis ​​de uma Classe00:39
      • 6.7 Adicionando Funções a uma Classe00:40
      • 6.8 Atributos de Classe Internos00:37
      • 6.9 Função Init00:38
      • 6.10 Exemplo de definição e uso de uma classe00:42
      • 6.11 Exemplo de Definição e Uso de uma Classe (cont.)00:27
      • 6.12 Demo-Create a Class00:05
      • 6.13 Demo-Create a Class03:34
      • 6,14 Quiz
      • 6.15 Resumo00:40
      • 6.16 Conclusão00:10
    • Lição 07 - Importações e Módulos 12:01
      • 7.1 Introdução00:11
      • 7.2 Objetivos00:16
      • 7.3 Módulos00:54
      • 7.4 Criando Módulos00:18
      • 7.5 Usando Módulos00:14
      • 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 Python00:57
      • 7.10 Demo-Create e Importar um Módulo00:06
      • 7.11 Demo-Create e Importar um Módulo02:24
      • 7.12 Namespace e escopo00:57
      • 7.13 Função Dir ()00:29
      • 7.14 Função Dir () (cont.)00:23
      • 7.15 Funções globais e locais00:31
      • 7.16 Recarregar um módulo00:48
      • 7.17 Pacotes em Python00:46
      • 7,18 Quiz
      • 7.19 Resumo00:34
      • 7.20 Conclusão00:10
    • Estatística Essencial para Ciência de Dados 30:50
      • Estatísticas para Data Science30:50
    • {{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.

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