- Tecnologia
Sobre o instrutor:
Cientista de Dados, Head Coach e Escritor
Sobre o curso Data Science Descomplicada - Matemática
Num mundo cada vez mais digitalizado e com uma influência cada vez maior de Inteligências Artificiais, compreender o que de fato é Ciência de Dados, Machine Learning e programação é não apenas uma grande porta de entrada para uma vasta gama de oportunidades de trabalho, mas também uma educação necessária para compreender o novo mundo em que estamos vivendo.
Esse é o primeiro curso da série Data Science Descomplicada. Exploraremos todos os conceitos matemáticos utilizados por um cientista de dados - Geometria, Geometria Analítica, Vetores e Matrizes, Álgebra Linear, Funções e Equações, Cálculo, Probabilidade e Estatística, Inferência e Testes de Hipóteses, Estatística Bayesiana e muito mais!
O curso é voltado principalmente para profissionais de áreas não-exatas entusiastas de Data Science que queiram migrar para a mesma ou obter uma compreensão maior do tema.
Os conceitos são transmitidos da forma mais detalhada possível, portanto, o único conhecimento prévio necessário é o de matemática básica (ensino médio e fundamental). Mesmo se não se sentir confortável com matemática, não se preocupe: O foco do curso é compreender os conceitos, e não fazer contas e saber resolver exercícios de vestibular!
Ao final de cada tópico estão recursos extras (artigos, calculadoras online, sites interativos, vídeos) que ajudam bastante a se aprofundar nos conteúdos, recomendamos não pular essas lições. Igualmente importante são os exercícios muito mais focados em testar a compreensão dos conceitos matemáticos do que testar se você sabe fazer contas. Separe um bom tempo e esteja com disposição para fazer os exercícios com atenção!
No segundo curso (Data Science Descomplicada - Programação, disponível no Qualifica) você vai conhecer toda a base de programação necessária para um cientista de dados: desde como funciona um computador e seus componentes até a lógica de programação.
No terceiro e último curso (Data Science Descomplicada - Machine Learning, em breve no Qualifica), mergulharemos de fato em conceitos e algoritmos de Python e Machine Learning.
Em conjunto, os três cursos trarão todos os conceitos necessários para você se tornar Cientista de Dados que o mercado procura.
Que comece nossa jornada de dados ;)
O que você aprenderá
- Todos os conceitos matemáticos necessários para Cientistas de Dados iniciantes solidificarem sua carreira na área;
- Entender, e não decorar, conceitos matemáticos;
- Raciocinar de forma matemática;
Aplicar, através de exercícios, o conhecimento adquirido durante as aulas
Requisitos
- Matemática de Ensino Médio é recomendável, mas não essencial
- Computador (Windows, Mac OS ou Linux) com acesso à Internet para melhor experiência de aprendizagem
Para quem é este curso
- Profissionais (principalmente de áreas não-exatas) que desejam migrar para a área de Tecnologia e Ciência de Dados
- Entusiastas de Ciência de Dados e que desejam ter um conhecimento mais profundo sobre o tema
- Pessoas que desejam solidificar seus conhecimentos em matemática
Introdução
- Introdução do Curso
Geometria
- Tipos de Geometria
- Ponto, Reta, Ângulo e Plano
- Geometria Plana - Polígono, Perímetro e Área
- Geometria Espacial - Poliedro e Volume
- Geometria Plana e Espacial - Recursos
- Geometria Plana e Espacial - Exercícios
- O que é Pi?
- Sistemas de Coordenadas
- Geometria Analítica
- Tipos de Distâncias
- Sistemas de Coordenadas, G.A e Distâncias - Recursos
- Sistemas de Coordenadas, G.A e Distâncias - Exercícios
- Trigonometria
- Trigonometria - Recursos
- Trigonometria - Exercícios
Álgebra, Equações e Funções
- Álgebra, Equações e Funções - Introdução
- Número
- Equação e Função
- Funções
- Funções - Exercícios
- Polinômio
- Módulo
- Fatorial e Inequação
- Radiciação e Exponenciação
- Logaritmo
- Notação Sigma/Pi e Notação Científica
- Álgebra - Recursos
- Álgebra - Exercícios
Cálculo
- Cálculo - Introdução
- Limite
- Derivadas
- Integrais
- Séries
- Cálculo - Recursos
- Cálculo - Exercícios
Vetores e Matrizes
- Vetores
- Operações entre Vetores
- Versores e Campo Vetorial
- Vetores - Recursos
- Vetores - Exercícios
- Matrizes
- Operações entre Matrizes
- Matriz Inversa, Transposta, Simétrica e Diagonal
- Determinante
- Sistemas Lineares
- Matrizes - Recursos
- Matrizes - Exercícios
Álgebra Linear
- Álgebra Linear - Introdução
- Dependência e Independência Linear
- Produto Escalar
- Produto Vetorial
- Autovetores e Autovalores
- Álgebra Linear - Recursos
- Álgebra Linear - Exercícios
- Gradiente
- Divergente
- Rotacional
- Multiplicadores de Lagrange
- Cálculo Avançado - Recursos
Probabilidade e Estatística - Parte 1
- Probabilidade e Estatística - Introdução
- Diagrama de Venn
- Probabilidade - Conceitos
- Análises Combinatórias
- Probabilidade - Recursos
- Probabilidade - Exercícios
- Estatística - Conceitos
- Estatística Descritiva
- Acurácia vs. Precisão
- Gráficos
- Estatística Básica e Gráficos - Recursos
- Estatística Básica e Gráficos - Exercícios
Probabilidade e Estatística - Parte 2
- Correlação
- Valor Esperado
- Distribuições de Probabilidade
- Seeing Theory
- Distribuições - Recursos
- Distribuições - Exercícios
Probabilidade e Estatística - Parte 3
- Entropy, Cross-Entropy e KL Divergence
- Entropy - Recursos
- Inferência Frequencista
- Testes
- ANOVA
- KS (Kolmogorov-Smirnov)
- Inferência Frequencista - Recursos
- Inferência Frequencista - Exercícios
- Estatística Bayesiana
- Estatística Bayesiana II
- Estatística Bayesiana - Recursos
- Encerramento do curso