A Pós-Graduação em Data Science destina-se a todos aqueles que queiram adquirir conhecimentos que lhes permitam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para retirar o máximo valor dos dados, dando uma visão detalhada, teórica e prática, de conceitos e metodologias.
A quantidade de dados gerados pelas organizações tem vindo a crescer e consequentemente a necessidade de pessoas especializadas capazes de retirar valor desses dados. Quando devidamente explorados, permitem suportar decisões estratégicas para o negócio, criação de novos produtos, oferta de serviços mais personalizados entre muitas outras potencialidades.
Data Science é por isso uma área transversal a todos o tipos de organizações e a todos os sectores, sendo o seu valor reconhecido pelas vantagens competitivas que potencia.
O programa do ciclo de estudos de Pós-Graduação é constituído por um conjunto de 10 módulos curriculares, compostos por sessões de 3 horas cada.
Esta Pós-Graduação está ainda dividida em 2 ciclos de especialização – Data Science Manager e Data Science Researcher.
A especialização de Data Science Manager visa fornecer os principais conceitos e ferramentas usadas pelos Data Scientists, assim como os princípios de constituição e orientação de equipas de Data Science bem sucedidas.
A especialização de Data Science Researcher oferece uma forte base dos princípios necessários para o desenvolvimento de um projecto de Data Science, assim como exemplos de práticas de aplicação dos mesmos.
A Pós-Graduação em Data Science é desenvolvida ao abrigo de um protocolo de colaboração entre a Atlântica – Escola Universitária de Ciências Empresariais, Saúde, Tecnologias e Engenharia e a Rumos.
Informações Gerais
Destinatários
Profissionais que desempenhem funções diretas de tomada de decisão ou que intervenham em processos de análise de dados para a tomada de decisão sobre os negócios da organização.
Pré-Requisitos
As candidaturas à Pós-graduação em Data Science estão abertas a:
- Todos os que tenham um grau académico de licenciatura ou superior nas áreas científicas;
- Todos os profissionais com ou sem grau académico, cuja experiência seja considerada adequada para que o aluno tenha sucesso no curso e as turmas resultem homogéneas.
A seleção será sempre feita mediante análise curricular pela Coordenação Científica do curso, que pode chamar o candidato a uma entrevista presencial. Em qualquer dos casos, a decisão será sempre fundamentada e apresentada por escrito ao candidato.
Adicionalmente, os alunos deverão ter:
- Conhecimentos básicos de Matemática e Estatística;
- Conhecimentos básicos de utilização de uma qualquer linguagem de programação;
- Bom nível de capacidade de leitura em língua inglesa.
Metodologia
A Pós-graduação em Data Science pode ser ministrada:
- em modelo híbrido (Presencial e Live Training– online em tempo real)
- em 100% Live-training.
Programa
Ciclo de especialização Data Science Manager
- Fundamentos de Ciência de Dados (9 horas)
- Docente: Manuela Almeida, Data Scientist @ Talkdesk > Presencial (em Lisboa) / Online (outras localidades)
- Gestão de Equipas de Ciência de Dados (9 horas)
- Docente: Pedro Lopes, Big Data Scientist @ Aptoide
- Gestão do Processo de “Data Mining” (18 horas)
- Docente: Miguel Guedes, Diretor of Consulting na CGI
- Aplicação da Ciência de Dados (18 horas)
- Docente: Filipa Peleja, Data Scientist na Vodafone Portugal
Ciclo de especialização Data Science Researcher
- Programação em Python (27 horas)
- Docente: Luís Silva, Data Scientist @ Feedzai
- Metodologia de Recolha de Dados (18 horas)
- Docente: Luís Silva, Data Scientist @ Feedzai
- Metodologia de Pré-Processamento de Dados (18 horas)
- Docente: Carlos Rodrigues, Data Scientist & Big Data Engineer @ Marionete
- Inferência Estatística (18 horas)
- Docente: Luís Baía, Data Scientist @ Farfetch
- Análise Exploratória de Dados (18 horas)
- Docente: Hugo Lopes, Data Scientist @ James
- Fundamentos Práticos de “Machine Learning” (18 horas)
- Docente: Daniel Ferrari, Data Scientist na Talkdesk
CICLO DE ESPECIALIZAÇÃO DATA SCIENCE MANAGER
- Fundamentos de ciência de dados (9 horas)
(Docente: Manuela Almeida, Data Scientist @ Morphing Portals)- O que é Data Science (DS)
- O papel da Data Science nos diferentes tipos de organizações
- Estruturação de um projeto de Data Science
- Resultados de um projeto de Data Science
- As ferramentas básicas de um Data Scientist
- Gestão de equipas de ciência de dados (9 horas)
(Docente: Pedro Lopes, Big Data Scientist @ Aptoide)- O papel do Data Science Manager
- Perfil dos vários membros de uma equipa de Data Science
- Métricas de sucesso de um projecto de Data Science
- Entrevistas
- Gestão do Processo de Data Mining (18 horas)
(Docente: Miguel Guedes, Diretor of Consulting na CGI)- Etapas do processo de data mining
- Tipos de questões e características de boas questões, expectativas e objetivos
- Conceito de recolha de dados
- Conceito de Exploratory Data Analysis
- Conceito de inferência estatística
- Conceito de modelos preditivos
- Critério de paragem
- Comunicação de resultados
- Aplicação da ciência de dados (18 horas)
(Docente: Filipa Peleja, Data Scientist na Vodafone Portugal)- Comparação do cenário ideal versos o cenário real
- Qualidade dos dados fonte
- Factores que afectam os resultados
- Inferência estatística versus predição
- Dimensão dos dados
- Interpretação de resultados
- Escalabilidade
- Reprodutibilidade
- Casualidade versus confusão
- A/B Testing
- Manutenção dos modelos
CICLO DE ESPECIALIZAÇÃO DATA SCIENCE RESEARCHER
- Programação com Python (27 horas)
(Docente: Luís Silva, Data Scientist @ Feedzai)- Instalação do python
- Básicos da programação com python
- Pacotes Pandas
- Jupyter notebooks
- Metodologias de recolha de dados (9 horas)
(Docente: Luís Silva, Data Scientist @ Feedzai)- Processo ETL (extract, transform, load)
- Conceito de data governance
- Fontes de dados: Excel, XML, MySQL, Web, APIs
- Metodologias de pré-processamento de dados (18 horas)
(Docente: Carlos Rodrigues, Data Scientist & Big Data Engineer @ Marionete)- Tipos de dados
- Limpeza de dados
- Transformação de dados
- Inferência estatística (18 horas)
(Docente: Luís Baía, Data Scientist @ Farfetch)- Funções massa e densidade em probabilidade
- Probabilidades condicionadas e teorema de Bayes
- Valores expectáveis
- Média, desvio padrão e variância
- Distribuições binomial, normal e de Poisson
- Teorema Limite Central
- Testes de hipóteses
- Significância estatística e valor P
- Pacotes NumPy e statsModels
- Análise exploratória de dados (18 horas)
(Docente: Hugo Lopes, Data Scientist @ James)- Seleção de Variáveis
- Sumário estatístico dos dados
- Redução de dimensão
- Visualização para exploração dos dados
- Fundamentos práticos de “Machine Learning” (18 horas)
(Docente: Daniel Ferrari, Data Scientist na Talkdesk)- Predição, erros e validação cruzada
- Aprendizagem Supervisionada e não supervisionada
- Modelos de Regressão
- Modelos de Classificação
- Pacote Scikit-learn