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 muito 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.
Esta Pós-Graduação é desenvolvida ao abrigo do protocolo de colaboração com a Atlântica. Destina-se a todos aqueles que pretendam 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.
Esta Pós-Graduação está disponível em formato presencial na edição de Lisboa, mas disponível via Live Training para outras localidades do país.
Composição
O programa do ciclo de estudos de Pós-Graduação em Data Science (PGDS) é composta por dois ciclos de especialização, Especialização Data Science Manager e Especialização Data Science Researcher que no seu conjunto permitem aos alunos ficarem com uma visão alargada e detalhada dos conceitos e metodologias subjacentes a esta área emergente.
A Especialização Data Science Manager fornece aos alunos os principais conceitos e ferramentas usadas pelos Data Scientists e os princípios de constituição e orientação de equipas de Data Science para que o resultado do trabalho destas seja bem sucedido. A Especialização Data Science Researcher oferece uma forte base dos princípios necessários para o desenvolvimento de um projeto de Data Science com práticas de aplicação a projetos reais.
Os alunos que concluam o curso com sucesso ficam habilitados a proceder à criação e gestão de equipas de Data Science na organização, a estruturar projetos de Data Science, serem capazes de identificar oportunidades para uso de Data Science dentro das organizações, saberem extrair, processar e explorar dados aplicando métodos estatísticos para retirar mais informação dos dados e serem capazes de criar modelos descritivos e preditivos.
Os alunos vão adquirir na PGDS amplos conhecimentos, teóricos e práticos, para exercer uma carreira que é altamente procurada e valorizada no mercado nacional e internacional.
Diploma de Estudos
Cada módulo formativo tem uma avaliação dos conhecimentos adquiridos que permite a atribuição de um Diploma de Estudos no final do curso a todos os alunos que o terminem com sucesso. A avaliação de conhecimentos é individual, sendo obtida através da participação em trabalhos de grupo e testes.
Os alunos que não conseguirem realizar os testes e trabalhos de determinada unidade curricular nas datas estipuladas, impossibilitando assim a sua avaliação, poderão solicitar a realização de exame de recuperação mediante um custo adicional. Estes exames serão realizados em duas épocas especiais de recuperação, a decorrer no final de cada uma das especializações.
Atribuição de ECTS
No âmbito da parceria com a ATLÂNTICA – Escola Universitária de Ciências Empresariais, Saúde, Tecnologias e Engenharia, esta Pós-Graduação atribui 25 créditos ECTS (European Credit Transfer System).
Coordenação Cientifica
Filipa Rodrigues | Data Scientist at OutSystems, Scientific Coordinator of the Data Science Postgraduate Programme
Investimento
- Inscrição: 150€
- Propina total: 3.500€
Objetivos
- Criação e Gestão de equipas de Data Science
- Estruturação de um Projecto de Data Science
- Capacidade de identificar oportunidades para uso de Data Science dentro da Organização
- Extracção, pre-processamento e exploração de dados
- Aplicação de métodos estatísticos para retirar mais informação dos dados
- Criação de modelos descritivos e preditivos
- Conhecimentos de Python
Destinatários
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 conseguirem retirar o máximo valor dos dados e com isso aportarem valor competitivo para as organizações, nomeadamente 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.
Condições
- Pagamento Faseado: A propina total pode ser liquidada em 8 propinas mensais;
- Pronto-pagamento: 5% desconto no valor da propina total;
- Estudantes não residentes no território nacional, terão de efetuar um pagamento de 50% do valor total da propina no momento da inscrição;
- Os valores apresentados não incluem IVA. Isenção do valor do IVA a particulares;
- Para informações completas sobre os requisitos e condições financeiras disponíveis, contacte-nos através de info@galileu.pt ou do botão Saber +
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:
A Pós-Graduação é constituída por dez módulos formativos que se enquadram em sequência lógica dentro dos dois ciclos de Especialização:
- Especialização Data Science Manager
- Especialização Science Researcher
A metodologia pedagógica está focada no saber fazer, pelo que os conceitos e teoria de base são fortemente explorados em treino orientado para a colocação dos conhecimentos em prática.
Os alunos devem ter em conta que para além da exigência das aulas há a exigência de estudo adicional e de desenvolvimento de trabalhos práticos que permitam um cabal desenvolvimento do saber fazer nesta área de conhecimento.
Programa
Ciclo de especialização Data Science Manager
- Fundamentos de Ciência de Dados (9 horas: )
- Presencial (em Lisboa) / Online (outras localidades)
- por: Manuela Almeida, Data Scientist na Talkdesk
- Gestão de Equipas de Ciência de Dados (9 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Ricardo Pereira, Data Scientist, Co-founder na DareData Engineering and Lisbon Data Science Academy
- Gestão do Processo de “Data Mining” (18 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Miguel Guedes, Diretor of Consulting na CGI
- Aplicação da Ciência de Dados (18 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Rodrigo Veríssimo, Senior Data Scientist na Farfetch
Ciclo de especialização Data Science Researcher
- Programação em Python (27 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Luís Silva, Data Scientist na Feedzai
- Metodologia de Recolha de Dados (9 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Ricardo Pereira, Data Scientist, Co-founder @ DareData Engineering and Lisbon Data Science Academy
- Metodologia de Pré-Processamento de Dados
- Presencial (em Lisboa) / Online (outras localidades)
- por: Carlos Rodrigues, Data Scientist & Big Data Engineer na Marionete
- Inferência Estatística (18 horas)
- Presencial (no Porto) / Online (outras localidades)
- por: Pedro Nogueira, Senior Data Scientist na Farfetch
- Análise Exploratória de Dados (18 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: João Veiga, Data Scientist na Feedzai
- Fundamentos Práticos de “Machine Learning” (18 horas)
- Presencial (em Lisboa) / Online (outras localidades)
- por: Filipa Rodrigues, Data Scientist na OutSystems e Coordenadora Científica da Pós-Graduação
Ciclo de especialização Data Science Manager
- Fundamentos de ciência de dados
- 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
- 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
- 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
- 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
- Instalação do python
- Básicos da programação com python
- Pacotes Pandas
- Jupyter notebooks
- Metodologia de recolha de dados
- Processo ETL (extract, transform, load)
- Conceito de data governance
- Fontes de dados: Excel, XML, MySQL, Web, APIs
- Metodologias de pré-processamento de dados
- Tipos de dados
- Limpeza de dados
- Transformação de dados
- Inferência estatística
- 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
- Seleção de Variáveis
- Sumário estatístico dos dados
- Redução de dimensão
- Visualização para exploração dos dados
- Fundamentos práticos de “Machine Learning”
- Predição, erros e validação cruzada
- Aprendizagem Supervisionada e não supervisionada
- Modelos de Regressão
- Modelos de Classificação
- Pacote Scikit-learn
