Entre na Lista de Espera

R$ 7332

Obrigado. Seus dados foram computados!
Ops! Algo deu errado. Por favor, tente novamente.

Está na hora de alavancar sua carreira em Dados

Entre pela porta da frente no mercado que mais cresce no país e no mundo com este curso que une o melhor do mercado e da academia, ensinado o que você precisa fazer para migrar ou dar um upgrade na sua carreira com segurança e sucesso!

Quero garantir a minha vaga

Aprenda com os melhores do mercado

Chega daquela visão atrasada, com aulas cansativas e conhecimento burocrático que você nunca vai usar na prática. Mude o seu o jogo aprendendo com profissionais com bagagem, sucesso e respeito no mercado, em pleno equilíbrio com o conhecimento teórico que faz a diferença.

Profissionais de ponta no mercado

Aprenda com quem tem experiência e resultados expressivos nas empresas mais inovadoras e competentes do mercado.

Forte embasamento teórico

Conhecimento teórico sólido para embasar as soluções técnicas e entregar resultados até nos problemas mais complexos.

Currículo amplo e focado na prática

Conhecimento completo sobre toda a cadeia de valor dos dados, possibilitando uma atuação muito mais completa e integrada.

CHEGA DE CERTIFICADOS que não te levam a lugar algum

Aprenda a gerar valor com Dados, com quem faz de verdade

Chega de cursos que prometem e não entregam! Este curso vai te ensinar o conteúdo que você precisa para entrar na área de dados pela porta da frente. Unindo o melhor da comunidade acadêmica com experts do mercado, construímos uma formação completa em Dados e Analytics.

Abertura & Introdução

Introdução

Conheça as matérias

Apresentação da ementa detalhada Meios de acesso para duvidas Hackathon Dúvidas gerais Introdução à jornada de Ciência de Dados e Engenharia de Dados

Matemática

Nivelamento

Conheça as matérias

Glossário da Matemática Teoria Elementar dos Conjuntos Sequências Elementares Funções Funções Elementares Matrizes Hands-On: Fixação de Conteúdo

Estatística

Nivelamento

Conheça as matérias

Ramos da Estatística Variáveis Estatísticas Medidas Estatística Descritiva Hands-on: Fixação de Conteúdo

Programação

Nivelamento

Conheça as matérias

Algoritmos Gaveta de Dados Dados e Instruções Controle de Fluxo Arrays (Vetores e Matrizes) Modularização Procedimento x Função Hand-on: Fixação de Conteúdo

Sistemas Operacionais

Tecnologia & Programação

Conheça as matérias

História dos Sistemas Operacionais Principais Conceitos Software x Hardware Linguagem Binária Portas Lógicas Linguagem de Baixo e Alto Nível Virtualização de S.O. Cloud Computing e casos de Uso Emulação Docker x Kubernets Linux no Windows Criando e Conectando uma Máquina Virtual na AWS

SQL: Do Zero a consultas avançadas

Tecnologia & Programação

Conheça as matérias

Introdução ao SQL Variações do SQL Tipos de linguagem ( DDL , DML , DQL , DTL , DCL ) Primeiras consultas Tipos de dados Ordenação Principais operadores Filtros Agregações Criação de Databases / Tabelas CRUD Chaves primárias / Chaves estrangeiras ( PK , FK ) Combinando tabelas (Joins) Empilhando tabelas (Union x Union All) Estrutura Case When Subconsultas ( Subqueries ) Common Table Expressions ( CTE ) Funções gerais Funções de Janelamento Ordem de Execução / Criação de consultas Hands-On: Exercícios de Fixação de Conteúdo

PySpark para análise de dados

Tecnologia & Programação

Conheça as matérias

O que é PySpark? SparkContext SparkSession Spark Dataframe RDD Operações importantes Spark SQL Tabelas Views UDFs Importação, Exportação, Leitura, Escrita Otimizações Monitoramento de jobs com Spark UI e GANGLIA (EMR)

Python para Big Data & Analytics

Tecnologia & Programação

Conheça as matérias

O que é Python? Aplicações Popularidade Preparando o Ambiente Python Puro X Anaconda Sintaxe básica Operadores matemáticos Declaração de variáveis Tipos de dados Operadores lógicos Listas Tuplas Dicionários Pacotes Built-in Estruturas condicionais Estruturas de repetição Funções Função lambda Tratamento de Exceções Matplotlib Seaborn Plotly Pandas Leitura / Escrita Ambientes virtuais Instalação de pacotes Requirements.txt Argumentos Hands-On: Exercício de Fixação de Conteúdo

Ecossistema Hadoop/Spark

Tecnologia & Programação

Conheça as matérias

Arquitetura Hadoop Spark Monitoramento do Ambiente Estrutura de Cluster Principais aplicativos para Ecossistema Hadoop/Spark

Cloud Computing em AWS

Cloud Computing

Conheça as matérias

Introdução à Computação em Nuvem Serviços para Dados: S3, EMR, RedShift, Athena, RDS e Lambda Serviços para Analytics: EMR (JupyterHub) e SageMaker Orquestração e Monitoramento: CloudWatch, Lambda Segurança: Secrets, KMS Escalabilidade: Load Balancer Automação Desenho de Arquitetura Big Data & Analytics: Exemplo de um data lake com uso de big data e analytics sendo feito pelo EMR (JupyterHub) e SageMaker Custos: Montar uma calculadora simples para estimar custos de um lake

Coleta de dados

Engenharia de Dados

Conheça as matérias

O que é Web Scraping? Web Scraping X Web Crawling Aplicações Ferramentas mais utilizadas Web Scraping é ilegal ? HTML Básico Requests - Introdução BeautifulSoup – Introdução Selenium Webdriver Encontrando elementos Interagindo ( comandos do teclado, Action Chains, Waits ) Trabalhando com Frames Executando Javascript Expressões Regulares ( REGEX ) User-Agents Extraindo dados de APIs Extraindo dados de PDFs Encontrando APIs ocultas Paralelisando as extrações Uso de Proxy Captchas Projeto : Extração de revisões de site de hotéis

Engenharia de Dados I

Engenharia de Dados

Conheça as matérias

História da evolução e uso dos dados Carreiras em Engenharia de Dados - Analista de BI - Administrador de Dados - DBA - Engenheiro de Dados Engenharia de Dados e Negócios - Áreas de Negócios das empresas x Uso de Dados - Democratização de dados para as área da empresa Fundamentos de Cloud Computing - Storage - Banco de Dados - Processamento - Orquestração - Observability Tipos de Dados Ferramentas para Engenharia de Dados - DBeaver - Pentaho - Metabase

Engenharia de Dados II

Engenharia de Dados

Conheça as matérias

Arquiteturas de Dados - Data Lake - Data warehouse - Data lakehouse - Data Mesh Processamento Distribuído e Paralelizado - Hadoop - Spark Desenvolvimento de ETL e ELT Sistemas transacionais Bancos de Dados Relacionais e SGBD Business Intelligence (BI) Feature Store - Compondo variáveis para BI - Compondo variáveis para Analytics (Análise e Ciência de Dados) Introdução a NoSQL Introdução a Grafos Automação e Orquestração de pipeline de dados Monitoramento de Dados Data Lineage Esteira Continuous Integration (CI)/ Continuous Delivery (CD) DataOps Arquitetura para Streaming de Dados Fundamentos de LGPD

Hackathon Engenharia de Dados

Engenharia de Dados

Conheça as matérias

A PoD Bank, uma startup do segmento financeiro, que concede crédito para população desbancarizada e/ou com pouca informação de crédito, está procurando dados alternativos que explicariam porque uma pessoa pagaria ou não financiamento imobiliário. Para isso, contratou um time de Engenheiros de Dados que seja capaz de conseguir atender a área de Business Intelligence para apresentar dados que ajudem na tomada de decisão. Os participantes possuem 1 mês para desenvolver as seguintes etapas no projeto: - Entendimento das necessidades do negócio - Entendimento dos dados - Preparação dos Dados - Desenho da Arquitetura - Desenvolvimento dos Indicadores de Negócio - Desenvolvimento de Dashboard - Desenvolvimento de Material Executivo com a Solução - Apresentação dos resultados para Banca composta por Gestores do Mercado

Estatística Aplicada

Ciências aplicadas

Conheça as matérias

Conceitos básicos de estatística Medidas de tendência central e dispersão Gráficos estatísticos Análise descritiva e outliers Percentis e a frequência acumulada Análise exploratória Conceitos de amostragem Probabilidade - modelos de distribuição Noções de medidas de associação e correlação Processo de análise estatística - testes estatísticos Teste de hipótese paramétrico e não paramétrico Processo inferencial (Clássica e Bayesiana)

Matemática Aplicada

Ciências aplicadas

Conheça as matérias

Teoria dos Conjuntos Vetores Matrizes Determinantes Logaritmo Introdução ao Cálculo numérico - Funções - Limites - Derivadas - Função Gradiente - Backpropagation

Introdução às Carreiras em Análise de Dados e Ciência de Dados

Ciência de Dados

Conheça as matérias

O que é ciência de dados Qual a diferença entre Analista de Dados e Cientista de Dados Qual é o papel de um cientista de dados em uma empresa ou organização Quais são as habilidades necessárias para se tornar um Analista de Dados e Cientista de Dados Quais são as principais ferramentas e tecnologias usadas pelos analistas e cientistas de dados Como é o mercado de trabalho para analistas e cientistas de dados Como é a remuneração média para profissionais de análise e ciência de dados Formação específica em áreas relacionadas para seguir essa carreira e outros pré requisitos Certificações prévias para se tornar um cientista de dados

Negócios

Ciência de Dados

Conheça as matérias

O que são Negócios Como são as áreas de negócios nas empresas Segmentos de Negócios: - Financeiro (Análise de Dados para Crédito, Fraude e Cobrança) - Jurídico (Jurimetria) - Saúde (Análise de Dados de Prontuário, Classificações, Imagem) - CRM (Análise de Personas, Propensão à contratação de Produtos) - RH (People Analytics) - Varejo (Precificação, Análise e Projeção de Demanda, Projeção de Estoque, Otimização de Metas de Vendas) - Indústria (Análise de Dados para Predição de Falhas em Sistemas) Desafios de Negócios: - Aumento de Faturamento - Redução de Custos - Construção de cenários para tomada de decisão - Acompanhamento de Indicadores Problemas reais e possíveis soluções: -Concessão de Crédito -Análise de Limite de Cartão de Crédito -Avaliação de transações Fraudulentas -Otimização de Metas de Vendas -Criação de Personas para Oferta de produtos ou contratação de pessoas -Oferta de produto para clientes propensos à compra -Ordenação de pessoas ou itens para ações, por exemplo ação de cobrança -Análise de Churn (perda de clientes) Geração de valor nos Negócios: -Custos vs resultados Comunicação executiva -Apresentação dos resultados -Ancoragem de Valor do Projeto (para gestores) -Busca por Orçamento (para gestores) -Visibilidade ao Projeto e à Equipe (para gestores)

Ferramentas de Trabalho

Ciência de Dados

Conheça as matérias

1h30

Excel e/ou Google Sheets Word e/ou Google Docs Power Point e/ou Google Apresentações Google Collab Anaconda GitHub Kaggle ChatGPT Google

Revisão geral: Excel, SQL e Python

Ciência de Dados

Conheça as matérias

Conceito de Tabela de Dados Consultas a tabelas de Bancos de Dados Exploração de dados com queries SQL Exploração de dados com Spark SQL Exploração de dados com Python

Fundamentos de Engenharia de Dados

Ciência de Dados

Conheça as matérias

Escopo da Engenharia de Dados O que são Dados Tipos de Dados Fontes de Dados Conceitos de ETL (Extração Transformação e Carga) Arquiteturas de Dados mais utilizadas para Ciência de Dados: - Data Lake - Data Warehouse - Data Lakehouse - Data Mesh - Data Fabric - Feature Store Formatos de Dados e tipos de uso Como trabalhar com diferentes volumetrias de Dados Ferramentas para processamento de dados volumosos

Fundamento da Análise de Dados I

Ciência de Dados

Conheça as matérias

Entendimento do Framework CRISP-DM Conceito de Tabela Analítica e Público de Estudo Explorando os dados - entendimento do Público de Estudo Análise Exploratória dos Dados Visões e insights de Negócio

Fundamento da Análise de Dados II

Ciência de Dados

Conheça as matérias

Teste A/B Apresentação de resultados técnicos Apresentação de resultados de negócio Dashboard para apresentação de Resultados

Ciência de Dados

Ciência de Dados

Conheça as matérias

Introdução ao Aprendizado de Máquina (Machine Learning) Preparação de Dados - Criando variáveis explicativas (ED) Conceito de variáveis agregadas a partir dos dados transacionais Conceito de variáveis com profundidade temporal Conceito de defasagem temporal dos dados Criação da variável resposta: - Crédito - Fraude - Cobrança - Churn - Propensão Preparação de Dados para análises e algoritmos de ML: - Conceito de Metadados - Normalizações - Padronizações - Analise de outliers - Análise da Cardinalidade - OneHot Encoding - Label Encoding - Target Encoding - WoE Encoding - Transformações de Variáveis - Linearidade com log da Odds (Regressão Logística) Categorização de Variáveis contínuas Análise de estabilidade temporal das variáveis categóricas (taxa de evento para target binário) Análise de ordenação das categorias por taxa de evento (target binário) Conceito de Feature Store Seleção de Variáveis: - Corte por % de Valores Nulos (Missings), - Variância, - Feature Importance, - Boruta, - Correlação de Pearson - Information Value (Target Binário) Redução de dimensionalidade - PCA: - Foco em Visualização de Dados - Foco em Seleção de Variáveis - Combinando PCA + IV para seleção de Variáveis (Target Binário)

Algoritmos de Machine Learning: Problemas de Classificação

Ciência de Dados

Conheça as matérias

Modelos Supervisionados - Problemas de Classificação Principais algoritmos: - Árvores de Decisão - Regressão Logística - Random Forest - LightGBM - XGBoost - CatBoost - KNN - Redes Neurais - MLP - SVM - Stacking e Blend de Modelos - AutoML com Pycaret

Algortimos de Machine Learning: Problemas de Regressão

Ciência de Dados

Conheça as matérias

Modelos Supervisionados - Problemas de Regressão Principais algoritmos: - Árvores de Decisão - Regressão Linear Simples e Múltipla - Regressão Ridge, LASSO e Elastic Net - Random Forest - LightGBM - XGBoost - CatBoost - Redes Neurais - MLP - SVM - Stacking e Blend de Modelos - AutoML com Pycaret

Algortimos de Machine Learning: Problemas de Segmentação

Ciência de Dados

Conheça as matérias

Modelos Não Supervisionados - Problemas de Segmentação (Clustering) - K-Means - DBSCAN - Hierárquico (Agglomerative Clustering) - Mistura Gaussiana (Gaussian Mixture Model - GMM) - Spectral Clustering - AutoML com Pycaret

Projeções e Séries Temporais

Ciência de Dados

Conheça as matérias

- Clássica: Média Móvel, ARIMA, SARIMA - Machine Learning (Algoritmos para Regressão) - Deep Learning: LSTM

Avaliação de Modelos

Ciência de Dados

Conheça as matérias

Análise de Desempenho dos Modelos Análise de Estabilidade dos Modelos Análise de Aderência aos negócios

Monitoramento de Modelos

Ciência de Dados

Conheça as matérias

Exemplo de Arquitetura para Monitoramento de Modelos Indicadores para Monitoramento de Modelos Construção de Dashboard para Monitoramento de Modelos Estatísticos

Engenharia de Machine Learning

Ciência de Dados

Conheça as matérias

Conceito do GitFlow Conceito DataOps e MLOps Organização de Equipes e Projetos Aplicabilidade MLOps para entregas em Machine Learning Monitormento de dados e modelos em produção Data and Models Pipeline MLOps Management (Validation, Data Rules, Data Quality, Model Quality, Versioning)

Projetos Práticos

PROJETOS PARA PORTFÓLIO

Conheça as matérias

Web Scraping: Extração de Dados Públicos da Receita Federal Construindo um Data Lake: Para democratização de dados na empresa; Automações com Bot: Automações nos processos de engenharia de dados aplicado ao seu negócio; Streaming de Dados em Tempo Real: Construindo um ETL contínuo e dashboards em tempo real com arquitetura streaming. Análise de Crédito: Solução Tradicional e técnicas avançadas de Machine Learning; People Analytics para RH e CRM: Utilizando Machine Learning para encontrar Personas para seu negócio; Score Anti-Fraude: Utilizando técnicas avançadas de Machine Learning; Previsão de Demandas: Utilizando Machine Learning otimizar metas, orçamento, estoque e demandas do seu negócio; Criando Chatbot com GenAI: Processo completo de criação de um chatbot aplicado ao seu negócio

Super Hackathon de Ciência de Dados

Ciência de Dados

Conheça as matérias

A PoD Bank, uma startup do segmento financeiro que concede crédito para população com pouca informação de crédito, ganhou mercado, maturidade e decidiu montar uma área de Ciência de Dados focada em Modelos de Crédito. A demanda é Desenvolver um modelo de crédito que tenha capacidade de gerar um score de risco para contratação de produtos de crédito. O Gestor de Crédito gostaria de ver uma análise de solução tradicional, utilizando regressão logística versus demais técnicas de ML. Etapas a serem desenvolvida no projeto: - Desenhar solução de Negócio - Mapear dados disponíveis - Estudar Público de Modelagem - Construir variáveis explicativas - Selecionar e estudar as variáveis - Análise do Target - Desenvolvimento dos Modelos considerando Tradicional vs Robustos - Avaliação dos Modelos - Discussão sobre Deployment - Monitoramento do Modelo - Análise de Negócio sobre uso do Modelo (foco em geração de valor ao negócio) - Análise de custos do projeto (Equipe, Infraestrutura, Dados) - Apresentação dos resultados para Banca composta por Gestores do Mercado

O Poder do Decidir

Palestras

Conheça as matérias

O poder do decidir

Portfólio e documentação

Palestras

Conheça as matérias

Como montar um portfólio de sucesso?

Portfolio & Linkedin

Palestras

Conheça as matérias

Montando um portfólio de sucesso Configurando um perfil de sucesso no Linkedin

Carreira e alta perforance

Palestras

Conheça as matérias

100 Primeiros dias na empresa

Carreira e alta performance II

Palestras

Conheça as matérias

Os pilares da alta performance

Carreira e alta performance III

Palestras

Conheça as matérias

Comunicação Assertiva: Oratória e Apresentação

Ética & Explicabilidade de Modelos

Palestras

Conheça as matérias

Ética e explicabilidade de algoritmos de machine learning, do ponto de vista jurídico. O que está por vir ? Como devemos estruturar nossos processos para suportar esta demanda que está por vir?

Conheça os seus professores

Unimos professores renomados na comunidade acadêmica e profissionais com vasta experiência e conhecimento comprovado pelo mercado. Tudo para construir uma formação completa, dinâmica e atual.

Felipe Jardim

Professor

Isabelle Valim

Professora Convidada

Bruno Monzambani

Professor Convidado

Bruno Jardim

Professor

Rubens Marinho

Professor Convidado

Juliana Fávaro

Professora Convidada

Anderson Soares

Professor Convidado

Mahmud Ali Neto

Professor Convidado

Renata Brunelli

Professora Convidada

Fabiano Yasuda

Professor Convidado

Alexandre Zavaglia

Professor Convidado

Dalmer Sella

Professor

Tatiana Oliveira

Professora Convidada

Fernando Manfio

Professor Convidado

Tâmara Jardim

CEO PoD Academy e Professora

Silvio Donegá

Professor Convidado

Rodrigo Moreira

Professor Convidado

Aline Olimpio

Professora Convidada

Felipe Jardim

Professor

Isabelle Valim

Professora Convidada

Bruno Monzambani

Professor Convidado

Lucas Leal

Professor Convidado

Como funcionará o curso?

Fique por dentro dos detalhes e aproveite ao máximo a sua formação

Início das aulas

No momento, as turmas Full Stack em Data & Analytics estão fechadas. Para fazer parte da próxima turma de Formação Full Stack, coloque seu nome na lista de espera.

Formato das aulas

Temos mais de 350 horas de aulas gravadas, monitorias e masterclass ao vivo em dias específicos que também ficam disponíveis posteriormente na plataforma de aulas.

Materiais complementares

Os professores irão disponibilizar conteúdos complementares de alto valor de mercado e para pesquisa posterior.

Conteúdo

O curso irá cobrir toda a cadeia de valor dos dados, para que você se sinta seguro para trabalhar nas melhores empresas do Brasil e do mundo.

Networking

Participe de eventos com contratantes das principais empresas do mercado e grupos com colegas e profissionais, além de nossa comunidade de alunos.

Certificado

O Certificado de Conclusão e os certificados dos módulos serão emitido pela PoD Academy.

Para quem é este curso?

Ainda tem dúvidas se este curso é para você? Então veja abaixo as indicações e contra indicações.

Este curso

é para quem quer

Aprofundar nas boas práticas de mercado

Adquirir visão estratégica de negócio

Aprender o que fará a diferença no mundo real

Trabalhar com liberdade geográfica e financeira

Migrar para um mercado com maiores salários

Dar um upgrade na sua carreira de Dados e Analytics

Ingressar no mercado que mais cresce na atualidade

Este curso

não é para quem

Acha que não precisa de dados para crescer na empresa

Acha que trabalhar com Dados e Analytics é só para quem é mestre nas exatas

Tem medo de novos desafios

Acredita que Big Data & Analytics é um mercado inalcançável

Já sabe tudo e não precisa melhorar nada

Está satisfeito com o seu salário e jornada de trabalho

Alavanque a sua carreira

Mude o seu o jogo e torne-se altamente requisitado no mercado de Dados & Analytics.

Full Stack em Data & Analytics

R$ 7332

Aulas disponíveis por 24 meses

Curso de Cloud Computing AWS e GCP

Acesso à Comunidade PoD Academy no Discord

Grupo fechado de Whatsapp para networking

Professores disponíveis e acessíveis

Por 12 x 602,11
ou R$ 5.997 à vista

Turma Fechada | Entrar para lista de espera

Lista de espera

Obrigado! Seu nome foi adicionado à lista de espera.
Oops! Algo deu errado. Tente novamente ou entre em contato conosco.

Pro

One-time payment of $299

All included in Base

4+ hrs of Unique Learning

8 Lessons for Pros

10+Figma Templates

Lifetime Access

Enroll Now

Pacote In Company

Entre em contato para saber mais

...

...

...

...

...

Entre em contato

FAQ

Veja abaixo as principais perguntas que recebemos sobre o curso. Caso ainda tenha alguma dúvida, entre em contato e responderemos com prazer.

Quando começam as aulas?

No momento, as turmas Full Stack em Data & Analytics estão fechadas. Para fazer parte da próxima turma de Formação Full Stack, coloque seu nome na lista de espera ou fale com o nosso time de Relacionamento.

Qual a duração do curso?

Você terá acesso ao curso por 24 meses. Temos uma trilha de estudos que te guia em todo o processo.

O curso será presencial?

Não. O curso é 100% online, com aulas ao vivo que ficarão gravadas para estudo posterior.

Quais são as formas de pagamento?

Boleto, PIX ou Cartão de Crédito. Também temos condições de pagamento facilitada e, para saber mais consulte o nosso time através do botão de Whastapp.

Haverá TCC?

O melhor TCC é a prática: nosso curso possui um calendário de Hackathons (de Engenharia e Ciência de Dados) para resolver um problema de Negócio utilizando conceitos de Dados, Cloud Computing e Machine Learning. Os Hackathons são em um formato exclusivo PoD Academy, são certificados, e a apresentação final ocorre para uma Banca Avaliadora especial.

O curso tem pré-requisitos?

Não. Na Formação em Análise e Ciência de Dados você conta com conteúdos que vão do básico ao avançado, de forma muito estratégica, ensinando a teoria e a prática.

Posso comprar módulos separados?

Esta é uma formação completa. Aqui, os módulos são complementares e vendidos juntos. Posteriormente vamos fazer adaptações no conteúdo para ser possível oferecer os módulos separados.

É possível parcelar o valor do curso?

Sim, além das formas de pagamento oferecidas, temos outras formas de pagamento facilitado. Clique no botão do nosso Whatsapp que a nossa equipe irá atender você.

As aulas serão gravadas?

As aulas serão ao vivo. As gravações ficarão disponíveis para os alunos matriculados assistirem em seu próprio ritmo de aprendizagem.

Existem turmas empresariais?

Temos pacotes com preços especiais para equipes empresariais no curso atual. Entre em contato pelo e-mail contato@podacademy.com.br, com o assunto [Formação para Empresas]