Este curso pretende dotar os participantes de conhecimetos sobre Big Data Analytics.

No final deste curso os participantes saberão:

·         Compreender os métodos de prospecção de dados para responder a questões de negócio cruciais, com fontes de dados internas e externas

·         Criar vantagem competitiva quer de dados estruturados como não estruturados

·         Descobrir padrões de comportamento do consumidor com técnicas não supervisionadas

·         Trabalhar com R e RHadoop para analisar dados estruturados, não estruturados e Big Data

Este Curso destina-se a gestores, analistas de dados e de negócios, profissionais de base de dados e outros profissionais que tenham interesse em desenvolver conhecimentos nesta área.

Aconselha-se conhecimentos de programação e estatística

1 -    INTRODUÇÃO A BIG DATA - DEFINIÇÃO DE BIG DATA

2 -    BENEFÍCIOS DE BIG DATA PARA o NEGÓCIO

3 -    introdução ao R

·         Análise Exploratória de Dados com R.

·         Carregamento, consulta e manipulação de dados em R.

·         Limpeza de dados brutos para modelagem.

·         Redução de dimensões com Análise de Componentes Principais.

·         Extensão do R com pacotes definidos pelo utilizador.

4 -    FACILITAR O PENSAMENTO ANALÍTICO ATRAVÉS DA VISUALIZAÇÃO DE DADOS

·         Investigar características de um conjunto de dados através da visualização.

·         Traçar distribuições de dados com boxplots, histogramas e gráficos de densidade.

·         Identificar outliers nos dados.

5 -    TRABALHAR COM DADOS NÃO ESTRUTURADOS E GRANDES CONJUNTOS DE DADOS - MINERAÇÃO DE DADOS NÃO ESTRUTURADOS PARA APLICAÇÕES DE NEGÓCIO

·         Pré-processamento de dados não estruturados para uma análise mais profunda.

·         Descrição de um corpus de documentos com uma matriz termo-documento.

6 -    LIDAR COM AS COMPLEXIDADES ADICIONAIS DO BIG DATA

·         Examinar as arquiteturas MapReduce e Hadoop.

·         Integrar R e Hadoop com RHadoop.

7 -    PREVER RESULTADOS COM TÉCNICAS DE REGRESSÃO - ESTIMAR VALORES FUTUROS COM REGRESSÃO LINEAR E LOGÍSTICA

·         Modelar a relação entre uma variável de saída e várias variáveis de entrada.

·         Interpretar corretamente os coeficientes de dados contínuos e categóricos.

8 -    TÉCNICAS DE REGRESSÃO PARA LIDAR COM O BIG DATA

·         Superar problemas de volume com RHadoop.

·         Criar módulos de regressão para RHadoop.

9 -    CATEGORIZAR DADOS COM TÉCNICAS DE CLASSIFICAÇÃO - AUTOMATIZAR A ROTULAGEM DE NOVOS ITENS DE DADOS

·         Prever valores-alvo utilizando Árvores de Decisão.

·         Construir um modelo a partir de dados existentes para previsões futuras.

·         Combinar preditores de árvores com florestas aleatórias em RHadoop.

10 -  AVALIAR O DESEMPENHO DOS MODELOS

·         Visualizar o desempenho dos modelos com uma curva ROC.

·         Avaliar classificadores com matrizes de confusão.

11 -  DETECÇÃO DE PADRÕES EM DADOS COMPLEXOS COM CLUSTERIZAÇÃO E ANÁLISE DE LIGAÇÕES - IDENTIFICAR AGRUPAMENTOS DESCONHECIDOS NUM CONJUNTO DE DADOS

·         Segmentar o mercado de clientes com o algoritmo K-Means.

·         Definir similaridade com medidas de distância adequadas.

·         Construir clusters em forma de árvore com clusterização hierárquica.

·         Clusterizar documentos de texto e tweets para ajudar na compreensão.

12 -  DESCOBRIR CONEXÕES COM ANÁLISE DE LIGAÇÕES

·         Capturar conexões importantes com Análise de Redes Sociais.

·         Explorar como os resultados das redes sociais são utilizados em marketing.

13 -  APROVEITAR DADOS DE TRANSAÇÕES PARA GERAR RECOMENDAÇÕES E REGRAS DE ASSOCIAÇÃO - CONSTRUIR E AVALIAR REGRAS DE ASSOCIAÇÃO

·         Capturar as verdadeiras preferências dos clientes nos dados de transações para melhorar a experiência do cliente.

·         Calcular suporte, confiança e lift para distinguir "boas" regras de "más" regras.

·         Diferenciar regras acionáveis, triviais e inexplicáveis.

·         Enfrentar o desafio de grandes conjuntos de dados ao procurar regras com RHadoop.

14 -  CONSTRUIR MOTORES DE RECOMENDAÇÃO

·         Cross-selling, up-selling e substituição como motivações.

·         Aproveitar recomendações baseadas em filtragem colaborativa.

15 -  IMPLEMENTAR ANÁLISE NA SUA ORGANIZAÇÃO - EXPANDIR AS CAPACIDADES ANALÍTICAS

·         Dividir a Big Data Analytics em etapas geríveis.

·         Integrar a análise nos processos de negócio atuais.

·         Revisar Spark, MLib e Mahout para aprendizagem automática.

16 -  DISSEMINAÇÃO E POLÍTICAS DE BIG DATA

·         Examinar questões éticas de privacidade em Big Data.

·         Disseminar resultados para diferentes tipos de stakeholders.