Ementa_Python and Spark for Big Data and Machine Learning

EMENTA DO CURSO
Python and Spark for

Big Data and
Machine Learning
⏱️ CARGA HORÁRIA: 40H
EMENTA DO CURSO PYTHON AND SPARK FOR
BIG DATA AND MACHINE LEARNING
Quem deve fazer este curso:

Proporcionar uma visão geral (“Big Picture”) dos principais algoritmos de
Machine Learning e, de forma crítica, discutir como aplicá-los usando
ferramentas Open Source, tais como Spark e Python;
Entregar ao aluno um RoadMap por meio da transmissão de conhecimentos a

respeito das áreas: Ciência de Dados, Machine Learning (ML) e
Processamento de Alto Desempenho (HPC).
Dar uma visão holística e prática dos princípios fundamentais de Ciência de

Dados e Machine Learning usando como ferramentas a linguagem Python, a
mais usada atualmente para esta finalidade, e frameworks de processamento
de Big Data como o Hadoop, PySpark, Numba e, também, para
processamento de Deep Learning como Tensorflow e Keras.
Diferenciais do curso:
✓ O Único curso no Brasil que apresenta como os temas Big Data,
Machine Learning, Computação de Alto Desempenho e Análise de
Dados estão relacionados e a importância de cada área para um
Cientista de Dados;
✓ Todo material em língua portuguesa (a maioria dos cursos de terceiros
está no idioma inglês);
✓ Oportunidade de conhecer as experiências reais de empresas do Brasil
e do mundo que aplicaram as práticas ensinadas;
✓ Demonstra na prática as diferenças de papéis do Engenheiro de Dados
e do Cientista de Dados.
Conheça o curso em detalhes 1

Ementa:
Introdução a Big Data
● Python para Big Data
● Jupyter Notebook
● Google Colab
Python para Big Data

● O modelo de programação MapReduce
● Introdução à Programação funcional com Python: Funções Lambda em

Python
● Trabalhando com grafos em Python
● Numpy
● Pandas
Análise exploratória de Dados

● Tipos de Variáveis
● Normalização de Dados com Python
● Visualização de Dados com Python (Matplotlib, Searborn, Bokeh)
● Medidas de similaridade
Matemática e Dados
● Introdução à Estatística Descritiva
● Média, Mediana, Desvio Padrão, Variância
● Teorema de Bayes e Inferência Bayesiana

● Teste Estatístico de Hipótese
● Exemplo: Executando um Teste A/B
Spark e Pyspark
● Operações básicas com DataFrames
● Operações avançadas com DataFrames
● Operações com Dados Faltantes e Datas
Introdução a Machine Learning

● Overview dos Algoritmos de Machine Learning
● K-nearest neighbors – kNN
● Construção de Pipeline de Machine Learning com modelo CRISP DM
● Introdução a Sistemas de Recomendação e Filtros Colaborativos
Machine Learning
● Regressão Linear
● Regressão Logística x kNN – Avaliação de Modelos
● Fundamentos de Redes Neurais Artificiais
● Regressão Logística x kNN – Avaliação de Modelos
● Introdução a Processamento Natural de Linguagem (Modelos n-grams)
● Word2Vec com Gensim
● Clusterização usando Kmeans

● Classificação usando Naive Bayes
● Classificação usando Árvores de Decisão e Random Forest
● Classificação usando Support Vector Machine
Introdução ao Machine Learning Spark MLlib

● Introdução ao Spark Mllib
● Tokenização de documentos de textos para tarefas de classificação
● Regressão Logística com Spark Mllib
● KNN com Spark Mllib
● Spark Streaming
Deep Learning
● Introdução a Deep Learning
● Redes Neurais Convolucionais
● Redes Neurais Recorrentes
● Introdução ao TensorFlow
● Conhecendo a base de dados MNIST
● Aplicação Prática de Redes Neurais MLP para Reconhecimento de Imagem
● Aplicação Prática de Redes Neurais Convolucionais para Reconhecimento de

Imagem
● Aplicação Prática de Redes Neurais Recorrentes para Análise de Sentimentos

Processamento de Alto Desempenho com Python para Big Data

● A revolução das GPUs em Machine Learning
● Arquitetura Cuda e Modelo de Programação em GPU
● Introdução ao Numba
● Comparação de desempenho entre Numpy, Numpy assíncrono e Numpy

com Numba em Operações estatísticas
● Conhecendo os principais frameworks Python para Machine Learning que

usam GPUs

Ementa_Python and Spark for Big Data and Machine Learning

Enviado por

Direitos autorais:

Formatos disponíveis

Ementa_Python and Spark for Big Data and Machine Learning

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ementa_Python and Spark for Big Data and Machine Learning

Enviado por

Direitos autorais:

Formatos disponíveis

EMENTA DO CURSO

Python and Spark for

Quem deve fazer este curso:

Entregar ao aluno um RoadMap por meio da transmissão de conhecimentos a

Dar uma visão holística e prática dos princípios fundamentais de Ciência de

Conheça o curso em detalhes 1

Python para Big Data

● Introdução à Programação funcional com Python: Funções Lambda em

● Trabalhando com grafos em Python

Análise exploratória de Dados

● Normalização de Dados com Python

● Visualização de Dados com Python (Matplotlib, Searborn, Bokeh)

● Média, Mediana, Desvio Padrão, Variância

● Teorema de Bayes e Inferência Bayesiana

Conheça o curso em detalhes 2

● Teste Estatístico de Hipótese

● Exemplo: Executando um Teste A/B

● Operações avançadas com DataFrames

● Operações com Dados Faltantes e Datas

Introdução a Machine Learning

● K-nearest neighbors – kNN

● Construção de Pipeline de Machine Learning com modelo CRISP DM

● Introdução a Sistemas de Recomendação e Filtros Colaborativos

● Regressão Logística x kNN – Avaliação de Modelos

● Fundamentos de Redes Neurais Artificiais

● Regressão Logística x kNN – Avaliação de Modelos

● Introdução a Processamento Natural de Linguagem (Modelos n-grams)

● Word2Vec com Gensim

● Clusterização usando Kmeans

Conheça o curso em detalhes 3

● Classificação usando Naive Bayes

● Classificação usando Árvores de Decisão e Random Forest

● Classificação usando Support Vector Machine

Introdução ao Machine Learning Spark MLlib

● Tokenização de documentos de textos para tarefas de classificação

● Regressão Logística com Spark Mllib

● KNN com Spark Mllib

● Redes Neurais Convolucionais

● Redes Neurais Recorrentes

● Conhecendo a base de dados MNIST

● Aplicação Prática de Redes Neurais MLP para Reconhecimento de Imagem

● Aplicação Prática de Redes Neurais Convolucionais para Reconhecimento de

● Aplicação Prática de Redes Neurais Recorrentes para Análise de Sentimentos

Conheça o curso em detalhes 4

Processamento de Alto Desempenho com Python para Big Data

● Arquitetura Cuda e Modelo de Programação em GPU

● Comparação de desempenho entre Numpy, Numpy assíncrono e Numpy

● Conhecendo os principais frameworks Python para Machine Learning que

Conheça o curso em detalhes 5

Você também pode gostar