IPEA - Instituto de Pesquisa Econômica Aplicada - Planejamento e Gestão do Conhecimento e de Dados - Ciência de Dados

Proposta

Ocupar um cargo público , sem dúvidas, não é uma tarefa fácil. Alcançar a aprovação demanda muito tempo, estudo e esforço pessoal. E é por ter ciência da grandeza de tal desafio que o Gran Cursos Online estará sempre ao seu lado nessa caminhada.

Dessa forma, o alinhamento e o compromisso com o que há de mais técnico e fundamental para o seu estudo de PÓS-EDITAL estará sempre à sua disposição a partir do curso que ora oferecemos:

✅ Abordagem teórica ampla, aprofundada e atualizada de todas as disciplinas previstas no Edital de referência

✅ Organização das videoaulas em estrita obediência aos tópicos do conteúdo programático do Edital de referência (conteúdo verticalizado), acompanhadas das respectivas degravações

✅ Seleção minuciosa de professores e conteúdos didático-pedagógicos que aceleram a aprovação

✅ Corpo docente respeitado e experiente

✅ Fórum de dúvidas (durante a validade do acesso ao curso)

✅ Apoio pedagógico constante e permanente (durante a validade do acesso ao curso)

✅ Gran Questões – vasto banco de questões de concursos públicos de todo o país (* exclusivo na Assinatura Ilimitada).

Mais Detalhes:

1. Curso baseado no EDITAL Nº 1 - IPEA, 29 DE NOVEMBRO DE 2023

2. Serão abordados os tópicos mais relevantes de cada disciplina (não necessariamente todos), a critério de cada um dos professores;

3. As videoaulas eventualmente ainda não disponibilizadas serão acrescidas de modo gradativo e em conformidade com o cronograma de gravação dos respectivos professores. Periodicamente, divulgamos o cronograma referente aos novos vídeos a serem disponibilizados;

4.  Não serão ministrados:  7. Participação e controle social. Métricas de similaridade textual - similaridade do cosseno, distância euclidiana, similaridade de Jaccard, distância de Manhattan e coeficiente de Dice. 9. Bibliotecas para machine learning: Scikit-learn; TensorFlow; PyTorch; Keras. 9. Desidentificação de dados sensíveis. 10. Algoritmos fuzzy matching e stemming. Probabilidade e Estatística: 8. Diagramas causais: grafos acíclicos dirigidos; variáveis confundidoras, colisoras e de mediação.9. Métodos e técnicas de identificação causal: Métodos experimentais RCT e de identificação quase-experimental.10. Tipos de viés no processo gerador dos dados e soluções: Sampling bias; Selection bias; Attrition bias; Reporting bias; Measurement bias.11. Modelos probabilísticos gráficos: cadeias de Markov; filtros de Kalman; Redes bayesianas. e análise exploratória de dados. 3. Linguagem de programação Scala.4. Banco de dados e formatos de arquivo orientado a colunas: Parquet, MonetDB, duckDB.8. Arquitetura de cloud computing para ciência de dados (AWS, Azure, GCP). 9. Paralelização de rotinas de ciência de dados.   8. Visualização de dados - ggplot,

5. Informamos que, visando à melhor compreensão e absorção dos conteúdos previstos no seu Edital, as videoaulas referentes a determinadas disciplinas foram organizadas com base na lógica didática proposta pelo(a) docente responsável e não de acordo com a ordem dos tópicos apresentada no conteúdo programático do certame.

6. Não serão ministrados:

O rol de professores poderá sofrer acréscimos ou substituições por motivos de força maior, ficando a cargo do Gran Cursos Online as devidas modificações.

AULAS EM PDF AUTOSSUFICIENTES:

1. Conteúdo produzido por mestres especializados na leitura como recurso didático completo.
2. Material prático que facilita a aprendizagem de maneira acelerada.
3. Exercícios comentados.
4. Não será(ão) ministradas aulas essenciais 80/20 sobre: Conhecimentos Específicos.
5. Não será (ão) ministrados em PDF: Em Estado e Políticas Públicas: Atribuições, competências e relações entre esferas de governo no regime federativo na CF/88. Planejamento e Orçamento na CF/88: Objetivos da República, Planos Setoriais. Plano Plurianual, Lei de Diretrizes Orçamentárias e Lei Orçamentária Anual. Participação e controle social na CF/88. 8. Ética e conduta do servidor público.
Em Conhecimentos Específicos: INGESTÃO, PROCESSAMENTO E ARMAZENAMENTO DE DADOS: 1. Ingestão de dados estruturados, semiestruturados e não estruturados. 2. Ingestão de dados em lote (batch). 3. Ingestão de dados em streaming. 5. Conceitos de processamento massivo e paralelo. 6. Processamento distribuído. BANCOS DE DADOS: SQL Server; PostgreSQL, MySQL. 4. Banco de dados e formatos de arquivo orientado a colunas: Parquet, MonetDB, duckDB. TRATAMENTO, QUALIDADE E VISUALIZAÇÃO DE DADOS: 1. Normalização numérica. 2. Discretização. 3. Tratamento de dados ausentes. 4. Tratamento de outliers e agregações. 5. Matching. 6. Deduplicação. 7. Data cleansing. 8. Enriquecimento. 9. Desidentificação de dados sensíveis. 10. Algoritmos fuzzy matching e stemming. 11 Visualização e análise exploratória de dados. LINGUAGENS DE PROGRAMAÇÃO E FRAMEWORKS: 3. Linguagem de programação Scala.4. Programação funcional. 5. Programação orientada a objetos. 6. Classes de objetos e suas propriedades (vetores, listas, data.frames). 7. Manipulação e tabulação de dados (numpy, pandas, tidyverse, data.table). 8. Visualização de dados - ggplot, matplotlib. 9. Paralelização de rotinas de ciência de dados. PROBABILIDADE E ESTATÍSTICA: 8. Diagramas causais: grafos acíclicos dirigidos; variáveis confundidoras, colisoras e de mediação. 9. Métodos e técnicas de identificação causal: Métodos experimentais RCT e de identificação quase-experimental. 10. Tipos de viés no processo gerador dos dados e soluções: Sampling bias; Selection bias; Attrition bias; Reporting bias; Measurement bias. 11. Modelos probabilísticos gráficos: cadeias de Markov; filtros de Kalman; Redes bayesianas. APRENDIZADO DE MÁQUINA: ; Árvores de decisão (algoritmos ID3 e C4.5); 2. Avaliação de modelos de classificação: treinamento, teste, validação; validação cruzada; métricas de avaliação - matriz de confusão, acurácia, precisão, revocação, F1-score e curva ROC. 3. Técnicas de regressão:Redes neurais para regressão; Árvores de decisão para regressão; Máquinas de vetores de suporte para regressão; 4. Ajuste de modelos dentro e fora de amostra 5. Técnicas de agrupamento: Agrupamento por partição, por densidade e hierárquico. 6. Técnicas de redução de dimensionalidade: Seleção de características (feature selection); Análise de componentes principais (PCA - principal component analysis). Normalização textual - stop words, estemização, lematização e análise de frequência de termos; Rotulação de partes do discurso, part-of-speech tagging; Modelos de representação de texto - N-gramas, modelos vetoriais de palavras (CBOW, Skip-Gram e GloVe), modelos vetoriais de documentos (booleano, TF e TF-IDF, média de vetores de palavras e Paragraph Vector); Métricas de similaridade textual - similaridade do cosseno, distância euclidiana, similaridade de Jaccard, distância de Manhattan e coeficiente de Dice. 8. Redes neurais convolucionais e recorrentes. 9. Bibliotecas para machine learning: Scikit-learn; TensorFlow; PyTorch; Keras.
6. Não será(ão) ministrado(s) em PDF sintético.