MBA Data Science & Analytics

USP ESALQ

Período: 2022/2 - 2024/1

O repositório

Esse repositório foi criado para acompanhar o MBA em Data Science e Analytics pela ESALQ USP. Nele colocarei as resoluções dos exercícios e tarefas exigidas pelo curso, assim como o desenvolvimento do meu projeto de TCC. Trabalho com R, mas se alguém quiser contibuir com Python será muito bem vinda(o). A ideia é manter esse repositório público para que as pessoas tenham acesso a esse conteúdo. Porém, nem todos os materiais serão disponibilizados, uma vez que a USP ESALQ possui direitos autorais sobre os materiais.

As informações sobre o curso foram retiradas da página do curso https://mbauspesalq.com/cursos/mba-em-data-science-e-analytics

Sobre o curso

Já pensou em melhorar os processos analíticos e de tomada de decisão em ambientes organizacionais? Esteja alinhado ao mercado de trabalho com o MBA em Data Science e Analytics USP/Esalq, um curso online e com ferramentas exclusivas de interação entre professores e alunos.

Pré-requisito: para ingresso nos cursos dos MBAs USP/Esalq o candidato deve possuir diploma de curso superior. Não é necessário formação ou atuação anterior na área de Ciência de Dados ou Tecnologia da Informação.

Seja relevante

O reconhecimento e a relevância que você precisa para uma carreira de sucesso dependem da constante atualização, do conhecimento das principais tendências e da compreensão sobre como se relacionam os fundamentos e conceitos de Ciência de Dados com aplicações práticas, estratégias, modelos de negócios e tecnologias.

Desenvolva habilidade

O mercado demanda profissionais com mais do que conhecimento técnico. Por isso, o MBA em Data Science e Analytics USP/Esalq vai além, buscando desenvolver competências e habilidades relacionadas a comunicação, senso crítico, capacidade analítica e interpretativa, programação e implementação de códigos de machine learning, resolução de problemas, visão sistêmica e estratégica entre outras.

No fim do curso, o profissional poderá

• Compreender as diferentes estruturas de bancos de dados, tipos de variáveis e suas escalas de mensuração

• Relacionar engenharia de dados, analytics e machine learning

• Desenvolver habilidades para a manipulação de dados, data wrangling e data visualization

• Entender as razões para a estimação de cada um dos modelos de machine learning

• Construir algoritmos para desenvolvimento de modelos e implementação de técnicas de machine learning unsupervised, supervised e ensemble

• Desenvolver web crawlers e implementar algoritmos de webscraping e deep learning

• Compreender e utilizar dados para análise geoespacial

• Desenvolver projetos de business intelligence e data visualization, bem como construir dashboards

• Implementar técnicas de pesquisa operacional a partir de modelos de otimização e simulação

• Apresentar visão crítica e estratégica sobre projetos de tecnologia da informação, inteligência artificial, big data e data mining

• Estabelecer estratégias de analytics para modelos de decisão e risk management

• Discutir cloud computing

• Discutir LGPD (Lei Geral de Proteção de Dados)

A quem este curso se destina

Profissionais atuantes nas mais diversas áreas, que precisam ou desejam adquirir conhecimentos em modelagem de dados, programação, tecnologia e tomada de decisão estratégica a partir das diversas vertentes da Ciência de Dados.

Metodologia de Ensino aplicável

A metodologia do curso está fundamentada na interação entre teoria e prática, com o objetivo de desenvolver nos alunos o pensamento crítico e habilitar a busca por soluções, tanto nas atividades atuais quanto futuras, construindo o conhecimento para encarar desafios ao longo da carreira profissional.

Programa do Curso

Módulo Introdutório (em curso)

• Estatística (04/10 - 21/10)

$\rightarrow$ Introdução ao Software R e Introdução ao Machine Learning

Data Science e Big Data no Ambiente de Negócios

• Metodologias Ágeis

• Business Intelligence e Data Visualization

• Engenharia de Dados

• Introdução do JavaScript

• Cloud Computing

• Social Network Analysis

• Tecnologia da Informação (TI) e Inovação Tecnológica

• Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas

• Analytics e Gestão de Riscos

• Legislação no Ambiente Digital (LGPD)

• Tópicos Especiais de Gestão em Tecnologia de Negócios

Modelos Supervisionados e não Supervisionados de Machine Learning

• Clustering

• Análise Fatorial e PCA

• Análise de Correspondência Simples e Múltipla

• Análise de Regressão Simples e Múltipla

• Modelos Logísticos Binários e Multinomiais

• Modelos para Dados de Contagem

• Modelagem Multinível

• Séries Temporais

• Big Data e Deployment de Modelos

Tendências em Data Science e Analytics

• Data Wrangling

• Análise Espacial

• Árvores, Redes e Ensemble Models

• Introdução ao Deep Learning

• Deep Learning

• Coleta de dados: Crawlers e Web Scraping

• Text Mining, Sentiment Analysis e NPL

• Pesquisa Operacional e Modelos de Otimização e Simulação

• Gestão da Mudança na Era Digital (Change Management)

• O módulo introdutório possui um certificado de conclusão próprio, entregue aos alunos após sua conclusão mediante os critérios de aprovação.