Modelagem Estatística

Revisão dos fundamentos da linguagem Python aplicados à análise de dados: estruturas de dados, loops, funções e bibliotecas essenciais para ciência de dados.

Manipulação e análise de dados com a biblioteca Pandas: carregamento de datasets, filtragem, agrupamento, junção de tabelas e limpeza de dados.

Criação de gráficos e visualizações com Matplotlib e Seaborn. Como comunicar padrões e insights de forma visual e eficiente.

Conceitos essenciais de estatística descritiva: média, mediana, moda, desvio padrão, variância e como interpretá-los para entender a distribuição dos dados.

Principais distribuições de probabilidade (normal, binomial, Poisson) e sua aplicação na modelagem de fenômenos reais e na inferência estatística.

Fundamentos de testes estatísticos: p-valor, intervalo de confiança, testes t, qui-quadrado e ANOVA. Como validar hipóteses com base em dados.

Construção e validação de modelos de regressão linear simples e múltipla. Interpretação de coeficientes, avaliação de performance e previsão de valores contínuos.

Identificação e tratamento de multicolinearidade em modelos de regressão. Técnicas para garantir a qualidade e confiabilidade dos modelos estatísticos.

Modelos para classificação: regressão logística para variáveis binárias e árvores de decisão para problemas de classificação e regressão.

Conceitos fundamentais de machine learning: aprendizado supervisionado e não supervisionado, overfitting, validação cruzada e avaliação de modelos.

Algoritmos de clustering (K-Means, hierárquico) e redução de dimensionalidade (PCA). Aplicações em segmentação de clientes e análise exploratória.

Introdução às redes neurais artificiais: perceptron, backpropagation e deep learning. Primeiros passos com TensorFlow e aplicações práticas em dados reais.