Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Inscrições Abertas

Início das Aulas: 24/03/2015

Dias e horários das aulas:

Terça-Feira 19h00 às 22h45 Semanal

Quinta-Feira 19h00 às 22h45 Semanal

Carga horária: 460 Horas

Duração: 18 meses

Este curso tem como objetivo principal analisar e extrair informações de dados não estruturados.

Apresentar as ferramentas de Análise de Big Data como um processo importante para manipulação de

dados e análise estatística de dados, em tempo real, para tomada de decisão e agregar valor no processo

de administração de empresas; Apresentar os aspectos fundamentais de programação para que o aluno

tenha capacidade de programar em ferramentas de Análise de Big Data.

Aulas expositivas, resolução de exercícios práticos, estudos de casos, laboratórios e debate com

especialistas em Big Data.

Metodologia

Profissionais das áreas de: computação, TI, analytics, estatísticos, analistas de mídia social, publicitários,

gestores de marketing e CRM, profissionais de e-commerce, profissionais do mercado que manipulam e

precisam tomar rápidas decisões por meio de grandes bases de dados.

Perfil do Aluno

Objetivo

*As informações podem sofrer alterações

Pós-Graduação "Lato Sensu"

Especialização em Análise de

Dados e Data Mining

Composto por professores altamente qualificados com experiência em estatística, computação, TI e

especialistas em análise de Big Data.

Disciplina 1 – Introdução ao Data Mining

• Noções de Macro economia e modelos econômicos:

A disciplina tem como objetivo fornecer o instrumental analítico necessário à compreensão dos fenômenos e variáveis macroeconômicas, como inflação, taxa de juros e taxa de câmbio. Princípios básicos de construção de modelos macroeconômicos.

• Noções de micro economia:

O objetivo da disciplina é prover ao aluno o instrumental básico de raciocínio econômico. O programa cobrirá os conceitos básicos de funcionamento de mercado, oferta e procura.

• Introdução à Macro e Micro Economia

• Conceitos básicos para análise de dados financeiros e de mercado

• Conceitos básicos de finanças:

Essa disciplina busca dar ao participante os principais conceitos de finanças e suas aplicações. Matemática financeira: Juros compostos, valor presente, valor futuro e taxa interna de retornos, fluxo de caixa, inflação, taxa de câmbio, impostos e ciclo de vida. Risco e Retorno: o modelo CAPM. Mercado de Capitais e Crédito. Derivativos. Mercados Futuros. Opções. Fundamentos e Aplicações de corporate e project finance.

• Conceitos Básicos de Marketing:

Essa disciplina busca dar noções sobre os conceitos básicos de Marketing tais como composto de Marketing, relacionamento com o cliente.

• Objetivos:

Entender as formas iniciais de análise exploratória dos dados. Tomar contato com os dados e entender o conjunto de dados obtidos, sua qualidade, seu poder explicativo. Estudar a qualidade dos dados e sua aplicabilidade em um processo de Data Mining. Serão discutidas as formas de exploração e reconhecimento dos dados extraídos, análise de formas de distribuição. • Conteúdo:

• Análise Exploratória de Dados

• Bancos de Dados e Tipos de Variáveis - Examinando os dados: - Dados Qualitativos - Dados Quantitativos • Medidas de posição • Medidas de Variabilidade • Sumarizando os dados: - Box-plot

- Identificação e tratamento de outliers - Dados faltantes

- Dados inconsistentes

- Distribuição de freqüência e histogramas

- Métodos de transformação dos dados e aplicação Objetivos:

Este módulo visa dar a base onde as técnicas de análise de dados e data mining são aplicados. Busca dar uma visão geral dos conceitos de Economia, Marketing, Finanças e Estatística Básica, onde o estudo e aplicação de modelos de análise quantitativa, análise multivariada e econométricos serão desenvolvidos.

Disciplina 2 – Fundamentos de Estatística

• Objetivos:

Identificação e obtenção dos dados a partir de bases de dados operacionais. Entender métodos de extração, seleção e validação de amostras.

• Conteúdo:

• Principais Distribuições Teóricas e Amostragem

• Principais Distribuições Discretas • Principais Distribuições Contínuas

• Tipos de amostragem e seleção de amostras • Casual simples

• Sistemática • Estratificada • Conglomerados

• PPS- Probability Proportional to Size • Objetivos:

Entender as formas iniciais de análise exploratória dos dados. Tomar contato com os dados e entender o conjunto de dados obtidos, sua qualidade, seu poder explicativo. Estudar a qualidade dos dados e sua aplicabilidade em um processo de Data Mining. Serão discutidas as formas de exploração e reconhecimento dos dados extraídos, análise de formas de distribuição. • Conteúdo: • Inferência Estatística • População e amostras • Distribuições Amostrais: - Estimação - Teste de Hipótese

- Teste de Hipótese não paramétrico

• Vantagens e desvantagens da amostra e do censo

Disciplina 3 – Estatística Aplicada I

Módulo II - Técnicas Aplicadas a Data Mining

• Objetivos:

Determinar quando a análise de regressão é adequada, suas limitações. Saber interpretar os resultados da análise. Entender e aplicar a análise de regressão para estimações, previsões.

• Conteúdo:

• Testes estatísticos

• Previsão, estimação e explicação com regressão linear múltipla • Suposições da análise de regressão

• Interpretação dos resultados • Exercícios

• Análise de agrupamento

• Objetivos:

Entender o conceito de similaridade entre observações, entender como identificar grupos homogêneos de indivíduos, segmentos e perfis de grupos de indivíduos obtidos. Entender as diferentes técnicas de agrupamento.

• Conteúdo:

• Objetivos da análise de agrupamento • Técnicas de agrupamentos

• Identificação de grupos e escolha do número de grupos • Interpretação dos grupos e perfis que os compõem

• Técnicas de Classificação

• Objetivos:

Determinar quando a análise de discriminante ou a regressão logística são adequadas. Entender suas limitações. Saber interpretar os resultados da análise. Criar modelos discriminantes e avaliar sua capacidade discriminante, classificatória ou preditiva. Aprender a comparar e testar os modelos para escolha do melhor modelo.

• Conteúdo:

• Objetivos da regressão logística e análise discriminante • Suposições da análise discriminante

• Identificação e discriminação e classificação de grupos • Estimação e previsão através de regressão logística • Interpretação dos resultados

• Comparação e testes dos modelos de regressão e análise discriminante para escolha do melhor modelo

Disciplina 4 – Estatística Aplicada II

• Objetivos:

Apresentar como a árvore de decisão pode ser utilizada para classificação • Conteúdo:

• Árvore de Decisão

• Principais Distribuições Discretas • Principais Distribuições Contínuas

• Tipos de amostragem e seleção de amostras • Casual simples

• Sistemática • Estratificada • Conglomerados

• PPS- Probability Proportional to Size

• Objetivos:

Entender as formas iniciais de análise exploratória dos dados. Tomar contato com os dados e entender o conjunto de dados obtidos, sua qualidade, seu poder explicativo. Estudar a qualidade dos dados e sua aplicabilidade em um processo de Data Mining. Serão discutidas as formas de exploração e reconhecimento dos dados extraídos, análise de formas de distribuição. • Conteúdo: • Séries Temporais • População e amostras • Distribuições Amostrais: - Estimação - Teste de Hipótese

- Teste de Hipótese não paramétrico

Disciplina 5 – Tópicos Especiais de Data Mining I

• Objetivos:

Discutir sobre técnicas e ferramentas de tecnologia de informação para criação, acesso e preparo dos dados para data mining. São explorados conceitos de modelagem de bancos de dados, de acesso a dados.

• Conteúdo:

• Acesso e Modelagem de dados para negócios

• Conceitos de Business Intelligence

- Apresentação dos conceitos e objetivos da Business Intelligence

- Datawarehouses, datamarts e infra-estrutura para inteligência de negócios

- Fases de um projeto de modelagem de negócios; organização e papeis em um projeto; erros a evitar • Requisitos de Informação

- Determinação dos requisitos de informação - Apresentação de caso para trabalho em grupo

- Trabalho em grupo para determinação de requisitos de informação • Modelagem Dimensional

- Modelagem dimensional

- Estrutura dos modelos para inteligência de negócios - Particularidades da modelagem dimensional • Alimentação e exploração de dados:

- Mercado de softwares para BI - Apresentação de caso prático

• Objetivos:

Este módulo tem como objetivo, mostrar ao participante uma visão geral dos conceitos e objetivos das técnicas de Data Mining • Conteúdo:

• O que é Data Mining

• Data Mining e Tecnologia de Informática • Data Mining e Estatística

• O Processo de Data Mining • Softwares para Data Mining • Objetivos:

Apresentar as ferramentas atuais de data mining e explorá-las a partir de informações relativas a aspectos econômicos, financeiros e de mercado. São utilizadas uma ou mais das ferramentas de data mining. Discutir casos aplicados em empresas de diversos setores.

• Análise de Dados com as Ferramentas e Técnicas de Data Mining

• Introdução ao Data Mining

• Objetivos:

Apresentar as principais ferramentas e produtos de Data Mining existentes no mercado. • Conteúdo:

• O que é Data Mining • Noções de Clementine • Noções de Entreprise Miner • Outros pacotes de Data Mining

• Ferramentas de data mining

Disciplina 6 – Tópicos Especiais de Data Mining II

• Objetivos:

A técnica de algoritmos genéticos tem sido usados de maneira integrada às redes neurais tanto para a geração de novas entradas de dados quanto para a geração de novas redes. Esta disciplina propõe apresentar esta técnica e discutir exemplos de aplicação.

• Algoritmos genéticos

• Conceito de Algoritmos genéticos • Conceito de mutação genética

• Aplicação de algoritmos genéticos em Data Mining

• O que são redes neurais e quais aplicações • Arquiteturas de redes neurais

• Modelos multicamadas

• Construção de aplicações com redes neurais • Objetivos:

As redes neurais são uma poderosa técnica de estruturação de conhecimento a partir de dados. Esta disciplina tem por objetivo expor os principais modelos de redes neurais e suas aplicações em gestão. Pretende explorar modelos de classificação e de previsão tanto em aplicações financeiras como de marketing.

• Conteúdo:

• Redes Neurais

• Objetivos da análise • Métodos de detecção • Identificação de grupos

• Softwares de detecção automática • Exercícios de aplicação

• Objetivos:

Mostrar de que maneira podem ser utilizados os métodos de detecção automática de clusters para identificação de grupos homogêneos de indivíduos.

• Conteúdo:

• Identificação automática de conglomerados (automatic cluster detection) • Métodos analíticos para análise de dados

• Objetivos:

Uma das aplicações críticas de data mining na área financeira é o apoio à gestão de risco de crédito. Esta disciplina visa discutir a análise de dados e a construção de modelos de avaliação de risco de crédito através das técnicas mais adequadas a esta aplicação (regressão logística, redes neurais e árvore de decisão)

• Credit Scoring

• Objetivos da Análise • Descrição dos dados • Explorando os dados • Construção de Modelos:

- Modelos de Regressão Logística - Modelos de Arvores de Decisão - Modelos de Redes Neurais • Comparação de Modelos • Relatórios de Sumarização

O curso possui uma carga horária de 460 horas. Sendo 360 horas de aula e 100 horas para elaboração

individual de TCC (trabalho de conclusão de curso).

O curso terá carga horária semanal de 8 horas, ministradas à noite as terças e quintas.

Horário das aulas: 19:00 horas às 23:00 horas.

Localização: FIA – Unidade Vila Olímpia – Rua do Rocio, 109

Carga Horária e Localização

Destina-se a profissionais das áreas de administração, economia, engenharia, medicina, direito,

tecnologia da informação que buscam desenvolver suas competências no processo de análise quantitativa

de dados bem como conduzir a implantação desta atividade na empresa.

Público Alvo

A Faculdade FIA de Administração e Negócios – mantida pela Fundação Instituto de Administração,

responsável pelo Certificado expedirá o Certificado a que farão jus os alunos que obtiverem presença

mínima de 75% da carga horária total do curso, e simultaneamente frequência mínima de 50% das aulas

ministradas por disciplina, e nota igual ou superior a 7 nas disciplinas, bem como no trabalho de

conclusão do curso.

Certificação

• Objetivos:

Apresentar de que maneira a técnica de análise de cestos de compras permite identificar grupos de itens de venda que tendem a ocorrerem em uma mesma transação de compra. Discutir a construção dos modelos.

• Link Analysis

• Objetivos da análise • Descrição dos dados

• Análise exploratória de dados • Construindo modelos:

- Modelos loglineares - Regras de Associação

• Objetivos:

Apresentar o uso de árvore de decisão em problemas de gestão, as técnicas e aplicações de árvore de decisão mais utilizadas. • Conteúdo:

• Arvore de Decisão

• Estudos de Caso

• Aplicações de árvore de decisão

• Modelos de árvore de decisão (CART, CHAID, outras variações) • Softwares de árvore de regressão