Em 9 intensas semanas, você irá aprender Data Science, do Python ao Machine Learning avançado, adquirindo todas as habilidades para poder se juntar a um time de dados e impusionar sua carreira.
Você pode participar de alguns de nossos cursos em Madrid remotamente. Após concluir o processo de admissão, entraremos em contato para passar as orientações sobre o funcionamento de nosso bootcamp.
Nesse momento, nós não temos turmas planejadas em Madrid. Tente em outra cidade!
Nosso curso de Data Science em tempo integral (full-time) te dá em apenas 9 semanas as habilidades que você precisa para iniciar sua carreira em ciência de dados. De Pandas à Deep Learning, ao término do curso você saberá como explorar, sanitizar e transformar dados em insights e ações além de aprender a implementar modelos de Machine Learning de A a Z em um ambiente de produção, trabalhando em times e utlizando o melhor ferramental.
Nosso curso foi concebido para você aprender Data Science em pequenos passos, começando pelas ferramentas básicas no Python e em Matemática até chegar à implementação dos algoritmos de Machine Learning.
Nosso curso de Data Science é muito intenso. Para economizar tempo e para te colocar no ritmo do bootcamp desde o princípio, todos os alunos devem completar nosso trabalho preparatório online (prep-work) obrigatoriamente antes do início do bootcamp. Este trabalho dura em média 40 horas e cobre o básico de Python – a linguagem utilizada no bootcamp – além de alguns conceitos elementares de matemática mais usados em ciência de dados.
Aprenda programação usando Python, descubra como trabalhar com o Jupyter Notebook e como usar bibliotecas poderosas de Python como Pandas e NumPy para explorar grandes conjuntos de dados. Colete dados de várias fontes, incluindo arquivos CSV, bancos de dados SQL, Google Big Query, APIs e raspagem de dados (web scraping).
Aprenda a formular as perguntas corretas e a respondê-las usando requisições SQL. Este módulo trata de arquitetura de esquemas e mergula em manipulações avançadas de SELECT para extrair informações úteis a partir de bancos de dados stand-alone ou usando clientes de SQL como DBeaver.
Torne suas análises de dados mais visuais e claras incluindo visualizações em seus notebooks. Aprenda como transformar em gráficos suas análises usando bibliotecas Python como matplotlib e seaborn, gerando insights a partir de seus dados.
Entenda a matemática por trás das bibliotecas e modelos usados durante o bootcamp. Entenda os conceitos básicos de estatística e probabilidades (média, variância, variável aleatória, Teorema de Bayes, etc.) que estão no centro das operações numéricas de bibliotecas como Numpy e Pandas.
Você aprenderá como estruturar um repositório em Python com programação orientada a objetos, criando um código limpo e reutilizável, além de aprender a preparar um vasto conjunto de dados trazendo resultados estatísticos significativos baseados em modelos de regressão multivariada.
O trabalho de um analistas de dados consiset em comunicar suas descobertas para audiências não técnicas: você irá aprender como explicar seus insights técnicos e transformá-los em decisões de negócios usando análises de custo/benefício.
Aprenda a explorar, limpar e a preparar seu conjunto de dados através de técnicas de preprocessamento como vetorização. Familiarize-se com os modelos clássicos de aprendizagem supervisionada: regressões lineares e logística. Aprenda como resolver tarefas de predição e classificação com a biblioteca Python scikit-learn usando algoritmos como KNN(k-nearest neighbors).
Implemente as fases de teste e treinamento para se certificar que seu modelo pode ser generalizado em dados novos e feito seu deploy em produção com precisão previsível. Aprenda como prevenir overfitting usando métodos de regularização, e saiba como escolher as funções de perda mais adequadas para melhorar a precisão de seu modelo.
Avalie o desempenho de seu modelo, sabendo definir métricas de erro e escolher o que otimizar para entender o impacto de seu negócio. Melhore o desempenho deste modelo com métodos de validação como cross validation ou hyperparameter tuning. E por fim, descubra um método de aprendizado supervisionado chamado SVM (Support Vector Machines).
Conheça unsupervised learning e implemente métodos como PCA para redução de dimensionalidade e clustering para descobrir grupos emergentes em seu corpo de dados. Complete seu cinto de ferramentas com o conjunto de métodos que combina outros métodos para melhorar o desempenho, tais como Random Forest ou Gradient Boosting.
Adquira familiaridade com variáveis high-dimensional e transforme-as em um input gerenciável. Aprenda técnicas clássicas de pré-processamento para imagens como normalização, standartização e whitening. Escolha o encoding mais adequado para preparar seus dados para diferentes tarefas de processamento de linguagem natural, ou NLP (Natural Language Processing).
Compreenda a arquitetura das redes neurais (neurons, layers, stacks) e seus parâmetros (activation functions, loss function, optimizer). Ganhe autonomia para construir suas próprias redes como Convolutional Neural Networks (para imagens), Recurrent Neural Networks (para séries de tempo) e Natural Language Processing networks (para texto).
Descubra uma nova biblioteca chamada keras, que facilita o acesso para desenvolvedores ao tensorflow, uma biblioteca de Deep Learning criada pelo Google. Você aprenderá as técnicas fundamentais para construir seu primeiro modelo de deep learning com Keras.
Mergulhe mais fundo em visão computacional construindo redes de Deep Learning para detecção e reconhecimento de objetos. Implemente técnicas avançadas como data augmentation para melhorar seus conjunto de dados usando computing image perturbations (random crops, intensity changes etc).
Alterne entre Jupyter Notebook e um editor de código e aprenda como iniciar um projeto de machine learning da maneira correta, para iterar de maneira confiante e rápida. Aprenda como converter um modelo de machine learning em um modelo com um pipeline robusto e escalável com sklearn-pipeline usando encoders e transformers.
Construir modelos de machine learning do princípio ao fim requer muita preparação de dados, experimentação, iteração e ajuste. Nós iremos te ensinar como construir suas funcionalidades e como ajustar seus hyperparameters para criar os melhores modelos. Para isso, iremos usar uma biblioteca chamada MLflow.
E por fim, iremos te mostrar como publicar seu código (deploy) e modelos em produção. Usando Google Cloud AIPlatform e Airflow, você será capaz de treinar seu modelo em escala, empacotá-lo e disponibilizá-lo para o mundo! E a cereja do bolo: você aprenderá a usar o Docker para fazer o deploy de sua própria API RESTful usando Flask, que pode ser plugada a qualquer interface de front-end.
Você irá passar as duas últimas semanas do bootcamp trabalhando em grupo para a conclusão de um projeto em data science, trabalhando sobre um problema de verdade que você queira resolver e usando dados reais! Em times, você irá aprender como colaborar de forma eficiente com outros desenvolvedores através de um repositório GitHub em Python e usando o Git flow. Você poderá usar seus próprios dados (como os da sua empresa ou organização onde trabalha) ou trabalhar com dados abertos como os disponibilizados por governos ou no Kaggle, etc. Esta é a melhor maneira de colocar em prática todas as ferramentas, técnicas e conhecimentos adquiridos durante o bootcamp.
Desde as aulas pelas manhãs até os talks no fim do dia, todos os dias são cheios de atividades!
Pegue um café e comece todas as manhãs com uma aula envolvente e interativa, antes de colocar em prática o que você aprendeu.
Junte-se com seu parceiro do dia e trabalhe em uma série de desafios de programação com a ajuda de nossa equipe de professores.
Aprender a programar é algo muito intenso e, por isso, é importante fazer uma pausa e relaxar durante nossas aulas de ioga.
Analise outros problemas e tenha uma visão geral dos desafios futuros durante as sessões de live code.
Inspire-se em conselhos valiosos de empresários de sucesso em nossas palestras e workshops exclusivos.
Nosso curso de Data Science é apenas o início de sua jornada! Depois de se graduar, você fará parte de uma comunidade tecnológica global e terá acesso à nossa plataforma online para continuar a aprender e a se desenvolver ainda mais como profissional.
Receba dicas e conselhos de cientistas de dados profissionais e analistas de dados, tenha acesso à ofertas de emprego exclusivas além de oportunidades para freelances.
Tenha acesso à nossa plataforma de ensino online a qualquer momento depois do curso: você terá acesso vitalício a todas as aulas, desafios e material de estudo.
Beneficie-se de nossa comunidade global com 9297 alunos que hoje atuam ao redor do mundo na área de dados, como desenvolvedores, gerentes de produto ou empreendedores.
Estamos presentes em 39 campuses ao redor do mundo: onde quer que você vá fará parte da comunidade Le Wagon global!
Beneficie-se de nossos serviços de carreira após o término do curso. Te ajudamos a se conectar com os melhores recrutadores e com outros ex-alunos.
Tenha acesso a um guia completo para dar os primeiros passos em sua carreira de Data Science após o curso: incremente seu portfólio, encontre o emprego dos seus sonhos, expanda sua rede fazendo parte de nossa comunidade alumni global com 9297 membros.
Participe de nossos eventos de networking e de nossas carreer weeks, conecte-se com as melhores empresas de tecnologia e receba ofertas de recrutadores buscando por talentos na área de dados.
Nossos ex-alunos adoram contar suas histórias de recém-formados: como encontraram seus trabalhos como Cientista de Dados, Analista de Dados ou Engenheiro de Dados.
Nossos times locais conhecem bem as necessidades de nosso alumni e hiring partners. Eles saberão te conectar com as pessoas certas!
Temos parceria com muitas empresas para que contratem nossos alunos como Data Scientists, Data Analysts ou Data Engineers.
Contratou 1 ex-alunos
Contratou 9 ex-alunos
Contratou 5 ex-alunos
Contratou 6 ex-alunos
Contratou 3 ex-alunos
Contratou 1 ex-alunos
