MENU

| BR

Campus

Programação

Marketing

UX

Dados

Negócios

Paises

Profissional mais procurado do século XXI

Aprenda a trabalhar com dados estruturados e não-estruturados. Saiba como usar Python e bibliotecas SciPy

Machine Learning

Aplique técnicas de estatística inferencial e algoritmos de Machine Learning usando NumPy, Pandas e Scikit-learn, entre outras. Aprenda técnicas de visualização e storytelling para apresentar resultados

Mentoria de carreira

Alunos podem fazer o Curso de Gestão de Carreira (gratuito) e participam de feiras de recrutamento exclusivos (Recruiting Day)

Imagen de Data Science

Por que Data Science?

Você vai aprender:
  1. - Medidas de Dispersão/Associação (Python)
  2. - Pandas básico
  3. - Probabilidades com Python
  4. - Inferência Estatística
  5. - Business (Cultura Data-driven)
  6. - Dataviz & Storytelling
E mais:
  1. - SQL, NoSQL & Big Data
  2. - Scrapping
  3. - Regressão Simples & Regressão Múltipla
  4. - Modelagem estatística
  5. - Regressão Logística
  6. - Machine Learning
E também:
  1. - Sistemas de recomendação
  2. - Ensembles
  3. - Intro to AI NLP e/ou Visão Computacional
  4. - Criação de API´s
  5. - Redes Neurais & Tensor Flow 2.0
  6. - Ética & Privacidade

E na minha carreira?

Qual o futuro?

Cientista de dados é o profissional mais procurado do século XXI, segundo a Harvard Business Review. Por ser uma área nova e com alta demanda, a procura por esse perfil de profissional não pára de crescer.

Salário

Em média, o salário inicial para Data Science é de R$4,960. De 2018 a 2019, a demanda por esses profissionais aumentou 236%. (fonte: Revelo, Julho 2019)

Aprenda com professores especialistas do mercado

Nosso time de especialistas

Foto del Diretor Acadêmico Edney InterNey Souza
Diretor Acadêmico
Edney InterNey Souza
Foto del Coordenador José Borbolla Neto
Coordenador
José Borbolla Neto
Ver Professores

Quem já fez

Vicente e Jussara

Escolheram estudar Data Science para mudar o mundo

Victor da Silva

Engenheiro químico fez transição de carreira para Data Science

Próximos cursos, horários e sedes

  • Manhã
  • Noite

Manhã

8:30 às 12:00

Segunda, Quarta, Sexta

2 Março - 20 Julho

08:30 a 12:00
Vila Olímpia Ver preço

Noite

19:00 às 22:30

Terça, Quinta, Sábado

4 Fevereiro - 2 Julho

19:00 a 22:30
Vila Olímpia Ver preço

Blog
Digital House

5 primeiros passos para quem quer se tornar um cientista de dados img
dados

5 primeiros passos para quem quer se tornar um cientista de dados

É difícil começar algo novo quando não se tem ideia do primeiro passo que é preciso tomar para iniciar a jornada. Esse é o questionamento de muitas pessoas que buscam fazer uma transição de carreira, principalmente para aqueles com interesse em se tornar um cientista de dados. Sobre esse tema, já falamos em outro artigo quais são as principais habilidades e competências necessárias (e demandadas pelo mercado de trabalho) para iniciar uma carreira em dados. Mas quais são os passos anteriores ao curso de Data Science, ao treinamento do pensamento lógico ou ao networking?Os professores do curso de Data Science da Digital House se prontificaram a responder uma simples pergunta que faz todo a diferença para quem quer ingressar nesta nova carreira: qual é o primeiro passo para quem quer se tornar um cientista de dados?Quebre paradigmasPara o professor Victor Morganti, o primeiro passo é “desconstruir a ideia de que a profissão é puramente ferramental”. Muitos são atraídos pela profissão por encontrar semelhanças com o dia a dia de profissionais de TI, no entanto, Victor alerta que o cientista de dados possui desafios muito diferentes.“O dia a dia do cientista de dados é permeado por questões e decisões de negócios”, conta o professor. E neste cenário, ser um profissional multidisciplinar e com experiência em áreas diversas não é só um diferencial, como também uma característica essencial da profissão.Sendo assim, ao ingressar nesta carreira é importante ter em mente que, mais do que administrar ferramentas, você administrará problemas e conflitos reais. LeituraNós já indicamos uma lista de leitura para quem quer ingressar na área de dados, mas a professora Caroline Oliveira destaca a editora O’Reilly como a melhor para quem ainda nem começou. “A coleção de livros possui exemplares desde o básico até níveis mais avançados e é uma ótima coletânea para te dar uma base antes de iniciar um curso, por exemplo”. A Editora Novatec distribui os livros da O’Reilly no Brasil em português, mas você pode encontrar versões originais em sites como Estante Virtual (e já pratica o inglês).Assista vídeosUma forma dinâmica e rápida de aprender ou se inteirar é através de vídeos na internet. Ambos os professores, Victor e Caroline, indicaram vídeos para entender melhor a carreira de dados antes de apostar em uma mudança drástica.A professora Caroline recomendou “perder-se” pelos muitos TEDs sobre Dados. Os breves vídeos de até 20 minutos com especialistas não só dão uma dimensão da importância dos dados no mundo atual, como também mostram sua utilização nas mais diversas áreas.Cientistas de dados do mundo inteiro podem ser vistos falando sobre a profissão, seus rumos, o lado positivo e o negativo, e seu papel em nossa sociedade.Pesquise vagasA melhor forma de saber o que você precisa aprender para ser um profissional de dados é indo direto à fonte: o mercado de trabalho. Pesquise por vagas na área em diferente países e níveis: júnior, pleno e sênior, para compreender quais são os principais requisitos exigidos em cada etapa e ganhar uma ideia de como deve ser desenhado seu plano de carreira.Participe da comunidadeUma fonte inesgotável de dicas, informações e aprendizados é a comunidade de cientista de dados, que reúne profissionais e entusiasta da área. Fóruns de discussão, grupos em redes sociais, Summits e Workshops reúnem não só as pessoas que fazem parte da Ciência de Dados, mas que também questionam sua atuação e quebram barreiras. Além de ser informativo, é uma experiência que alivia momentos de ansiedade. Afinal, não é ótimo saber que outras pessoas já enfrentaram determinados problemas na mudança de carreiras e agora possuem experiência para te ajudar e te guiar?Para saber mais sobre ser cientista de dados, faça uma visita à Digital House, conheça nossos professores e as soluções que oferecemos para transições de carreira.
Cientista de Dados: o que você precisa saber para ser um? img
dados

Cientista de Dados: o que você precisa saber para ser um?

Poucas pessoas sabiam quem era um cientista de dados há dez anos, muitos que estão na profissão há mais tempo que isso vieram de carreiras como estatística e matemática. Mas a tecnologia mudou - e muito - a face dessa carreira. Hoje em dia, um cientista de dados precisa ter conhecimentos e habilidades muito além de calcular probabilidade e estatísticas. Esta nova geração de especialistas precisa lidar diariamente com o desafio de coletar e traduzir dados brutos, usar dados para resolver problemas de negócios, saber acompanhar e prever tendências, conseguir se comunicar com gerência, TI e stakeholders, entre outras atribuições.Para isso, alguns conhecimentos primordiais precisam estar em sua bagagem. Para ser um cientista de dados, você não precisa necessariamente ser da área de TI ou matemática, qualquer um pode entrar na carreira, você só precisa se familiarizar com as seguintes tecnologias e conceitosMatemática e EstatísticaVocê não precisa, como já mencionamos, ser um especialista em matemática e estatística, com graduação, pós, mestrado e doutorado. Mas é importante que você entenda que muitos conceitos de estatística e matemática são as bases que fundamentam a análise, a coleta e o tratamento de dados, assim como a construção de algoritmos de Machine Learning.Se você não quer se aprofundar em matemática e estatística, pode focar em aprender aquilo que é mais essencial para seu trabalho como cientista de dados: modelos estatísticos, regressão  linear, regressão múltipla, álgebra linear e clustering são alguns desses conceitos importantes.Saber matemática e estatística também ajuda a desenvolver suas habilidade lógicas e reconhecimento de padrões. Fundamentos e Linguagem de ProgramaçãoVocê pode aprender a usar ferramentas de análise que dispensam o conhecimento de linguagens de programação? Pode, mas você será um profissional mais completo (e requisitado no mercado) se entender fundamentos de programação e conhecer algumas de suas linguagens.Python e R são as linguagens de programação mais populares entre os cientistas de dados, primeiro porque são gratuitas e você pode explorá-las para aprender na prática. Enquanto Python é mais geral e aplicada em muitas áreas, R é frequentemente associada a grandes volumes de dados e processamentos estatísticos (veja só, a matemática de novo). Ao seguir uma ordem, comece por Python, em seguida R. Fundamentos de programação, principalmente voltadas para back-end, servidores, coleta e comunicação de dados também são conhecimentos importantes para se tornar um profissional mais completo.Banco de DadosSe você quer ser um cientista de dados, parece óbvio que você precise entender de banco de dados, não é mesmo? São neles que ficam armazenadas todas as informações importantes para seu trabalho.Existem diferentes bancos de dados, sendo o mais conhecido o MySQL, para consultá-lo você precisa conhecer a linguagem SQL, que também permite criar um banco de dados. É preciso aprender como instalar um banco de dados, como acessá-lo, como coletar dados e analisá-los.Você também precisa saber como "limpar" os dados, ou seja, converter dados brutos para que eles sejam compreendidos com mais facilidade.Machine Learning e Deep LearningMachine Learning não é só uma parte fundamental da ciência de dados, mas também do nosso dia a dia. Nós estamos constantemente fornecendo informações às máquinas para aprenderem mais e melhor nossas preferências, nossos comportamentos de compra, nossas músicas e séries favoritas.Como um cientista de dados, você utiliza o "aprendizado da máquina" para criar algoritmos que  coletam e mineram dados de maneira automatizada. O algoritmo varia de acordo com o tipo de dado e a análise pretendida.Nesse contexto, você precisa compreender os conceitos e saber como implementá-los, e com certeza o conhecimento de Matemática e Estatística será de grande valia nesse momento. Um próximo passo seria o Deep Learning, que envolve usar dados para modelar abstrações mais complexas, mas essa é uma etapa mais avançada.Apresentação e VisualizaçãoDe pouco adianta saber coletar, interpretar, minerar, limpar e passar o dia todo com dados sem saber traduzi-los para que você e as pessoas ao seu redor possam analisá-los com facilidade. Por isso, saber transformar dados em representações gráficas é uma habilidade importante para ser um cientista de dados.Existe uma gama de ferramentas que podem te auxiliar na hora de transformar dados em gráficos e infográficos e ajudam a diminuir a complexidade da tarefa, mas há um grande desafio em saber como contar a história por trás de um massivo volume de dados. A capacidade de entregar uma visualização de dados efetiva tem sido um requisito cada vez mais procurado, pois dados são fontes de grandes decisões no mundo dos negócios e um dado mal apresentado pode levar à sua má interpretação.Apesar de parecer assustador a quantidade de assuntos, temas e conceitos com o quais é preciso se familiarizar para ser um cientista de dados, é importante dar um passo de cada vez. Se você se sente inseguro em relação às capacidade listadas acima, comece com um curso básico de estatística antes de ir para algo mais avançado em Machine Learning.Na Digital House, oferecemos cursos em diversas áreas da tecnologia, inclusive Ciência de Dados, com um programa de mentoria de carreira que te acompanha ao longo das aulas. Venha fazer uma visita e descubra o que nós podemos fazer para te ajudar a ter sua carreira digital!
Entenda a diferença entre Data Science, Data Analytics e Big Data img
dados

Entenda a diferença entre Data Science, Data Analytics e Big Data

Quem nunca ouviu a frase "dados são o novo petróleo"? A verdade que poucos entendem por trás dessa afirmação é que o grande volume de dados disponíveis hoje está mudando o mundo, a indústria e a forma como consumidores e empresas se relacionam. De acordo com a revista Forbes, a quantidade de dados está crescendo de forma tão rápida que até o ano de 2020 estima-se que 1.7 megabytes de informação será criado a cada segundo para cada pessoa no planeta. Há uma gigantesca transformação na forma como decisões são tomadas, mas para isso é preciso saber coletar, extrair, analisar, classificar, examinar e comparar todos os dados à nossa disposição. E isso não é uma tarefa simples. A alta demanda por quem saiba manejar dados tornou muito valiosas - e rentáveis - as profissões desta área. Mas surge uma grande dúvida para quem busca entrar nesse mercado: qual a diferença entre Data Science, Data Analytics e Big Data? As três são áreas de conhecimento e atuação que trabalham com o mesmo objeto: dados. Mas cada uma tem suas especificidades quando entramos no dia a dia de seus profissionais. Para saber qual destas vertentes é melhor para você, é preciso conhecer cada uma mais a fundo.O que as unePara trabalhar com data science, data analytics ou big data é preciso ter habilidade com matemática, principalmente estatística. Esse conhecimento será aplicado de diferentes formas, enquanto para um analista de dados é indispensável habilidade com estatísticas descritivas e inferenciais, para um analista de big data é preciso estar por dentro de "crunching numérico", ou seja, saber processar dados numéricos em larga escala.O que as separaApesar de lidarem com o mesmo produto, cada área enxerga a trata dados de uma maneira específica. Ambas examinam um conjunto de dados brutos para extrair informações de valor, mas o cientista de dados lida com análises e métodos mais complexos. É por isso que é imprescindível para um cientista de dados conhecer linguagens de programação, mas não para um analista de dados. Já para quem trabalha com Big Data, tudo isso é amplificado por um enorme volume de dados que precisam ser tratados. Mas vamos ver com mais detalhes as especificidades de cada área a seguir.Data AnalyticsA definição simples de data analytics é que esta é a ciência de examinar dados brutos para poder extrair conclusões e informações de valores a respeito daquele dado. Geralmente, envolve aplicar um algoritmo ou um processo de automação para extrair esses insights. A análise de dados sempre obtém suas conclusões a partir de conhecimentos que o pesquisador já possui, isso significa que seu foco é na inferência. Cientistas e pesquisadores, por exemplo, utilizam data analytics para verificar ou desacreditar modelos e hipóteses. Já empresas, utilizam para validar tomadas de decisões. O analista de dados podem utilizar ferramentas como SAS e R para extrair dados e procurar informações de valor, mas não é algo mandatório no dia a dia do profissional. Seu trabalho envolve responder questões de rotina, que geralmente são determinadas pela empresa. Para trabalhar com data analytics não é fundamental conhecer linguagens de programação como R e Python. No entanto, é essencial possuir facilidade com números e afinidade com estatística. Para analistas de dados, a habilidade de conseguir transformar os dados em algo que possa ser facilmente visualizado ou de conseguir comunicar adequadamente as informações de valores extraídas faz toda a diferença no momento de apresentar resultados. Por isso, é importante que um analista não seja só focado na parte exata, mas também consiga exercer criatividade. Atualmente, algumas das muitas áreas que mais fazem uso dos conhecimentos e habilidades de um analista de dados são saúde, viagem, jogos e gerenciamento de energia. Coletar e interpretar dados consegue auxiliar desde a eficiência no atendimento de pacientes até a otimização de distribuição de energia elétrica para cidades. Big DataA principal característica que difere Big Data de Data Analytics e Data Science é o volume de dados, que aqui, como o próprio nome sugere, é grandioso. Sendo assim, você não consegue usar as mesmas ferramentas e modelos estatísticos que usaria em volumes menores de dados. Como é impossível processar todos esses dados usando a memória de um único computador, os dados brutos podem ser estruturados ou não estruturados. No dia a dia de uma empresa, a Big Data pode se tornar uma grande inundação se não for tratada adequadamente. Existem três "V" que definem Big Data: volume, velocidade e variedade. A quantidade de dados gigantesca chega em altíssima velocidade e com uma grande variedade de informações que precisam ser selecionadas. Para ser um profissional da área, existem algumas habilidades em comum que são necessárias para qualquer um que queira se envolver com dados. Mas o diferencial está na capacidade analítica para conseguir determinar quais dados desse grande volume são de fato relevantes para sua busca. Também é preciso ser criativo, assim como os analistas de dados, para conseguir encontrar novas formas de coletar, interpretar, analisar e organizar sua estratégia. Por fim, é preciso ter visão de negócios, estar por dentro dos objetivos que estão sendo traçados para a empresa e entender os processos que buscam crescimento e aumento de lucros. Isso porque big data é usado para auxiliar na definição de estratégias e tomadas de decisões, e atualmente tem sido fundamental para diminuir gastos e aumentar receitas. O mais comum para quem atua como analista na área de Big Data é trabalhar em grandes instituições financeiras, já que estas são as empresas que mais possuem e coletam dados ao nosso redor. Pode ser em bancos, empresas de seguro, cartão de crédito, entre outros. Outras áreas de atuação comuns são as áreas de telecomunicação e varejo. O desafio está na capacidade de conseguir analisar grandes quantidades de dados gerados todos os dias de fontes diferentes e conseguir extrair o que é mais relevante. Data ScienceO cientista de dados, assim como o analista de big data, também pode lidar com dados estruturados ou não estruturados. Mas o diferencial está em ir além de simplesmente responder perguntas, como fazem os dois profissionais acima. Quem trabalha com data science precisa saber fazer as perguntas certas e prever cenários futuros a partir da análise e extração de dados. Data science é a soma de matemática, programação, estatística, machine learning, solução de problemas e a habilidade de capturar, limpar, preparar e alinhar os dados. Os conhecimentos aplicados e necessários para um cientista de dados são mais específicos e técnicos, como a importância de conhecer linguagens como Python, R, SAS, Java, Perl, C/C++, e plataformas como Hadoop e SQL. As áreas de atuação são inúmeras e os cargos se concentram principalmente em mecanismos de buscas, marketing digital e sistemas de recomendação, quando você recebe uma recomendação baseada em uma pesquisa prévia. É o cientista de dados quem define o algoritmo que entregará a resposta da sua pesquisa no Google em uma fração de segundos. Também é o data science que define o alcance de anúncios em sites e redes sociais, ou que auxilia na experiência do usuário na hora de encontrar um produto ou serviço específico em um oceano de ofertas. Esses são só alguns dos exemplos das muitas possíveis formas de aplicar data science no dia a dia de uma empresa ou de um negócio. Qual é o melhor caminho para você?Agora que você já sabe quais são as principais diferenças entre data analytics, big data e data science, suas habilidades específicas e áreas de atuação, é hora de responder qual delas melhor se adequa ao seu perfil. Isso vai depender da sua criatividade, capacidade de análise e solução de problemas, afinidade com estatística, matemática e programação. Também depende de onde você quer atuar, se você prefere construir uma carreira voltada para saúde ou para produtos digitais. O que importa é não perder tempo na sua decisão, pois este é um mercado em expansão e que cada dia precisa de mais profissionais que saibam como analisar e interpretar dados. Se você está pensando em fazer um curso nesta área, veja as soluções que a Digital House Brasil pode oferecer para você.
Ver todos