FIAP BUSINESS PROCESS DIGITAL AUTOMATION & EMERGING TECHNOLOGIES

Informações sobre o curso acesse aqui.

Este repositório reúne todos os notebooks, imagens, modelos e demais materiais necessário para a condução das aulas e revisão das mesmas.

Utilize as discussões ou mesmo crie issues se precisar de alguma informação.

Como é um repositório público, aceito Pull Requests 😊!

Python para IA & Dados

Nas aulas podemos utilizar o Google Colab ou a própria distribuição local Anaconda, com uso do Jupyter Notebook, que há vem instalado nesta distribuição. Você também pode usar até mesmo o VSCode, escolha o ambiente que mais adeque ao seu estilo!

Para instalar o Anaconda, acesse a sessão de Downloads do Anaconda.

O Google Colab podem ser acessado diretamente do seu site, neste caso é recomendável ter uma conta Google para salvar seus notebooks.

Para quem for usar Colab, use o badge de cada um. Eles possuem um link que já abre direto na plataforma com tudo pronto para realizar seus estudos ou desenvolver seus projetos.

No Google Colab todas as dependências já estão instaladas. Não se preocupe em montar seu ambiente! 😄

Aulas no programa atualizado da disciplina:

Aula 1: Introdução

1. Introdução do Python
2. Casos de uso
3. Jupyter Notebook
4. Storytelling & Markdown
5. Listas
6. Dicionários
7. Tipos de dados
8. Operadores lógicos
9. Condicionais
10. Laços
11. Funções
12. List Comprehensions

📙 Aula 1

Desafios

📘 1. Strings

📘 2. Funções

📘 3. List Comprehensions 1

📘 4. List Comprehensions 2

📘 5. Funções e NLP

Aula 2: Coleções, controles de fluxo e expressões regulares

1. Coleções
2. Funções built-in
3. Funções lambda
4. Exceções e fluxos de tratamento de errors
5. Datas
6. Expressões regulares

📙 Aula 2

Desafios

📘 1. Coleções reduce

📘 2. Coleções built-in

📘 3. Coleções e NLP

📘 4. Múltiplos operadores

📘 5. Exceções

📘 6. Datas

📘 7. Expressões Regulares

Aula 3: Matrizes e introdução a estruturas de dados

1. Matrizes
2. Arrays
3. Introdução a dataframes

📙 Aula 3

Desafios

📘 1. Matrizes

📘 2. Normalização

Aula 4: Estrutura de dados avançados

1. Manipulando dataframes
2. Pré-processamento
3. Limpeza de Dados
4. Acessando dados externos
5. Agrupamento de dados

📙 Aula 4

Desafios

📘 1. Filtros

📘 2. Correlações

📘 3. Imputação de dados

📘 4. Mapeamento

📘 5. Agrupamentos

Aula 5: Big Data com PySpark

1. Fundamentos
2. Instalação
3. Dataframes Spark
4. Spark SQL

📙 Aula 5

Desafios

📘 1. Análise de Votação

📘 2. Análise de Abstenções e Taxa de Votação

Aula 6: Abordagem de problemas de machine learning

1. Abordagens de problemas de machine learning
2. Machine learning workflow
3. Preparação de dados
4. Treinamento
5. Avaliação de indicadores de sucesso do modelo

📙 Aula 6

📘 1. Análise e Imputação de Dados

Aula 7: Web scrapping

1. Introdução a web scraping
2. Coletando dados de APIs utilizando Requests
3. Analisando páginas estáticas utilizando Beautiful Soup
4. Automatizando coletas por navegador utilizando Selenium

📙 Aula 7

Desafio

📘 1. Análise de Preços de Imóveis

📘 2. Coleta de Dados de Produtos

📘 2. Coleta de Notícias

Capstone

Projetos de conclusão da disciplina.

Previsão de preços de automóveis