ANALYTICS EM BIG DATA

MBA
ANALYTICS
EM BIG DATA
1
OBJETIVOS
• Apresentar como a metodologia de Big Data pode ser utilizada por um aluno
de MBA para a tomada de decisão.
• Este curso tem como objetivo principal analisar e extrair informações de dados
não estruturados em tempo real.
• Este curso tem como objetivo secundário apresentar técnicas estatísticas de
manipulação e extração de informação de grandes bases de dados estruturados,
semi-estruturados e não estruturados. Através de aulas teóricas, exercícios
práticos e estudos de casos, são apresentadas as técnicas estatísticas de
análises de dados para tomada de decisão;
• 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;
• Elaborar bases de dados com dados estruturados, semi-estruturados e não
estruturados para modelagem estatística;
PERFIL DE ALUNO
Profissionais das áreas: Analytics, estatísticos, TI, 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. Profissionais que tenham interesse em extrair
informação por meio de programação avançada.
CORPO DOCENTE
O corpo docente conta com professores altamente capacitados. Nos critérios
de seleção do corpo docente, serão priorizadas sua qualificação e experiência
profissionais nas distintas matérias, de maneira que o curso permita não somente
a transmissão de conhecimentos, mas também de critérios e experiências
enriquecedoras para os alunos.
METODOLOGIA
Aulas expositivas, resolução de exercícios práticos, estudos de casos, laboratórios.
2
MATRIZ CURRICULAR
Módulo 1– Módulo de Big Data – 248 horas
Business Intelligence
• História e Evolução do BI
• Diferenças do BI 1.0, BI 2.0, e BI 3.0
• Conceitos e Objetivos do BI
• Modelagem de Dados para BI
• Arquitetura Tradicional x Moderna Arquitetura de BI
• Como dimensionar o BI e como diferenciar Small Data e Big Data
• Processos de Data Preparation e Data Visualization
• Self-Service BI e Sandbox
• Bi e Big Data uma combinação de sucesso
• Análise de ferramentas para BI
• Técnica e recomendações para Visualização de Dados
• Criação de gráficos e Dashboards em softwares e especializados, Tableau,
QuikSense e PowerBI
• Data Sharing e Compartilhamento de visualizações em cloud
Introdução ao Big Data
• Conceito de Big Data;
• Análise em tempo real;
• Panorama para o surgimento do Big Data;
• Utilização das ferramentas de Big Data nos processos de administração de
empresas;
• Necessidade da utilização das técnicas de Big Data para a rápida tomada de
decisão das empresas;
• Vantagens da utilização das técnicas de Big Data;
• Vs do Big Data: Variedade, Veracidade, Valor, Volume e Velocidade, visualização,
vulnerabilidade;
• O profissional adequado para operar com Big Data: “Data Scientist”;
• Exemplos e aplicações nacionais e internacionais de Big Data para administração
de empresas;
• Tipos de dados: estruturados, semi-estruturados e não estruturados;
Programação em Big Data
• Programação em JAVA; Conceitos e aplicações de Máquina Virtual;
• Linux;
• Programação em Python;
• Conceitos e Aplicações de Machine learning
3
Tecnologias para Big Data
• Utilização das tecnologias de Big Data como base de informação para o
processo de tomada de decisão gerencial;
• Programas e tecnologias para analisar e manipular Big Data;
• Introdução do Hadoop
• Estrutura e arquitetura do HDFS (Hadoop Distributed File Systems);
• Manipulação de dados no HDFS;
• Carga de arquivos ao HDFS;
• Estrutura de arquivo distribuído e tolerante a falhas;
• Estrutura do MapReduce;
• Administração de cluster Hadoop;
• Exemplos de aplicações de Hadoop.
• Aplicação do componente Hive
• Introdução ao Hive;
• Manipulação de dados com Hive;
• Meta Store;
• Armazenamento colunar e orientado a linha;
• Tabela particionada;
• Otimização de query SQL.
• Aplicação do componente Yarn
• Introdução ao Yarn;
• MapReduce 2.0 (MRv2) – YARN;
• Funções do JobTracker;
• Manipulação de dados com Yarn;
• Aplicações de Hadoop Zookeeper
• Funções do Zookeeper;
• Gerenciamento de dados;
• Computação distribuída e tolerante a falhas;
• Alta disponibilidade e resiliência da plataforma Hadoop
• Aplicações de Mahout
• Introdução ao Mahout;
• Manipulação de dados com Mahout;
• Banco de Dados
• Conceito de banco de dados NoSQL (Cassandra, Mongo DB, Scoop);
• Manipulação de banco de dados NoSQL;
• HBASE;
• Ingestão de dados semi-estrutrutados - Flume
• Aplicações de Kafka
• Introdução ao Kafka;
• Manipulação de dados com Kafka;
4
• Uso de Kafka no controle de falhas;
• Computação distribuída;
• Distribuições para Big Data
• Cloudera;
• Aplicações de Spark
• Introdução ao Spark;
• Manipulação de dados com Spark;
• Spark streaming
• Aplicações de Python
• Conceitos sobre a linguagem de programação Python;
• Aplicações em Python.
• Ferramentas de Python para machine learning
• Análise de Dados e web
• Twitter REST API
• Twitter Streaming API
• Facebook
• Web Scraping
• Análise de sentimento
• Computação em nuvem
• Conceitos de computação em nuvens (Cloud Computing);
• Conceito NIST de Cloud Computing;
• Características de Cloud Computing;
• Entidades do Ecossistema de Nuvem;
• Aspectos de segurança;
• O conceito e aplicações de utility computing;
• O conceito de Data Center;
• Repositório de recursos computacionais;
• Amazon Web Services (AWS);
• Exemplo de empresas que utilizam Cloud Computing;
• O conceito de nuvem pública, nuvem privada, nuvem comunitária, nuvem
híbrida;
• SaaS: Software-as-a-Service;
• PaaS: plataform-as-a-Service;
• IaaS: Infrastructure-as-a-Service;
• Aplicações
• Machine Learning
• Etapas de um projeto de Machine Learning
• Técnicas de Projeção, Segmentação e Classificação
• Métricas de performance
• Aplicações de Machine Learning com bibliotecas do Spark e do Python
• Aplicações de Machine Learning com Redes neurais
5
• Aplicações de Deep Learning
• Aplicações com IBM WATSON
Estatística Aplicada
• Social Network Analysis - SNA
• Métricas para dados obtidos de redes sociais;
• Análise de comportamento em Redes Sociais;
• Text Mining
• Análise de dados não estruturados obtidos pela internet;
• Análise qualitativa e quantitativa de textos;
• Cesto de Compras/Market Basket
• Aplicação de ferramentas para a análise de compras efetuadas;
• Utilização de algoritmos com regras de associação para determinar padrões
em processos de compra;
• Algoritmos para análise sequencial.
• Algoritimos de recomendação
Palestra sobre Big Data
• Palestra sobre Big Data com especialistas e alunos do curso.
Módulo 2 – Módulo Gestão de Negócios – 252 horas
• Economia e Contabilidade
• Marketing
• Gestão Estratégica de Pessoas
• Finanças
• Processos e Práticas de Gerenciamento
• Gestão da Informação, Inovação, Direito do Consumidor
• Sustentabilidade e Responsabilidade Social Corporativa
• Empreendedorismo
• Governança Corporativa e Ética Empresarial
6
Métodos Quantitativos Aplicados
• Análise Exploratória de Dados
• Análise Gráfica
• Medidas de Posição e Medidas de Dispersão
• Regressão Linear Simples e Múltipla
• Coeficiente de correlação linear de Pearson
• Coeficiente de determinação e Coeficiente de determinação ajustado
• Ajuste de equação de projeção
• Testes estatísticos sobre os parâmetros
• Interpretação dos parâmetros do modelo
• Intervalo de confiança para os parâmetros do modelo
• Previsão
• Análise de Resíduos
• Análise de Agrupamento
• Medidas de distância - Medidas de similaridade e Medidas de dissimilaridade,
Distância Euclidiana
• Métodos de Agrupamento - Método hierárquico e Método das k médias
• Dendograma
• Técnicas de Agrupamento - Método do vizinho mais próximo (Nearest
neighbor) - Método do vizinho mais distante (Furthest neighbor) – Método da
Centróide
• Método das k médias
• Regressão Logística
• Regressão Logística Binária e Múltipla
• Estimação dos parâmetros do modelo
• Teste de hipótese e Intervalo de confiança
• Razão das chances
• Interpretação dos parâmetros do modelo
• Obtenção da probabilidade de sucesso
• Previsão
• Classificação em grupos
• Tabela de classificação
• Análise Discriminante
• Métodos de estimação
• Teste de hipótese
• Análise de variância
• Estimação das funções de classificação
• Classificação em grupos
• Tabela de classificação
• Análise Fatorial
• Variável latente
• Matriz de variância e covariância e Matriz de correlação
7
• Fatores comuns, Fatores específicos e Cargas fatorias
• Gráfico de sedimentação
• Análise de componente principal
FUNDAÇÃO INSTITUTO DE ADMINISTRAÇÃO
Av. Das Nações Unidas, 7.221 - CEP: 05425-070 Pinheiros - São Paulo - SP
Tel.: (11) 3847-3710
8
INFORMAÇÕES
Tel: (11) 3732-3535 | [email protected]
9