top of page

big data 

​

MATRÍCULAS ABERTAS

​

Turmas de

BIG DATA 01

AULA 01

dia 10/03/2024

​

Público:

estudantes ou

profissionais que 

possuam noções

de matemática

Sobre o Curso Prandiano de BIG DATA (de lousa)

​

​

O Curso Prandiano de Big Data desenvolvido pelo Prof. Ricieri (ITA) aborda os principais tópicos matemáticos de Data Science mirando descobrir e aplicar as regras de coocorrências dos it_sets de um banco de dados:

​

Leis Preditivas abduzidas como lições de aprendizagem.

​

Esse Curso não se ocupa em apresentar técnicas de coleta e armazenamento de dados e menos ainda em treinar os seus alunos nessa ou naquela plataforma de software da moda. Mesmo porque o importante do Curso é capacitar o candidato a cientista de dados a desenvolver sua própria plataforma de Data Analysis.

Panfleto curso de big data do Museu da Matemática Prandiano
Panfleto curso de big data do Museu da Matemática Prandiano
Panfleto curso de big data do Museu da Matemática Prandiano

O Curso de Big Data de lousa - uma comemoração dos 35 anos da Prandiano Museu da Matemática, desenvolvido a pedido de seus ex-alunos, é ministrado pelo prof Ricieri, que não entende nada de computação, muito menos de banco de dados, mas que entende de matemática.

 

O Curso tem como objetivo popularizar as principais técnicas que permitem a formatação de modelos matemáticos de aprendizagem de máquina e que necessitam de um banco de dados copioso. Para isso, esse Curso foi desenvolvido em um ano de atividades, baseado em suas experiências de consultorias, e foi escrito procurando didatizar estas técnicas, muitas vezes difíceis de serem compreendidas pelos usuários dos softwares da moda. 

 

Por isso, é bom saber, você que pretende fazer este Curso, que nele estão matriculados advogados, professores universitários, médicos, estudantes de pós-graduação, estudantes de graduação, curiosos, e funcionários de empresas e bancos. Aos quais caberá absorver as informações segundo suas capacidades técnicas.  

 

Assim, isso posto, a intenção original do Prof. Ricieri é permitir que seu aluno desenvolva alguma aplicação útil do Curso na sua área de atuação. Daí os inúmeros modelos de lousa feitos com banco de dados didatizados com no máximo seiscentas lições ou linhas de aprendizagem. 

BIG DATA 01 
2024

​

Aulas com 4h de duração

​

1a aula: 10/03 (domingo) 16h

2a aula: 14/04 (domingo) 16h

3a aula: 05/05 (domingo) 16h

4a aula: 09/06 (domingo) 16h

5a aula: 14/07 (domingo) 16h

6a aula: 04/08 (domingo) 16h

7a aula: 01/09 (domingo) 16h

8a aula: 29/09 (domingo) 16h

9a aula: 13/10 (domingo) 16h

10a aula: 27/10 (domingo) 16h

11a aula: 17/11 (domingo) 16h

12a aula: 24/11 (domingo) 16h

​

Preço

(material já incluso):

​

Custa R$5.000,00 à vista. 

 

Esta valor pode ser parcelado em até 10x no cheque pré-datado (o primeiro no ato da inscrição e os outros com data a cada 30 dias). 

 

Ou, este valor, pode ser pago em até 5x no cartão mas com correção de 5%.

​

​

Ementa do Curso Big Data 1

 

  • Algoritmo Genético

  • Modelo Creditus (Disjungo de Tomadores de Crédito)

  • Modelo Divortium (Disjunção de Casais)

  • Modelo Diagnosticus(Aplicativo Médico)

  • Modelo Excolha(Admissão de Empregados)

  • Teste Qui – Quadrado 

  • Estatistitica Newcomb-Benford

  • Modelo Frauss (Contabilometria de Fraudes)

  • Sequência Mereológica de Fibonacci

  • Support Scalar Machine 

  • Discriminante de Fisher (Estatística Multivariada) 

  • Abdução e Big Data

  • Espisteme Abdutiva

  • Dendrometria de Contabilometria 

  • Seguro Contra Risco de Morte

  • Escolha Computacional de Mudas de Eucalipto

  • Data Dendrogram 

  • Padronização de Dados

  • Operações de Dendrostâncias

  • Matriz Fenética e Matriz Cofenética (Semiose e Noeses)

  • Dendrograma de Jatos Comerciais e Possíveis Namorados 

  • Desdobramento do Diabetes Tipo 2 (Retinopatas, Arteriopatas, Nefropatas, Assitomatas)

  • Outliers Data (Estatística Robusta)

  • Kmeans de MacQueen (Análise de Clusters)

  • (Aprendizado de Máquina não Supervisionado)

  • Análise Química de Sucos

  • Cálculo do Elbow Data Chart

  • WithinSum e suas Sementes e seus Medioides

  • Modelo Civitas (Valoração de IPTU com Partição de Veronoi)

  • Clusters de Agências de Rating

  • Produto Escalar

  • Média, Variância, Covariância, Desvio Padrão e 

  • Correlação com Bolhas de Sabão

  • Matriz Inversa e Solução de Sistemas de Equações 

  • Mahalanobis Classifier (Classificação de Asteroides) 

  • Persona 

  • (Personalidades em Redes Sociais por Postagem de Fotos)

  • Venda de Apartamentos e Carros Usados

  • Modelo Sensus (Sensoriamento Remoto)

  • Sensor de Pedágios e Dados Coletados

  • Support Vector Machine

  • Modelo Gatinho (Roubo de Luz e Água)

  • Radial Basis Function

  • Álgebra da Matriz Pseudo Inversa

  • Data Pesca(Propensão de Pesca)

  • Data Gênero (Indicação de Gênero)

  • Modelo Bigpropdata(Testes de Propulsores à Jato)

  • Modelo Saccharum (Estimativa de Produtividade Agrícola)

  • Modelo Prior (Previsão de Vendas de Produtos com Lag 2 e Lag 3) 

  • Expoente de Hurst (Mulas de Mandelbrot)

  • Morfogênese Fractal de Sinais Gráficos 

  • Modelo Petroleum (Avaliações de Jazidas de Óleo com Hurst e Fractal)

  • Lógica Fuzzy – Pertinência Nebulosa

  • Lógica Formal e Lógica Informal

  • Medicina Prescritiva de Precisão 

  • Profissiográficos de Funcionários e Demissionários 

  • Modelo Litigium (Ações Trabalhistas) 

  • Modelo Fallibilis (Empresas com Probabilidade de (in)Solvência 

  • Matemática Thing – Think 

  • Internet das Coisas (Estatística Bivariada) 

  • Variância e Desvio Padrão do Produto de Variáveis

  • DP(AxB) e VAR(AxB) 

  • Teoria do Ponto Fixo (Movimento de Cartões de Crédito)

  • Modelo Porcus (Vocalização Animal e suas Doenças iOt)

  • Anova (Análise de Variância)

  • Between and Within Sum

  • Aplicação de Nematicidas

  • Classificador  de Mahalanobis

​

como se 
matrícular

​

Para se matricular, escreva para o

WhatsApp (11)96335-4224

ou

contato@prandiano.com.br

​

​

 

 

Museu da Matemática Prandiano

Rua Gaspar Lourenço, 64 - Vila Mariana

Metrô Ana Rosa

São Paulo (SP)

contato@prandiano.com.br

BIG DATA 02
2024

Aulas com 4h de duração

​

1a aula: 28/01 (domingo) 16h

2a aula: 11/02 (domingo) 16h

3a aula: 03/03 (domingo) 16h

4a aula: 31/03 (domingo) 16h

5a aula: 07/04 (domingo) 16h

6a aula: 12/05 (domingo) 16h

7a aula: 16/06 (domingo) 16h

8a aula: 21/07 (domingo) 16h

9a aula: 11/08 (domingo) 16h

10a aula: 25/08 (domingo) 16h

11a aula: 22/09 (domingo) 16h

12a aula: 06/10 (domingo) 16h

​

Preço

(material já incluso):

​

Custa R$5.000,00 à vista. 

 

Esta valor pode ser parcelado em até 10x no cheque pré-datado (o primeiro no ato da inscrição e os outros com data a cada 30 dias). 

 

Ou, este valor, pode ser pago em até 5x no cartão mas com correção de 5%.

​

​

Ementa do Curso Big Data 2

​

  • Estatísticas (Populacional x Amostral)

  • Cálculo de Erro Amostral

  • Compra de Calçados Femininos

  • Ratio da Produção de Suco de Laranja

  • Método de Student(Teste de Hipóteses)

  • Nível de Significância 

  • Aplicação em Drogas Farmacológicas 

  • Aplicação em Instrumentos Cirúrgicos 

  • Aplicação em Dieta para Diabéticos

  • Memom (Neural Network)

  • Ad Perpetuam Pseudo – Inversa Memoriam

  • Rede Neural OLAM

  • Robopython (Robô Policial) 

  • Distância de Hamming entre Strings

  • Análise Multivariada

  • Apoucamento de Variáveis

  • Autovalores e Autovetores 

  • Deixis am Phantasma e Deixis ad Oculos 

  • Rotação de Harold Hotelling

  • Variáveis de Canaviais (Prod e ATR)

  • Rede Perceptron 

  • Signum Function

  • Modelo Psychikós (Esquiso x Bipolar)

  • Rede Perceptron- Signals 

  • Function Fitting

  • Modelo Obstetra 

  • Modelo Carusa (Venda de Carros Usados)

  • Bootstrapping 

  • Resampling of Data (Estatística Reamostrada para Big Data)

  • Modelo Defectum (Diagnostico de Falhas Eletro–Mecânicas)

  •  Radial Basis Fuction Backpropagation

  • Rbf – Net – Iris Flower Data Set

  • Quality Learning (Bellman Path) 

  • Abstratct Intelligent Agent

  • Lottery Learning (Holland Path) 

  • Genetic Path Method 

  • Automata Robocitrus

  • Helema (Hebbian Learnig Machine)

  • Adaline (Adaptative Linear Neuron)

  • (Acionamento de Válvulas) 

  • Mensagens Corrompidas

  • Redes com Saídas Hiperbólicas 

  • Redes com Saídas Pixadas

  • K-Som (Khonen - Self - Organization)

  • Unsupervised Learning (The Winner Take All)

  • Ocorrencia Overfitting

  • K- Fold Cross Validation 

  • Sobreajuste de Preditores 

  • Aplicação em: Algoritmo Genético, Suporte Vetorial e Discriminante de Fisher

  • Teste U (Mann – Whilney) 

  • Estatística Umbiased

  • Rotina de Cálculo dos Postos do Teste U

  • Abdução de Teste Não - Paramétrico 

  • Aplicações Dicotômicas do T/U

  • Valores Críticos do Teste U* Bicaldal

  • Estatística Run

  • Práxis da Repetição de Dados Nominais 

  • Práxis da Repetição de Dados Inf – Sup da Mediana

  • Práxis da Repetição de Dados Inf – Sup da Sequência 

  • Terapia Genética CRISP/RUN (uma Alegoria) 

  • Roc Classificador Dicotômico 

  • Amostras Enlaçadas e Cutoff

  • Aplicação em Doentes/Saudáveis e Sinceros/Desonestos

  • A/B Testing 

  • Big Data Split-Run Testing

  • Data – Tree (Árvore Decisória)

  • Data - Convolution 

  • Filtro Kernel

  • Padding Convolutivo de Imagens 

  • Pecuária e Câncer de Pele 

  • Redes Neurais Backpropagation 

  • a – TW – b para Big Data 

  • Teste de Wilcoxon

  • Teste de Hipótese não Paramétrico 

  • Bag of Feeling

  • Análise de Sentimentos (Frases analisadas de Twites) 

  • Modelagem por Naive – Bayes

  • Indicies de Analise dos Twites 

  • Bullishness Index e Agreement Index

  • Modelo Filim Data (Papel PTRE4)

  • Análise de Padrões 

  • Bag of Things

  • KL Divergence Distribution Analysis

  • Kullack – Leibler Entropy Divergence para Big Data

  • Modelo Melanoma tipo Acral e tipo Nodular 

  • Imagens Pixadas

  • Modelo Cquan 

  • Computatis Quadratis Notata

  • Integral Boosting

  • Math Decoupling

  • Regras Abduzidas 

  • CO – Ocorrentes (Ilação de Its)

  • If x It x Then

  • Knowledge in Databases

  • Supervised Patter Recognition Tool 

  • Formatação Lexicográfica dos It_set

  • Indicadores de Suporte, de Confiança, de Importância e de Inovação para Ilações em Bancos de Dados

  • Notas Fiscais como Data Mining 

  • Motoristas como Data Mining

  • Cotações de Papeis como Data Mining

  • Bag of Words 

  • Modelo Cripita (Abdução de Textos Alotígenos)

  • Razão de Verossimelhança RV(X) para Big Data 

  • Distancias de Ernet Hellinger 

  • Overlapping (H + A = 1 Regiões)

  • Modelo Infirmus

Abaixo algumas amostras do conteúdo do Curso Prandiano de Big Data. Clicando nas imagens é possível ver mais do material das aulas:    
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano
Material do Curso de Big Data do Museu da Matemática Prandiano

algumas personagens do curso

bottom of page