fbpx

Aprenda de uma forma simples, rápida e definitiva tudo que você precisa saber para analisar seus dados experimentais através do software estatístico mais utilizado no mundo

Curso Análise de Dados: do conceito à prática no softwate R

Reproduzir vídeo

Como é o curso Análise de Dados: Do Conceito a Prática no Software R?

No curso você vai aprender de maneira simples, desde o absoluto zero até as metodologias mais avançadas de análise de dados. Será abordado através das mais de 120 aulas que compõem o curso, todos os principais conceitos relacionados a análise de dados, desde como definir um delineamento experimental, quais análises utilizar e como interpretar os resultados obtidos através de gráficos e tabelas. Você estará apto a rodar todas as metodologias de análises relacionadas a estatística descritiva, análise de variância, teste de comparação de médias, modelos de regressão e modelos mistos.

Surgiu dúvidas durante as aulas? Não se preocupe. Os alunos têm a oportunidade de tirar todas as dúvidas direto com o professor Leonardo em mentorias que ocorrem à cada 15 dias ou através da nossa comunidade exclusiva do Facebook. E se ainda assim você sentiu falta de uma análise específica que não foi abordada no curso, não vamos lhe deixar na mão. Todos os alunos do curso têm direito a solicitar UM código personalizado para sua análise, desenvolvido conforme a sua necessidade.

Ao finalizar o curso, o aluno estará apto a iniciar uma carreira de sucesso como Cientista de Dados (Data Science) ou utilizar os conhecimentos e habilidades desenvolvidas durante o curso para melhorar a experimentação na sua pesquisa.

Benefícios

Mentoria de 15 em 15 dias

Mentorias ao vivo com o professor Dr. Leonardo Peixoto por 1 ano

Garantia estendida de 21 dias

Assista nossas aulas por 21 dias e se não gostar pode pedir o reembolso integral do valor investido

Comunidade fechada no facebook

Acesso a comunidade exclusiva para membros do curso.

Mais de 60 horas de curso

Conteúdo distribuído em mais de 120 aulas, liberadas imediatamente

Elaboração de um código específico para análise dos seus dados

Caso não tenha sido explicada no curso, você pode solicitar um código personalizado para sua aplicação

Material Complementar

Todos os códigos de programação usados no curso serão disponibilizados para você utilizar nos seus dados e extrair os melhores resultados

Acesso a todos os códigos extras solicitados pelos alunos

Todos os códigos solicitados serão disponibilizados para todos os alunos

Emissão de Certificado

Certificado de 60 horas válido em todo território nacional

1 ano de acesso a todo o conteúdo

Esse acesso inclui todos os módulos, as mentorias e a comunidade

Faça sua primeira análise no R em 120 dias ou seu dinheiro de volta

Rode sua primeira análise no software R em 120 dias ou seu dinheiro de volta (precisa ter assistido mais de 80% do curso e mais de 70% das mentorias)

Porque utilizar o software R para analisar dados experimentais?

O R foi desenvolvido por estatísticos, para estatísticos. No entanto, Engenheiros, cientistas e estatísticos sem conhecimento de programação de computadores, consideram o R fácil de usar. As principais vantagens do uso do R são:
1 – R é o software estatístico mais utilizado no mundo, e isso faz com que analises que são realizadas via R tem maior credibilidade na publicação de artigo científicos ou mesmo para outros tipos de apresentações dos resultados.
2 – O R junto com o python são as linguagens mais utilizadas pelas grandes empresas, por dois motivos principais: ele é gratuito e é open source. As grandes empresas precisam de análises automáticas pois o número de informações geradas por elas é muito grande para conseguir serem analisadas em softwares fechados. E o R permite a automatização de qualquer tipo de análise de dados.
3 – Como o R é open source você pode fazer qualquer tipo de análise nele, mesmo que essa análise ainda não esteja implementada.
4 – No R você pode escrever seus códigos (que chamamos de scripts), e estes são facilmente compartilhados com outras pessoas via arquivo .R.
5 – O R é um dos softwares mais avançados na parte de confecção de gráficos, onde é possível gerar qualquer tipo de gráfico independentemente da complexidade.
6 – O R é extremamente eficiente em análise de dados, devido seu grande número de pacotes com modelos, fórmulas e testes estatísticos.

Programação do Curso

Para melhorar ao máximo o aprendizado, as vídeo aulas foram divididas em módulos. Assista quando e onde quiser

Módulos

Este módulo tem o objetivo de iniciar o estudante no maravilhoso e grandioso mundo chamado R. Neste módulo o aluno aprenderá noções básicas tais como instalação, criação e identificação de objetivos, importação e exportação de dados, operações básicas, noções de gráficos, noções de estatística experimental, e noções de regressão. Ao final do módulo o aluno estará apto a rodar análises básicas no R tais como ANOVA, teste de comparações de médias e regressão linear. Os tópicos deste módulo são:

– Instalação do R
– Pacotes, help, criação de scripts e símbolos no R
– Criação de objetos no R
– Indexação no R
– Funções básicas do R
– Manipulação de dados no R
– Introdução à gráficos no R
– Estatística descritiva no R
– ANOVA e regressão linear no R

Neste módulo será discutido a base teórica das principais análises abordadas neste curso tais como: Estatística descritiva, DIC, DBC, correlação, regressão, esquemas experimentais, anova para dados desbalanceados e anova conjunta. Os softwares utilizados neste curso são R e RBio. Os tópicos deste módulo são:

– Instalação do software RBio
– Estatística descritiva
– Delineamento inteiramente casualizado (DIC)
– Delineamento de blocos ao acaso (DBC)
– Correlação
– Regressão
– Esquemas experimentais: fatorial e parcelas subdivididas
– ANOVA desbalanceada e análise conjunta

Este Módulo visa ensinar o aluno a utilizar o R para rodar análises básicas de experimentação tais como, teste de normalidade e homogeneidade de variâncias, anova, teste de comparação de médias e modelos básicos de regressão. Este é um módulo prático, onde são mostradas as funções do R para rodar as análises mencionadas acima, e como interpretar os resultados obtidos. Os tópicos deste módulo são:

– Estatística descritiva
– Teste de homogeneidade e normalidade de variância e remoção de outlier
– Delineamento inteiramente casualizado (DIC)
– Delineamento de blocos ao acaso (DBC)
– Delineamento em quadrado latino (DQL)
– Arranjo fatorial
– Experimento hierárquico
– Parcelas subdivididas
– Regressão linear
– Regressão múltipla e seleção de modelos
– Teste de comparação de médias

Este módulo tem por objetivo ensinar o participante a rodar e analisar diversos tipos de experimentos complexos utilizando o software R. Os delineamentos que serão abordados neste curso são: DBC com informação dentro de parcela, fatorial triplo em DIC e DBC, fatorial quadruplo em DIC e DBC, fatorial com 1 testemunha adicional em DIC e DBC, fatorial com k testemunhas adicionais em DIC e DBC, e parcelas subsubdivididas em DIC e DBC. Os tópicos deste módulo são:

– DBC com informação dentro de parcelas
– Fatorial triplo em DIC
– Fatorial triplo em DBC
– Fatorial quadruplo em DIC
– Fatorial quadruplo em DBC
– Fatorial duplo com 1 testemunha adicional
– Fatorial duplo com k testemunhas adicionais
– Fatorial triplo com 1 testemunha adicional em DIC
– Fatorial triplo com 1 testemunha adicional em DBC
– Experimento em DIC com parcelas subsubdivididas
– Experimento em DBC com parcelas subsubdivididas

Este módulo tem por objetivo ensinar o participante a rodar e analisar diversos tipos de experimentos desbalanceados utilizando o software R. Serão abordados neste módulo experimentos desbalanceados em DIC, DBC, DQL, DIC com covariável, DBC com covariável, blocos aumentados, fatorial duplo em DIC, DBC e DQL, parcelas subdidviddas em DIC e DBC. Para esse módulo utilizaremos o pacote easyanova do R, um dos pacotes mais completos para rodar análise de variância e teste de média que o R possui. Os tópicos deste módulo são:

– ANOVA desbalanceada (DIC)
– ANOVA desbalanceada (DBC)
– ANOVA desbalanceada (DQL)
– ANOVA desbalanceada com covariável (DIC)
– ANOVA desbalanceada com covariável (DBC)
– ANOVA desbalanceada em blocos aumentados
– ANOVA desbalanceada com dois fatores (DIC)
– ANOVA desbalanceada com dois fatores (DBC)
– ANOVA desbalanceada com dois fatores (DQL)
– ANOVA desbalanceada em parcela subdividida (DIC)
– ANOVA desbalanceada em parcela subdividida (DBC)

Este módulo visa ensinar o participante a utilizar o R para rodar análises de experimentos com medidas repetidas. Este é um curso prático, onde veremos mais de 20 pacotes do R. O objetivo é passar por todas as etapas da análise de dados com medidas repetidas, desde a criação de um arquivo (simulação de dados), interpretação dos resultados inicias (análise gráfica, teste de normalidade, teste de homogeneidade de variância), utilização de modelos mistos utilizando os pacotes lme, lmer e glmmTBM, interpretação dos resultados, escolhas de modelos, entre outros assuntos. Os tópicos deste módulo são:

– Simulação de dados de experimentos com medidas repetidas
– Análise exploratória dos dados simulados
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância correlacionadas – parte 1
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância correlacionadas – parte 2
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância correlacionadas – parte 3
– Estimativa de parâmetros
– Simulação e análise exploratória de dados de experimentos com medidas repetidas com dois fatores
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância não correlacionadas – parte 1
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância não correlacionadas – parte 2
– Teste de comparações múltiplas para modelos mistos
– Predição de valores para modelos com medidas repetidas
– Geração de gráficos dos valores preditos

Este módulo visa ensinar o participante á rodas análises de modelos mistos utilizando o R. O objetivo é mostrar quais análises devem ser realizadas quando se considera um efeito como fixo (anova, teste de comparação de médias via lsmeans, análise de contraste) ou como aleatório (herdabilidade, diferencial de seleção, ganho de seleção e BLUP). Este é um curso prático, onde são ensinadas as funções do R para rodar as análises mencionadas acima, e como interpretar os resultados obtidos. Os tópicos deste módulo são:

– Analisando experimentos com um fator aleatório em DIC
– Analisando experimentos com um fator aleatório em DBC
– Analisando experimentos com um fator fixo (tratamento) e um fator aleatório (local ou ano) em DIC
– Analisando experimentos com um fator fixo (tratamento) e um fator aleatório (local ou ano) em DBC
– Analisando experimentos com um fator fixo (tratamento) e um fator aleatório (local ou ano) em DBC com informação dentro de parcela
– Analisando experimentos com um fator fixo (local ou ano) e um fator aleatório (tratamento) em DIC
– Analisando experimentos com um fator fixo (local ou ano) e um fator aleatório (tratamento) em DBC
– Analisando experimentos com um fator fixo (local ou ano) e um fator aleatório (tratamento) em DBC com informação dentro de parcelas
– Analisando experimentos com dois fatores aleatórios em DIC
– Analisando experimentos com dois fatores aleatórios em DBC
– Analisando experimentos com dois fatores aleatórios em DBC com informações dentro de parcelas

Neste módulo vamos discutir inúmeras análises relacionadas a modelos de regressão linear. Os seguintes temas serão abordados durante o curso: análise de correlação, linearidade entre variáveis, teste de normalidade, ajuste de resíduo de modelos, modelos de regressão linear simples, modelos de regressão linear múltipla, seleção de modelos e modelos lineares mistos. Todos os assuntos serão acompanhados com exercícios propostos e aulas específicas para resolução dos exercícios. Os tópicos deste módulo são:

– Correlação de Pearson e Spearman
– Gerando gráficos de correlação
– Teste de normalidade e remoção de outliers
– Modelo de regressão linear simples
– Modelos de regressão linear múltipla
– Métodos de seleção de modelos
– Modelos lineares mistos

Neste módulo vamos discutir inúmeros modelos avançados de regressão linear. Serão discutidos os modelos que utilizamos para analisar variáveis que não possuem distribuição normal tais como variáveis de contagem, probabilidade, proporção, multicategóricas, entre outras. Para isso ensinaremos os modelos conhecidos como modelos lineares generalizados e modelos mistos lineares generalizados. Todos os assuntos serão acompanhados com exercícios propostos e aulas específicas para resolução dos exercícios. Os tópicos deste módulo são:

– Modelo linear generalizado com distribuição binomial
– Modelo linear generalizado com distribuição de Poisson
– Modelo linear generalizado com distribuição de quasiPoisson
– Modelo linear generalizado com distribuição Poisson contendo valores zeros
– Modelo misto linear generalizado com distribuição Binomial
– Modelo misto linear generalizado com distribuição de Poisson
– Modelo misto linear generalizado com distribuição de zero inflated Poisson
– Estudo de caso para todos os modelos

Módulos Bônus

Esse módulo tem por objetivo ensinar o aluno a fazer os principais gráficos disponíveis no R. Ao término do curso, você estará apto a fazer diferentes tipos de gráficos no R tais como, gráficos de barras, gráficos de dispersão, boxplot, gráficos de regressão simples e com intervalo de confiança, mapas, gráficos de calor, gráficos em 3D, dendogramas, radar chart, entre outros. Além disso, como aula extra, você terá uma introdução ao pacote shiny, que é muito utilizado para fazer diversos aplicativos. Os tópicos deste módulo são:

– Como fazer gráficos utilizando o pacote ggplot2
– Como fazer gráficos Radar chart
– Como fazer gráficos 3D
– Como fazer gráficos Dendogramas
– Como fazer gráficos Mapas
– Introdução ao shiny

Este módulo visa ajudar os participantes a dar os primeiros passos dentro do mundo da programação utilizando o software R. Neste módulo veremos como criar condicionais, como rodar um loop, como criar funções e como utilizar a família apply. Para todos os assuntos será apresentado uma parte teórica e uma parte prática, com exercício propostos no final de cada assunto. Os tópicos deste módulo são:

– Condicionais no R
– Loops
– Família apply
– Desenvolvendo funções no R

Esse módulo visa ensinar ao participante como utilizar as 100 funções mais utilizadas no R. Entre estas funções estão: if, for, list, ggplot, entre outras. Além disso, existe uma aula de exercício para o participante praticar as funções que aprendeu ao longo do módulo. Ao final do módulo, o aluno terá o conhecimento necessário para usar todas as funções no seu próprio código. Os tópicos deste módulo são:

– Funções c, if, function, length, list, paste, return, for, paste0 e names
– Funções is.null, library, aes, print, cat, stop, rep, sum, nrow e is.na
– Funções set, which, colnames, as.character, data.frame, as.numeric, ggplot, theme, matrix e element_text
– Funções max, lapply, unique, seq, mean, missing, cbind, dim, round, e ncol
– Funções sapply, rownames, log, t, inlist, ifelse, min, gsub, rbind, e structure
– Funções apply, file.path, class, subset, summary, any, sprintf, as.integer, geom_point, e attr
– Funções source, sqrt, element_blank, labs, as.data,frame, factor, setNames, as.matrix, grep, e abs
– Funções stopifnot, exp, require, order, identical, rm, expect_equal, strsplit, grepl, e all
– Funções as.vector, message, match, data.table, table, warning, eval, ggsave, is.character, e theme_gray
– Funções levels, setwd, do.call, as.factor, sort, geom_bar, invisable, sample, merge e exists

Este módulo visa ajudar o aluno a desenvolver e aprimorar suas habilidades de escrita cientifica, tornando a escrita mais rápida e simples para que o aluno possa publicar seus artigos em revistas de alto fator de impacto. Os tópicos deste módulo são:

– Como escrever o objetivo do artigo científico
– Como escrever a seção material e métodos do artigo científico
– Como escrever a seção resultado do artigo científico
– Como escrever a seção introdução do artigo científico
– Como escrever a seção discussão do artigo científico
– Como escrever a seção conclusão do artigo científico
– Como escrever o título do artigo científico
– Referências bibliográficas

Para quem é o curso?

Estudantes

Graduação, Mestrado e Doutorado que desejam desenvolver sua pesquisa

Iniciantes

Quem deseja começar o aprendizado em analise de dados mesmo sem nenhum conhecimento prévio

Profissionais

Pessoas que querem se tornar analista de dados profissonalmente

Recolocação Profissional

Profissionais de outra área que desejam mudar de carreira

O que dizem nossos clientes

Os Cursos que fiz na empresa me ajudaram muito. Aprendi a realizar e utilizar análises estatísticas que há muito tempo pretendia. Assim através dos cursos realizados na Analise, me ajudaram a evoluir em meus artigos. Principalmente ao utilizar o programa Rbio que é uma ferramenta extremamente simples, utilizando-o em análises como testes de comparação de médias além de várias técnicas em análises multivariadas. Obrigado!
Diego Oliveira Ribeiro
5/5
Pontos positivos: a didática, atenção e disponibilidade do professor. Pontos negativos: a heterogeneidade da turma (algumas dúvidas eram muito aleatórias e básicas, fora do escopo), porém foram momentos pontuais em que isso ocorreu, sem prejudicar o andamento geral.
Rodrigo Sequinel
4/5
Quanto a didática do professor: excelente, com explicações muito claras, não deixando questões sem serem respondidas. Compreende que há alunos no curso de diferentes níveis de conhecimento. Quanto ao horário do curso: poderia ter outras opções, pois para quem trabalha fica difícil assistir.
Valderi Luzi Dressler
5/5
Além do curso ser ótimo o Leonardo responde todas as perguntas e é muito paciencioso (não sei como ele consegue ser tanto ahahahha). Não vejo nenhum ponto negativo
Jaisson
5/5
Positivos: curso essencial na emancipação intelectual, no sentido de nos permitir realizar análises e explorar bases de forma autônoma e independente. O Leonardo Peixoto é excelente Professor, pois tem domínio sobre o assunto e uma "paciência de Jó".
Negativos: acho que perdemos muito tempo com instalação e poderíamos ter avançado mais no conteúdo, muito restrito ao básico do básico.
Sugestão: talvez, para ampliarem a questão do conteúdo, trazer elementos de estatística básica, uma espécie de nivelamento.
Márcio Ferreira Rocha
4/5
Curso introdutório muito bom, vi participação de muitos inscritos. interessante, uso o Matlab, Excell, Origin e agora com o software R aprendi a lidar melhor com a Estatística.
Eloi Alves da Silva Filho
5/5

Conheça o professor:
Leonardo de Azevedo Peixoto

Leonardo é engenheiro agrônomo pela Universidade Federal do Espirito Santo, com mestrado e doutorado na área de genética e melhoramento pela Universidade Federal de Viçosa. Possui experiência internacional na Iowa State University aplicando técnicas avançadas de programação em R. Trabalhou 3 anos como Data Scientist Specialist na empresa Bayer. Tem experiência de mais de 10 anos utilizando o software R para análises estatísticas nas mais variadas áreas tais como estatística experimental, análise multivariada, inteligência artificial, modelos mistos e seleção genômica. Possui mais de 40 artigos científicos publicados aplicando diferentes metodologias de análise de dados tais como, estatística experimental, modelos de regressão, análise multivariada e machine learning. Atualmente, é professor das disciplinas Softwares Aplicados ao Melhoramento e Delineamentos Experimentais no Melhoramento da UNIS, e sócio fundador e professor da empresa Analise.

Quanto você vai pagar por este pacote incrível

50% de Desconto

Somente 100 vagas*

De R$799,99

Apenas R$ 499,99

Quanto você pagaria por cada item separadamente?

9 módulos principais

R$ 490,00

4 módulos bônus

R$ 110,00

52 horas de mentoria

R$800,00

1 script em R personalizado

R$300,00

Comunidade exclusiva no facebook

R$100,00

Total

R$1800,00

Ficou com alguma dúvida? Veja nossa perguntas frequentes

Se você não recebeu nenhum e-mail da Hotmart com o link de acesso envie um e-mail para contatoeac1@gmail.com solicitando o reenvio do link.

Se você tiver acessando a plataforma, e ela esta te direcionando para uma página de venda dos cursos, acesse este link e faça o cadastro que se pede:
https://purchase.hotmart.com/
Se mesmo assim não funcionar, entre em contato conosco pelo e-mail contatoeac1@gmail.com.

O material fica localizado abaixo da aula dentro da plataforma Hotmart. Caso não consiga encontrar entre em contato conosco.

Sim. Você poderá nos acessar via a Comunidade exclusiva do Facebook, na qual você terá acesso imediatamente após a inscrição, ou via e-mail (contatoeac1@gmail.com). Se não conseguirmos solucionar sua dúvida por meio destes veículos de comunicação, você terá um espaço durante as mentorias para perguntar.

As aulas serão liberadas imediatamente após o pagamento

Você vai procurar no facebook pelo grupo Análise de dados do conceito à prática e vai pedir para entrar. Nossa equipe vai analisar se você é aluno do curso e liberar seu acesso.

Sim. Todo material utilizado durante o curso será disponibilizado para o estudante. Não apenas os scripts, mas caso o curso tenha PowerPoint ou apostila em pdf, também será disponibilizado.

O Software R pode ser utilizado nos sistemas operacionais Windows, Linux e macOS.

Não, as aulas são protegidas para evitar fraudes e pirataria.

Você poderá acessar o conteúdo do curso sempre que quiser por 1 ano.

As mentorias serão de 15 em 15 dias com uma duração de 2 horas. Durante a mentoria teremos em torno de 40 minutos para os alunos tirarem duas dúvidas em relação ao curso. Depois o professor Leonardo vai passar alguma análise ou novidade que não está dentro do conteúdo do curso. Em algumas mentorias os alunos poderão trazer seus arquivos de dados e faremos uma discussão sobre quais análises são mais indicadas para cada caso.

Sim. Todas as mentorias serão gravadas e disponibilizadas dentro da plataforma Hotmart.

Se junte a nós na evolução do aprendizado em análise de dados

© Copyright 2021 CNPJ: Analise Cursos - CNPJ: 28.926.841/0001-43