Formação Full Stack em Dados & Analytics

A única formação no Brasil que ensina a esteira completa de dados: Engenharia de Dados, Tecnologia, Cloud Computing, Análise de Dados, Negócios e Ciência de Dados.



Sinta-se seguro para aplicar o que aprendeu

Para conquistar confiança e segurança em entrevistas, você precisa de um aprendizado sólido e alinhado à prática real do mercado.


Estude com especialistas que combinam experiência validada, conhecimento prático e a dose certa de teoria, garantindo que você esteja preparado para desafios reais e tenha destaque em sua carreira.

Profissionais de ponta no mercado

Aprenda com quem tem experiência prática e resultados expressivos nas empresas mais renomadas e competentes do mercado.

Forte embasamento teórico

Conhecimento teórico e acadêmico sólido para embasar as soluções técnicas e entregar resultados em problemas de qualquer complexidade.

Currículo amplo e focado na prática

O conhecimento completo e a experiência prática dos nossos professores sobre toda a cadeia de valor dos dados, possibilita um ensino completa, integrado e que te dá segurança.

A trilha de conhecimento para te formar um especialista completo em Dados & Analytics

No dinâmico mundo da tecnologia, você não pode perder tempo tentando organizar tudo sozinho. A Formação Full Stack em Dados & Analytics oferece conteúdo exclusivo, completo e constantemente atualizado, integrando Dados, Analytics e Negócios, para que você aprenda de forma prática e focada no que realmente importa.

NIVELAMENTO

INTRODUÇÃO

CLOUD COMPUTING

Aula Inagural
  • Aula de Boas Vindas
  • Apresentação da ementa detalhada
  • Meios de acesso para dúvidas
  • Explicação sobre o Hackathon
  • Dúvidas gerais
  • Introdução à Jornada de Ciência de Dados e Engenharia de Dados
Matemática Básica

Glossário da Matemática

Teoria Elementar dos Conjuntos

Sequências Elementares

Funções

Funções Elementares

Matrizes

Hands-On: Fixação de Conteúdo

Estatística Básica

Ramos da Estatística

Variáveis Estatísticas

Medidas Estatística Descritiva

Hands-on: Fixação de Conteúdo

Programação Básica

Algoritmos Gaveta de Dados

Dados e Instruções

Controle de Fluxo Arrays (Vetores e Matrizes)

Modularização Procedimento x Função Hand-on: Fixação de Conteúdo

Excel - do Básico a Macros

Estrutura do Excel

  • Formatação
  • Fórmulas de Operação 
  • Referência de Células
  • Colas Especial 
  • Funções Soma, Média e SE,
  • Filtros 
  • Funções 
  • Formatação Condicional 
  • Tabela
  • Importação de Dados Externos 
  • Remover Duplicatas 
  • Tabela Dinâmica 
  • Gráficos 
  • Segmentação de Dados 
  • Função Infodados de Tabela Dinâmica
  • Funções de Cubo 
  • Funções de Pesquisa e Referência
  • Atingir Meta 
  • Macros
  • Controle de Formulários

TECNOLOGIA & PROGRAMAÇÃO

Sistemas Operacionais

História dos Sistemas 

OperacionaisPrincipais Conceitos

Software x Hardware

Linguagem Binária

Portas Lógicas

Linguagem de Baixo e Alto Nível

Virtualização de S.O.

Cloud Computing e casos de Uso

Emulação

Docker x Kubernets

Linux no Windows

Criando e Conectando uma Máquina Virtual na AWS

SQL: Do Zero a consultas avançadas

Introdução ao SQL

Variações do SQL

Tipos de linguagem ( DDL , DML , DQL , DTL , DCL ) Primeiras consultas

Tipos de dados

Ordenação

Principais operadores

Filtros

Agregações

Criação de Databases / Tabelas

CRUD

Chaves primárias / Chaves estrangeiras ( PK , FK )

Combinando tabelas (Joins)Empilhando tabelas (Union x Union All)

Estrutura Case When

Subconsultas ( Subqueries )

Common Table Expressions ( CTE )

Funções geraisFunções de Janelamento

Ordem de Execução / Criação de consultas

Hands-On: Exercícios de Fixação de Conteúdo

PySpark para análise de dados

O que é PySpark?

SparkContext

SparkSession

Spark Dataframe

RDD

Operações importantes

Spark SQL

Tabelas

Views

UDFs Importação, Exportação, Leitura, Escrita

Otimizações

Monitoramento de jobs com Spark UI e GANGLIA (EMR)

Python para Big Data & Analytics

O que é Python?

Aplicações

Popularidade

Preparando o Ambiente

Python Puro X Anaconda

Sintaxe básica Operadores matemáticos

Declaração de variáveis

Tipos de dados

Operadores lógicos

Listas

Tuplas

Dicionários

Pacotes Built-in

Estruturas condicionais

Estruturas de repetição

Funções

Função lambda

Tratamento de Exceções

Matplotlib

Seaborn

Plotly

Pandas

Leitura / Escrita

Ambientes virtuais

Instalação de pacotes

Requirements.txt

Argumentos

Hands-On: Exercício de Fixação de Conteúdo

Ecossistema Hadoop/Spark

Arquitetura Hadoop Spark

Monitoramento do Ambiente Estrutura de Cluster

Principais aplicativos para Ecossistema Hadoop/Spark

Cloud Computing em AWS
  • Introdução à Computação em Nuvem
  • Serviços para Dados: S3, EMR, RedShift, Athena, RDS e Lambda
  • Serviços para Analytics: EMR (JupyterHub) e SageMaker
  • Orquestração e Monitoramento: CloudWatch, Lambda
  • Segurança: Secrets, KMS
  • Escalabilidade: Load Balancer
  • Automação
  • Desenho de Arquitetura Big Data & Analytics: Exemplo de um data lake com uso de big data e analytics sendo feito pelo EMR (JupyterHub) e SageMaker
  • Custos: Montar uma calculadora simples para estimar custos de um lake
  • Sagemaker
  • Athena
  • QuickSight
  • DynamoDB
  • RedShift

ENGENHARIA DE DADOS

Coleta de dados

Aplicações

Ferramentas mais utilizadas

Web Scraping é ilegal ?

HTML Básico

Requests - Introdução

BeautifulSoup – Introdução

Selenium Webdriver

Encontrando elementos

Interagindo ( comandos do teclado, Action Chains, Waits )

Trabalhando com Frames

Executando Javascript

Expressões Regulares ( REGEX )

User-Agents

Extraindo dados de APIs

Extraindo dados de PDFs

Encontrando APIs ocultas

Paralelisando as extrações

Uso de Proxy

Captchas

Projeto : Extração de revisões de site de hotéis

Engenharia de Dados I

O que é Web Scraping?

Web Scraping X Web Crawling

História da evolução e uso dos dados

Carreiras em Engenharia de Dados

- Analista de BI

- Administrador de Dados

- DBA

- Engenheiro de Dados

Engenharia de Dados e Negócios

- Áreas de Negócios das empresas x Uso de Dados

- Democratização de dados para as área da empresa

Fundamentos de Cloud Computing

- Storage

- Banco de Dados

- Processamento

- Orquestração

- Observability

Tipos de Dados

Ferramentas para Engenharia de Dados

- DBeaver

- Pentaho

- Metabase

Engenharia de Dados II

Arquiteturas de Dados

- Data Lake

- Data warehouse

- Data lakehouse

- Data Mesh

Processamento Distribuído e Paralelizado

- Hadoop

- Spark Desenvolvimento de ETL e ELT

Sistemas transacionais

Bancos de Dados Relacionais e SGBD

Business Intelligence (BI)

Feature Store - Compondo variáveis para BI

- Compondo variáveis para Analytics (Análise e Ciência de Dados) Introdução a NoSQL

Introdução a Grafos

Automação e Orquestração de pipeline de dados

Monitoramento de Dados

Data Lineage

Esteira Continuous Integration (CI)/ Continuous Delivery (CD)

DataOps

Arquitetura para Streaming de Dados

Fundamentos de LGPD

Apache Airflow
  • Conceitos Iniciais
  • Criando DAGs
  • Orquestrando ETL
  • Orquestrando Pipeline em Cluster EMR
  • Configurando Airflow em EC2 da AWS

Ética e LGPD

Ética e LGPD do ponto de vista jurídico que atende áreas de tecnologia!

CIÊNCIAS APLICADAS

Estatística Aplicada

Conceitos básicos de estatística

Medidas de tendência central e dispersão

Gráficos estatísticos

Análise descritiva e outliers

Percentis e a frequência acumulada

Análise exploratória

Conceitos de amostragem

Probabilidade - modelos de distribuição

Noções de medidas de associação e correlação

Processo de análise estatística - testes estatísticos

Teste de hipótese paramétrico e não paramétrico

Processo inferencial (Clássica e Bayesiana)

Matemática Aplicada

Teoria dos Conjuntos

Vetores Matrizes Determinantes

Logaritmo Introdução ao Cálculo numérico

- Funções

- Limites

- Derivadas

- Função Gradiente

- Backpropagation

CIÊNCIA DE DADOS

Introdução às Carreiras em Análise de Dados e Ciência de Dados
  • O que é ciência de dados Qual a diferença entre Analista de Dados e Cientista de Dados
  • Qual é o papel de um cientista de dados em uma empresa ou organização
  • Quais são as habilidades necessárias para se tornar um Analista de Dados e Cientista de Dados
  • Quais são as principais ferramentas e tecnologias usadas pelos analistas e cientistas de dados
  • Como é o mercado de trabalho para analistas e cientistas de dados
  • Como é a remuneração média para profissionais de análise e ciência de dados
  • Formação específica em áreas relacionadas para seguir essa carreira e outros pré requisitos
  • Certificações prévias para se tornar um cientista de dados
Áreas de Negócios e Problemas Reais
  • O que são Negócios
  • Como são as áreas de negócios nas empresas
  • Segmentos de Negócios:
    - Financeiro (Análise de Dados para Crédito, Fraude e Cobrança)
    - Jurídico (Jurimetria)
    - Saúde (Análise de Dados de Prontuário, Classificações, Imagem)
    - CRM (Análise de Personas, Propensão à contratação de Produtos)
    - RH (People Analytics)
    - Varejo (Precificação, Análise e Projeção de Demanda, Projeção de Estoque, Otimização de Metas de Vendas)
    - Indústria (Análise de Dados para Predição de Falhas em Sistemas)
  • Desafios de Negócios:
    - Aumento de Faturamento
    - Redução de Custos
    - Construção de cenários para tomada de decisão
    - Acompanhamento de Indicadores
  • Problemas reais e possíveis soluções:
    -Concessão de Crédito
    -Análise de Limite de Cartão de Crédito
    -Avaliação de transações Fraudulentas
    -Otimização de Metas de Vendas
    -Criação de Personas para Oferta de produtos ou contratação de pessoas
    -Oferta de produto para clientes propensos à compra
    -Ordenação de pessoas ou itens para ações, por exemplo ação de cobrança
    -Análise de Churn (perda de clientes)
  • Geração de valor nos Negócios:
    -Custos vs resultados
  • Comunicação executiva
    -Apresentação dos resultados
    -Ancoragem de Valor do Projeto (para gestores)
    -Busca por Orçamento (para gestores)
    -Visibilidade ao Projeto e à Equipe (para gestores)
Ferramentas de Trabalho

Excel e/ou Google Sheets

Word e/ou Google Docs

Power Point e/ou Google Apresentações

Google Collab

Anaconda

GitHub

Kaggle

ChatGPT

Google

Revisão geral: Excel, SQL e Python
  • Conceito de Tabela de Dados
  • Consultas a tabelas de Bancos de Dados
  • Exploração de dados com queries SQL
  • Exploração de dados com Spark SQL
  • Exploração de dados com Python
Fundamentos de Engenharia de Dados
  • Escopo da Engenharia de Dados
  • O que são Dados
  • Tipos de Dados
  • Fontes de Dados
  • Conceitos de ETL (Extração Transformação e Carga)
  • Arquiteturas de Dados mais utilizadas para Ciência de Dados:
  • Data Lake
  • Data Warehouse
  • Data Lakehouse
  • Data Mesh
  • Data Fabric
  • Feature Store
  • Formatos de Dados e tipos de uso
    - CSV
    - PARQUET
    - XLSX
    - JSON
  • Como trabalhar com diferentes volumetrias de Dados
  • Python/Pandas vs PySpark
  • Ferramentas para processamento de dados volumosos
  • Spark/PySpark
  • SQL
Fundamento da Análise de Dados I
  • Desenvolvimento de Análise de Dados
  • Entendimento do Framework CRISP-DM
  • O que nossa análise vai responder ?
  • O que será resolvido ?
  • Quais dados serão utilizados ?
  • Exploração e tratamento dos dados
  • Análise e solução
  • Avaliação da solução
  • Implantação da Solução
  • Conceito de Tabela Analítica de Público de Estudo
  • Seleção do Público
  • Conceito de amostragem
  • Explorando os dados
  • Fundamentos da Análise de dados
  • Introdução e Contextualização (Objetivo da análise)
  • Inspeção dos Dados
  • Desenvolvendo Metadados
  • Análise dos valores nulos (Missings)
  • Medir
  • Deletar linhas
  • Deletar colunas
  • Imputação
  • Análise Preliminar (Estatística Descritiva)
  • Análise Unidimensional
  • Variáveis Categóricas
  • Variáveis Numéricas
  • Análise Geográfica
  • GeoPandas

Fundamento da Análise de Dados II
  • Análise Bidimensional
  • Relações entre variáveis
  • Análise Multidimensional
  • Análise de Correlação
  • Pearson
  • Apresentação de resultados técnicos
  • Visualização de Dados no Notebook
    pandas_profilling
    sweetviz
  • Teste A/B
  • Apresentação de resultados de negócio
  • Montando um PPT com resultados de negócio
  • Revisão Corr Pearson e Distribuição de Dados
  • Implementação de projeto de Dados em Streamlit
  • Construindo Dashboard no Metabase
  • Consultas a tabelas de Bancos de Dados
  • Exploração de dados com queries SQL
  • Dashboard para apresentação de
  • Resultados
  • Visões e insights de Negócio

Ciência de Dados

Introdução ao Aprendizado de Máquina (Machine Learning)

Preparação de Dados - Criando variáveis explicativas (ED)

Conceito de variáveis agregadas a partir dos dados transacionais

Conceito de variáveis com profundidade temporal

Conceito de defasagem temporal dos dados

Criação da variável resposta:

- Crédito

- Fraude

- Cobrança

- Churn

- Propensão

Preparação de Dados para análises e algoritmos de ML:

- Conceito de Metadados

- Normalizações

- Padronizações

- Analise de outliers

- Análise da Cardinalidade

- OneHot Encoding

- Label Encoding

- Target Encoding

- WoE Encoding

- Transformações de Variáveis

- Linearidade com log da Odds (Regressão Logística)

Categorização de Variáveis contínuas

Análise de estabilidade temporal das variáveis categóricas (taxa de evento para target binário)

Análise de ordenação das categorias por taxa de evento (target binário)

Conceito de Feature Store

Seleção de Variáveis:

- Corte por % de Valores Nulos (Missings),

- Variância,

- Feature Importance,

- Boruta,

- Correlação de Pearson

- Information Value (Target Binário)

Redução de dimensionalidade - PCA:

- Foco em Visualização de Dados

- Foco em Seleção de Variáveis

- Combinando PCA + IV para seleção de Variáveis (Target Binário)

Algoritmos de Machine Learning: Problemas de Classificação

Modelos Supervisionados - Problemas de Classificação

Principais algoritmos:

- Árvores de Decisão

- Regressão Logística

- Random Forest

- LightGBM

- XGBoost

- CatBoost

- KNN

- Redes Neurais - MLP

- SVM

- Stacking e Blend de Modelos

- AutoML com Pycaret

Algortimos de Machine Learning: Problemas de Segmentação

Modelos Não Supervisionados - Problemas de Segmentação (Clustering)

- K-Means

- DBSCAN

- Hierárquico (Agglomerative Clustering)

- Mistura Gaussiana (Gaussian Mixture Model - GMM)

- Spectral Clustering

- AutoML com Pycaret

Projeções e Séries Temporais

- Clássica: Média Móvel, ARIMA, SARIMA

- Machine Learning (Algoritmos para Regressão)

- Deep Learning: LSTM

Avaliação de Modelos

Análise de Desempenho dos Modelos

Análise de Estabilidade dos Modelos

Análise de Aderência aos negócios

Monitoramento de Modelos

Exemplo de Arquitetura para Monitoramento de Modelos

Indicadores para Monitoramento de Modelos

Construção de Dashboard para Monitoramento de Modelos Estatísticos

Engenharia de Machine Learning

Conceito do GitFlow

Conceito DataOps e MLOps

Organização de Equipes e Projetos Aplicabilidade MLOps para entregas em Machine Learning Monitormento de dados e modelos em produção

Data and Models Pipeline MLOps Management (Validation, Data Rules, Data Quality, Model Quality, Versioning)

Quality, Versioning)

Ética e explicabilidade de modelos

Ética e explicabilidade de algoritmos de machine learning, do ponto de vista jurídico. O que está por vir ? Como devemos estruturar nossos processos para suportar esta demanda que está por vir?

PROJETOS PARA PORTFÓLIO

Projetos Práticos de Ciência de Dados
  • Análise de Crédito: Solução Tradicional e técnicas avançadas de Machine Learning;
  • People Analytics para RH e CRM: Utilizando Machine Learning para encontrar Personas para seu negócio;
  • Prevenção a Fraudes: Utilizando técnicas avançadas de Machine Learning;
  • Previsão de Demandas: Utilizando Machine Learning otimizar metas, orçamento, estoque e demandas do seu negócio;
  • Criando Chatbot com GenAI: Processo completo de criação de um chatbot aplicado ao seu negócio
Projetos Práticos de Engenharia de Dados
  • Web Scraping: Extração de Dados Públicos da Receita Federal
  • Construindo um Data Lake: Para democratização de dados na empresa;
  • Automações com Bot: Automações nos processos de engenharia de dados aplicado ao seu negócio;
  • Streaming de Dados em Tempo Real: Construindo um ETL contínuo e dashboards em tempo real com arquitetura streaming.

CARREIRA E SOFT SKILLS

Fundamentos da Carreira

Fundamentos da Carreira 

Portfólio, GitHub e LinkedIn

Como montar um portfólio de sucesso?

Currículo e Entrevista

Montando um currículo de sucesso

Preparando para entrevista 

Comunicação Assertiva

Comunicação Assertiva e Oratória

Apresentação Executiva

Contando sua solução através de um storytelling de valor

Cloud Computing em GCP
  • Serviços para Dados: Cloud Storage, Dataproc, BigQuery, BigQuery (como consulta direta no armazenamento), Cloud SQL e Cloud Functions.
  • Serviços para Analytics: Dataproc e Vertex AI.
  • Orquestração e Monitoramento: Cloud Monitoring, Cloud Functions.
  • Segurança: Secret Manager, Cloud KMS.
  • Escalabilidade: Cloud Load Balancer.
  • Automação: Cloud Functions.
  • Desenho de Arquitetura Big Data & Analytics: exemplo de um Data Lake com uso de Big Data e Analytics sendo feito pelo Dataproc e Vertex AI.
  • Custos: Montar uma calculadora simples para estimar custos de um Data Lake.
  • Vertex AI
  • BigQuery
  • Looker
  • Firestore
  • BigQuery

TCC PRÁTICO: SUPER HACKATHON

Parceria com Empresa do Mercado

Super Hakathon para desenvolver uma solução de um problema, utilizando dados reais. 

A PoD Academy faz parceria com empresas relevantes do mercado para essa finalidade. 

Todos os alunos participam de um cenário que ensina o dia a dia do mundo corporativo, gestão de projetos, comunicação entre áreas técnicas e de negócios. 

Os grupos são avaliados por uma banca de executivos do mercado.

Conheça os seus professores

Unimos professores renomados na comunidade acadêmica e profissionais com vasta experiência e conhecimento comprovado pelo mercado. Tudo para construir uma formação completa, dinâmica e atual.

Como funcionará o curso?

Confira os detalhes sobre o funcionamento do curso para alunos da Turma 01 de 2025 Full Stack

Início das aulas

Assim que adquirir o curso, o conteúdo já está disponível na plataforma para você assistir. A Aula Inaugural será no dia 28 de janeiro de 2025 e a primeira sessão ao vivo de Ciência de Dados e Engenharia de Dados será no dia 18/02

Formato das aulas

A formação possui 550 horas de aulas gravadas. Mensalmente, temos sessões ao vivo com os professores de Ciência de Dados e Engenharia de Dados.

Materiais complementares

Os professores sempre disponibilizam conteúdos complementares de alto valor de mercado e para pesquisa posterior. Os materiais ficam dentro da área de membros para você fazer download e estudar.

Conteúdo

O curso cobre toda a cadeia de valor dos dados: desde a Engenharia de Dados, Tecnologia, Computação em Nuvem, Negócios e Ciência de Dados para que você se sinta seguro para trabalhar nas melhores empresas do Brasil e do mundo.

Networking

Ao adquirir o curso, você já participa da Comunidade de Alunos PoD Academy no Discord e no Whatsapp para troca de conhecimento, tirar dúvidas e fazer networking.

Certificado

Ao longo do curso, você garante acesso a 30 Certificados de: todos os Módulos, todos os Projetos para Portfólio concluídos, o Hackathon e, também as Formações Completas em Engenharia de Dados, Ciência de Dados. Ao final o aluno receberá uma placa da Formação Full Stack.

Para quem é este curso?

Ainda tem dúvidas se este curso é para você?

É PARA QUEM QUER

Este curso

Ter a certeza de que irá aprender o que precisa

Aprender com profissionais validados no mercado

Acessar um conteúdo exclusivo, completo e organizado

Acessar um conteúdo que possui criteriosa curadoria

Aprendizado necessário em bem menos tempo

Se tornar um profissional de destaque, raro e desejado no mercado

Ser um dos profissionais mais bem pagos do mercado

Este curso

NÃO É PARA QUEM

Quer continuar procurando sozinho as informações para a migração de carreira

Consegue se atualizar sozinho, sem perder o timing, de todas as novidades do mercado de tecnologia

Não quer um direcionamento na carreira

Acha que trabalhar com Dados e Analytics é só para quem é mestre nas exatas

Já sabe tudo e não precisa melhorar nada

Está satisfeito com o seu salário e jornada de trabalho

Alavanque a sua carreira

Mude o seu o jogo e torne-se altamente requisitado no mercado de Dados & Analytics.

Full Stack em Dados & Analytics

550 horas de conteúdo e 24 meses de acesso

Projetos para Portfólio para problemas de negócio do mercado

Sessões ao vivo, mensais, no primeiro ano de acesso

Hackathon com dados de empresas parceiras do mercado

Suporte diferenciado e acesso a professores e monitores

Por 12 x 469,08

ou R$ 4.700 à vista

Comunidade de Alunos PoD Academy no Discord e WhatsApp

A única formação no Brasil que ensina a esteira completa de dados

de R$ 5.997

Condição especial de abertura de turma até dia 19/01 às 23h59

Alguma dúvida?

O nosso time está à sua disposição! Entre em contato com a gente!

FAQ

Veja abaixo as principais perguntas que recebemos sobre o curso.

Caso ainda tenha alguma dúvida, entre em contato e responderemos com prazer.

Quando começam as aulas?

A Turma 0125 terá sua Aula Inaugural no dia 28/01 às 20h e a primeira sessão ao vivo de Ciência de Dados e Engenharia de Dados será no dia 18/02, às 20h.

O curso será presencial?

O curso é online. Assim que você adquire, já pode ter acesso às 550 horas de conteúdo. Também possui sessões mensais ao vivo no primeiro ano de acesso. 

Quais são as formas de pagamento?

Boleto, PIX ou Cartão de Crédito. Caso precise, entre em contato com a nossa equipe de Relacionamento no whatsapp. 

Haverá TCC?

Para te entregar segurança técnica e prática, a PoD Academy oferece um evento anual para os alunos Full Stack:o Super Hackathon resolvendo um problema real, com dados reais em parceria com uma empresa real do mercado. Todos os alunos participam de uma simulação do mundo corporativo real e são avaliados por uma Banca de executivos do mercado. 

O curso tem pré-requisitos?

Não. Na Formação Full Stack Dados & Analytics você conta com conteúdos que vão do conhecimento zero em programação e matemática, até o avançado. 

Posso comprar módulos separados?

Não. Esta é uma Formação completa. Aqui, os módulos são complementares e vendidos juntos. 

É possível parcelar o valor do curso?

Sim, além das formas de pagamento oferecidas, temos outras formas de pagamento facilitado (sujeito a análise de crédito). Clique no botão do nosso WhatsApp que a nossa equipe irá atender você.

As aulas serão gravadas?

As aulas são gravadas e já estão todas disponíveis na plataforma para você assistir. Mensalmente, a Turma 0125 terá sessões ao vivo com os professores de Ciência de Dados e Engenharia de Dados. 

Existem turmas empresariais?

Temos pacotes com preços especiais para equipes empresariais no curso atual. Entre em contato pelo e-mail tamara.jardim@podacademy.com.br, com o assunto [Formação para Empresas]

Lifelong Learning.

Todos os direitos reservados

Política de Privacidade