We'll start the course by defining what data science is. We'll cover the data science workflow and how data science is applied to real-world problems. We'll finish the chapter by learning about different roles within the data science field.

What is data science?

Data science everywhere!

Importance of data science

Applications of data science

Daily dose of data science

The science of smart assistants

Data science roles and tools

Selecting the right candidate

A data scientist role

Introduction to Data Science

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection and storage. We'll learn about the different data sources you can draw from, what that data looks like, how to store the data once it's collected, and how a data pipeline can automate the process.

Fontes de dados

Solicitações

Dados da empresa

Dados abertos

Classificação de fontes de dados

Asthma frequencies

Tipos de dados

Opções

Dados quantitativos

Dados qualitativos

Classificação de tipos de dados

Net promoter score

Monitor de atividades

Armazenamento e recuperação de dados

Plataformas de nuvem

Querying a database

Conjuntos de dados

Banco de dados relacional

Banco de dados de documentos

Que tipo de banco de dados?

Pipeline de dados

Características do pipeline de dados

Tarefas

Extração

Transformação

Carregamento

Extrair Transformar Carregar

Data Collection and Storage

Data preparation is fundamental: data scientists spend 80% of their time cleaning and manipulating data, and only 20% of their time actually analyzing it. This chapter will show you how to diagnose problems in your data, deal with missing values and outliers. You will then learn about visualization, another essential tool to both explore your data and convey your findings.

Data preparation

The truth is out there

Are you prepared?

Exploratory Data Analysis

Numerical EDA

Visual EDA

Visualization

Interactive dashboards

Improving a dashboard

Preparation, Exploration, and Visualization

In this final chapter, we'll discuss experimentation and prediction! Beginning with experiments, we'll cover A/B testing, and move on to time series forecasting where we'll learn about predicting future events. Finally, we'll end with machine learning, looking at supervised learning, and clustering.

A/B Testing

Creating an A/B testing workflow

Statistical significance

Intermediate results

Time series forecasting

Classifying time series data

Interpret a time series plot

Supervised machine learning

When to use supervised learning

Features and labels

Model Evaluation

Clustering

Supervised vs. unsupervised

Cluster size selection

Congratulations!

Experimentation and Prediction

Course Glossary

O que é a ciência de dados, por que ela é tão popular e por que a Harvard Business Review a aclamou como o "trabalho mais sexy do século 21"? Neste curso não técnico, você descobrirá tudo o que sempre teve medo de perguntar sobre esse campo empolgante e de rápido crescimento, sem precisar escrever uma única linha de código. Por meio de exercícios práticos, você aprenderá sobre as diferentes funções do cientista de dados, tópicos fundamentais como testes A/B, análise de séries temporais e machine learning, e como os cientistas de dados extraem conhecimento e insights de dados do mundo real. Portanto, não se desanime com o jargão. Comece a aprender, adquira habilidades nesse campo extremamente requisitado e descubra por que a ciência de dados é para todos!

Descubra o que é ciência de dados, por que é popular e aprenda com exercícios práticos. Sem código.

Introdução à ciência de dados

Uma introdução à ciência de dados sem programação.

Compreensão dos tópicos de dados

Querying a database

Introdução à ciência de dados

Exercício interativo prático