Iniciaremos o curso definindo o que é ciência de dados. Abordaremos o fluxo de trabalho da ciência de dados e como ela é aplicada a problemas do mundo real. Finalizaremos o capítulo aprendendo sobre as diferentes funções no campo da ciência de dados.

O que é ciência de dados?

Data science everywhere!

A importância da ciência de dados

Aplicações da ciência de dados

Dose diária de ciência de dados

The science of smart assistants

Funções e ferramentas da ciência de dados

Selecionando o candidato certo

A função de um cientista de dados

Introdução à ciência de dados

Agora que entendemos o fluxo de trabalho da ciência de dados, vamos nos aprofundar na primeira etapa: coleta e armazenamento de dados. Aprenderemos sobre as diferentes fontes de dados que podem ser utilizadas, a aparência desses dados, como armazená-los depois de coletados e como um pipeline de dados pode automatizar o processo.

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

Coleta e armazenamento de dados

A preparação dos dados é fundamental: os cientistas de dados passam 80% do tempo limpando e manipulando dados e apenas 20% do tempo analisando-os de fato. Este capítulo mostrará como diagnosticar problemas em seus dados e lidar com valores faltantes ou discrepantes. Em seguida, você aprenderá sobre visualização, outra ferramenta essencial para explorar seus dados e comunicar suas descobertas.

Preparação de dados

A verdade está lá fora

Está preparado?

Análise exploratória de dados

AED numérica

Visual EDA

Visualização

Interactive dashboards

Improving a dashboard

Preparação, exploração e visualização

Neste capítulo final, discutiremos a experimentação e a previsão. Começando com experimentos, abordaremos o teste A/B e passaremos para a previsão de séries temporais, onde aprenderemos sobre previsão de eventos futuros. Por fim, terminaremos com machine learning, examinando aprendizado supervisionado e agrupamento.

Teste A/B

Criação de um fluxo de trabalho de teste A/B

Significância estatística

Intermediate results

Previsão de séries temporais

Classificação de dados de séries temporais

Interpret a time series plot

Aprendizado de máquina supervisionado

Quando usar o aprendizado supervisionado

Features and labels

Avaliação do modelo

Agrupamento

Supervisionado vs. não supervisionado

Cluster size selection

Parabéns!

Experimentação e previsão

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.

Uma introdução à ciência de dados sem programação.

Compreensão dos tópicos de dados

Características do pipeline de dados

Introdução à ciência de dados

exercicio interativo prático