Classificação de fontes de dados

A coleta de dados é a primeira etapa do fluxo de trabalho da ciência de dados. Sem dados, não haveria ciência de dados. Dependendo do projeto em que estiver trabalhando, você precisará de diferentes fontes de dados. Considere as seguintes necessidades de dados.

Esses dados estão disponíveis publicamente ou são rastreados internamente pelas empresas?

Este exercício faz parte do curso

Introdução à ciência de dados

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Introdução à ciência de dados

InicianteNível de habilidade

4.8+

Iniciar curso de graça

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.

Exercise 1: O que é ciência de dados?Exercise 2: Ciência de dados em todos os lugares!Exercise 3: A importância da ciência de dados Exercise 4: Aplicações da ciência de dados Exercise 5: Dose diária de ciência de dados Exercise 6: A ciência dos assistentes inteligentes Exercise 7: Funções e ferramentas da ciência de dados Exercise 8: Selecionando o candidato certo Exercise 9: A função de um cientista 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.

Exercise 1: Fontes de dados Exercise 2: Classificação de fontes de dados

Exercício atual

Exercise 3: Frequências de asma Exercise 4: Tipos de dados Exercise 5: Classificação de tipos de dados Exercise 6: Net promoter score Exercise 7: Monitor de atividades Exercise 8: Armazenamento e recuperação de dados Exercise 9: Plataformas de nuvem Exercise 10: Consulta a um banco de dados Exercise 11: Que tipo de banco de dados?Exercise 12: Pipeline de dados Exercise 13: Características do pipeline de dados Exercise 14: Extrair Transformar Carregar

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.

Exercise 1: Preparação de dados Exercise 2: A verdade está lá fora Exercise 3: Está preparado?Exercise 4: Análise exploratória de dados Exercise 5: AED numérica Exercise 6: AED visual Exercise 7: Visualização Exercise 8: Painéis interativos Exercise 9: Aprimoramento de um painel

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.

Exercise 1: Teste A/B Exercise 2: Criação de um fluxo de trabalho de teste A/B Exercise 3: Significância estatística Exercise 4: Resultados intermediários Exercise 5: Previsão de séries temporais Exercise 6: Classificação de dados de séries temporais Exercise 7: Interpretar um gráfico de série temporal Exercise 8: Aprendizado de máquina supervisionado Exercise 9: Quando usar o aprendizado supervisionado Exercise 10: Atributos e rótulos Exercise 11: Avaliação do modelo Exercise 12: Agrupamento Exercise 13: Supervisionado vs. não supervisionado Exercise 14: Seleção do tamanho do grupo Exercise 15: Parabéns!