Classificação de tipos de dados

É importante saber que tipo de dado você coletou. Isso será essencial mais adiante no fluxo de trabalho de ciência de dados, quando você quiser armazenar os dados e, depois, ao realizar as análises.

Existem dois tipos de dados: dados qualitativos e dados quantitativos.

Este exercicio faz parte do curso

Entendendo a ciência de dados

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Entendendo a ciência de dados

InicianteNível de habilidade

4.8+

Comece o curso gratuitamente

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 reais. 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 todo lugar!Exercise 3: Importância da ciência de dados Exercise 4: Aplicações da ciência de dados Exercise 5: Dose diária de ciência de dados Exercise 6: A ciência por trás dos assistentes inteligentes Exercise 7: Funções e ferramentas de ciência de dados Exercise 8: Selecionando a pessoa certa 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 Exercise 3: Frequências de asma Exercise 4: Tipos de dados Exercise 5: Classificação de tipos de dados

Exercicio Atual

Exercise 6: Net promoter score Exercise 7: Monitor de atividades Exercise 8: Armazenamento e recuperação de dados Exercise 9: Plataformas em nuvem Exercise 10: Consulta a um banco de dados Exercise 11: Que tipo de banco de dados?Exercise 12: Pipelines de dados Exercise 13: Características de pipelines 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 a 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: EDA numérica Exercise 6: EDA 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 aprendizado de máquina, examinando o aprendizado supervisionado e o agrupamento.

Exercise 1: Testes 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 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 agrupamento Exercise 15: Parabéns!