Plataformas de nuvem

Jerome coletou muitos dados para um projeto de ciência de dados no qual está trabalhando. Seu objetivo é criar um algoritmo de reconhecimento facial e, para isso, ele coletou milhares de imagens. Ele precisa decidir em qual provedor de nuvem armazenará os dados.

Qual dos seguintes NÃO é um exemplo de provedor de nuvem?

Este exercicio faz parte do curso

Introdução à ciência de dados

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Introdução à 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 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: Data science everywhere!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: The science of smart assistants 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 Exercise 3: Asthma frequencies 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

Exercicio Atual

Exercise 10: Querying a database 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: Visual EDA Exercise 7: Visualização Exercise 8: Interactive dashboards Exercise 9: Improving a dashboard

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: Intermediate results Exercise 5: Previsão de séries temporais Exercise 6: Classificação de dados de séries temporais Exercise 7: Interpret a time series plot Exercise 8: Aprendizado de máquina supervisionado Exercise 9: Quando usar o aprendizado supervisionado Exercise 10: Features and labels Exercise 11: Avaliação do modelo Exercise 12: Agrupamento Exercise 13: Supervisionado vs. não supervisionado Exercise 14: Cluster size selection Exercise 15: Parabéns!