Interpret a time series plot

The chart shows an illustrative forecast of potato prices in Rwanda for 2016 and 2017. Hover along the lines to read predicted values and the upper and lower lines for the 80% and 95% intervals.

Pay special attention to the second high period in 2017 when comparing interval bounds.

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 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

Exercicio Atual

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!