Importância da ciência de dados

O Lumen Learning Lab também criou uma pequena visualização comparando rastros digitais brutos com o tipo de resumo que as equipes realmente precisam.

Alterne entre atividades brutas e insights organizados.
Reflita sobre o que acontece à medida que mais aspectos da vida diária geram um rastro digital.

Depois, responda à pergunta abaixo. O que torna a ciência de dados mais importante hoje do que nunca?

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

Exercicio Atual

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 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!