Conteúdo

Nosso cenário mundial atual é caracterizado pela criação e crescimento de inúmeras bases de dados em velocidade exponencial. Para processar e obter informação útil a partir destes dados, é necessário automatizar diversas tarefas de coleta, processamento e análise de dados. A vasta área de Data Science (ou Ciência de Dados) refere-se a um conjunto de métodos com o objetivo apoiar decisões de negócio, a partir da coleta de dados de várias fontes para fins de análise, de forma sistematizada.

Neste livro, Tatiana Escovedo e Adriano Koshiyama focam no processo e nas técnicas relacionadas aos algoritmos preditivos mais comumente utilizados, mas mostrando também a importância da etapa de preparação dos dados brutos, limpeza e análise. Você vai aprender como utilizar Data Science para resolver problemas e agregar valor ao negócio, aprendendo com os dados. O trajeto inicia com uma introdução a conceitos de Estatística e Álgebra Linear, passando para o tema Pré-processamento de dados, uma etapa importantíssima para o entendimento do problema e preparação dos dados para a aplicação dos algoritmos de Machine Learning, chegando aos modelos de Classificação, Regressão, Associação e Agrupamento. Todos os conceitos teóricos apresentados serão complementados com exemplos práticos na linguagem R.

Saiba o que você vai aprender

Sumário

• 1 Introdução a Data Science
• 1.1 Banco de dados ou bando de dados?
• 1.2 Aplicações de Data Science
• 1.3 Dados x informação x conhecimento
• 1.4 Esquema básico de um projeto de Data Science

• 2 Introdução a R
• 2.1 Comandos básicos
• 2.2 Criando estruturas de dados dentro do R
• 2.3 Trabalhando com data frames

• 3 Conceitos básicos de estatística e álgebra linear
• 3.1 A matemática do Data Science
• 3.2 Conceitos básicos de Estatística
• 3.3 Conceitos básicos de Álgebra Linear

• 4 Pré-processamento de dados
• 4.1 Importação de dados
• 4.2 Análise exploratória
• 4.3 Preparação e limpeza

• 5 Modelos de Classificação
• 5.1 Problemas de Classificação
• 5.2 Algoritmos

• 6 Práticas de Classificação
• 6.1 Árvores de Classificação
• 6.2 KNN
• 6.3 Naïve Bayes (Bayes Ingênuo)
• 6.4 Support Vector Machine (SVM)

• 7 Modelos de Regressão
• 7.1 Problemas de Regressão
• 7.2 Algoritmos

• 8 Práticas de Regressão
• 8.1 Regressão Linear, Árvore de Regressão e KNN para Regressão
• 8.2 Regressão Logística

• 9 Modelos de Associação e Agrupamento
• 9.1 Problemas de Associação
• 9.2 Problemas de Agrupamento

• 10 Práticas de Associação e Agrupamento
• 10.1 Apriori
• 10.2 K-means

• 11 Conclusão
• 11.1 Sugestão de template básico para projeto de Ciência de Dados
• 11.2 Exemplo de um projeto completo usando o template
• 11.3 E agora?