Introdução a Data Science
Algoritmos de Machine Learning e métodos de análise
Published on 28. February 2020
288 pages
978-85-7254-055-1 (ISBN)
Description
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.
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.
More details
Persons
Tatiana Escovedo é Cientista de Dados, Engenheira de Software e Agilista apaixonada por ensinar e aprender. Doutora em Inteligência Artifical, Mestre em Engenharia de Software, Bacharel em Informática, Professora da PUC-Rio e Analista de Sistemas da Petrobras. Nas horas vagas, é bailarina e pensa em maneiras de mudar o mundo.
Adriano Koshiyama é Doutorando em Ciência da Computação desde 2016 pela University College London. Passou por diversas empresas (Sieve\B2W Digital, Goldman Sachs International etc.) sempre trabalhando como Engenheiro de Machine Learning. Seus principais tópicos de pesquisa estão relacionados a Ciência de Dados, machine learning, métodos estatísticos, otimização e finanças.
Adriano Koshiyama é Doutorando em Ciência da Computação desde 2016 pela University College London. Passou por diversas empresas (Sieve\B2W Digital, Goldman Sachs International etc.) sempre trabalhando como Engenheiro de Machine Learning. Seus principais tópicos de pesquisa estão relacionados a Ciência de Dados, machine learning, métodos estatísticos, otimização e finanças.
Content
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?
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?
