Disciplina dos Cursos de Ciências da Computação e afins da UNINOVE.

• Python
• Álgebra Linear com NumPy
• Análise de Dados com pandas
• Visualização de Dados com pandas, matplotlib e seaborn
• Machine Learning com Scikit-Learn
• Redes Neurais com TensorFlow, Keras e PyTorch

Prof. Dr. José Eduardo Storopoli - Currículo Lattes - ORCID

[email protected]

Este conteúdo possui licença livre para uso (CC BY-SA). Caso queira utilizar o conteúdo para um curso ou estudos, por favor colabore nesse repositório quaisquer aprimorações que foram realizadas.

Para configurar um ambiente local:

1. Clone o repositório do GitHub: git clone https://github.com/storopoli/ciencia-de-dados.git
2. Acesse o diretório: cd ciencia-de-dados
3. Instale as bibliotecas necessárias: pip install -r .binder/requirements.txt ou conda env create -f .binder/environment.yml

• Notebooks: Jupyter Notebooks das aulas

• Aula Especial - Curso Rápido de Python para Programadores
• Aula 0 - Jupyter Notebook
• Aula 1 - Operadores aritméticos, relacionais e lógicos
• Aula 2 - Desvio Condicional (IF)
• Aula 3 - Estruturas de Repetição (FOR e WHILE)
• Aula 4 - Estruturas de Dados (list e dict)
• Aula 5 - Funções e métodos
• Aula 6 - NumPy e Algebra Linear
• Aula 7 - pandas
• Aula 8 - pandas estatística
• Aula 9 - Gráficos com matplotlib e pandas
• Aula 10 - Machine Learning com Scikit-Learn
• Aula 11 - Regressão Linear com Scikit-Learn
• Aula 12 - Regressão Logística com Scikit-Learn
• Aula 13 - Support Vector Machines com Scikit-Learn
• Aula 14 - Árvores de Decisão com Scikit-Learn
• Aula 15 - Florestas Aleatórias com Scikit-Learn
• Aula 16 - Análise de Componentes Principais (PCA) com Scikit-Learn
• Aula 17 - Análise de Agrupamentos (Clusterização) com Scikit-Learn
• Aula 18a - Redes Neurais com TensorFlow e Keras
• Aula 18b - Redes Neurais com PyTorch

A avaliação pode ser realizada por meio de trabalho final no qual cada grupo de alunos (1 a 6 integrantes) devem entregar um notebook contendo os seguintes tarefas:

1. Leitura de dados com pandas
2. Manipulação e limpeza de dados com pandas
3. Descritivo e exploração de dados com pandas (groupbys)
4. Figuras que mostrem insights sobre os dados com pandas e matplotlib
5. Quebrar os dados em conjunto de treino e conjunto de teste
6. Treinar um estimador do scikit-learn de aprendizagem supervisionada (regressor ou classificador) no conjunto de treino
7. Verificar o desempenho do estimador do scikit-learn no conjunto de teste

A entrega pode ser via e-mail, mas é extremamente incentivado para que os alunos criem um repositório no GitHub aberto com um README.md bem escrito que explica o projeto. Isto pode já ser um incentivo para os alunos criarem os seus portfolio de projetos de ciências de dados no GitHub, algo que impulsionaria bastante a carreira deles.

A correção dos trabalhos deverá levar em conta o tamanho dos grupos. Grupos pequenos têm maior tolerância de erros e inconsistências do que grupos com um maior número de integrantes.

Para citar o conteúdo use:

Storopoli (2020). Ciência de Dados com Python: pandas, matplotlib, Scikit-Learn, TensorFlow e PyTorch. Retrieved from https://storopoli.io/ciencia-de-dados

Ou em formato BibTeX para LaTeX:

@misc{storopoli2020cienciadedados,
  author = {Storopoli, Jose},
  title = {Ciência de Dados com Python: pandas, matplotlib, Scikit-Learn, TensorFlow e PyTorch},
  url = {https://storopoli.io/ciencia-de-dados},
  year = {2020}
}

Este obra está licenciado com uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional.