Uma carreira em ciência de dados é muito valorizada e bem remunerada. Ela abrange tarefas como estudar e organizar dados, aplicar técnicas de machine learning e entender os objetivos do negócio. Para se destacar nessa área, você precisa combinar várias habilidades: analisar dados, compreender o contexto de negócio, comunicar bem e muito mais. Para apoiar seu progresso, use esta lista como referência na sua jornada de aprendizado.
Para baixar este infográfico, clique na imagem acima
análise exploratória de dados
estatística descritiva
- Calcule métricas de posição, como média e mediana, de dispersão, como amplitude e desvio padrão, e outras características dos atributos.
- Calcule métricas como correlação para entender as relações entre atributos.
aprenda na DataCamp
coloque em prática
- A visual history of Nobel Prize winners
- Optimizing online sports retail revenue
- Explore a DataFrame
- Analyzing carbon footprints in SQL
- Exploring World Cup data in Python
visualização de dados
- Crie gráficos como barras, histogramas e boxplots para visualizar atributos isolados.
- Crie gráficos como dispersão, linhas e mapas de calor para visualizar relações entre atributos.
aprenda na DataCamp
- Introduction to Data Visualization with Seaborn
- Introduction to Data Visualization with Plotly in Python
- Introduction to Data Visualization with ggplot2
- Interactive Data Visualization with plotly in R
- Data Visualization Cheat Sheet
- Python Seaborn Cheat Sheet
- Plotly Express Cheat Sheet
- ggplot2 Cheat Sheet
- Python Seaborn Tutorial For Beginners
- Graphics with ggplot2 Tutorial
coloque em prática
- Visualizing COVID-19 in R
- Modeling the volatility of US bond yields in R
- Exploring the Bitcoin cryptocurrency market in Python
- Real-time insights from social media data in Python
- Visualize correlation with a diagonal correlation plot in Python
- Data visualization in Python for absolute beginners
- Visualizing video game sales data with ggplot2 in R
gestão de dados
importação e leitura de dados
- Importe dados de formatos comuns como CSV e planilhas.
- Importe dados consultando bancos de dados SQL.
- Importe dados via APIs da web.
aprenda na DataCamp
- Introduction to Importing Data in Python
- Intermediate Importing Data in Python
- Streamlined Data Ingestion with pandas
- Introduction to Importing Data in R
- Intermediate Importing Data in R
- Introduction to SQL
- Importing Data in Python Cheat Sheet
- Pandas tutorial: importing data with read_csv()
- Web scraping with Python and Beautiful Soup
- How to import data into R: a tutorial
- Importing data into R - Part two
coloque em prática
- Importing and cleaning data
- The Android app market on Google Play
- Visualize historical stock data with a candlestick chart
- Analyzing streaming service content in SQL
- Analyzing students' mental health in SQL
preparação de dados (data wrangling)
- Realize manipulações comuns, como ordenar, filtrar, criar novos atributos e agregar.
- Faça junções entre dois conjuntos de dados com inner, left e outros tipos de join.
- Faça pivot para transformar linhas em colunas ou colunas em linhas.
aprenda na DataCamp
- Data manipulation with pandas
- Joining data with pandas
- Reshaping data with pandas
- Data manipulation with dplyr
- Joining data with dplyr
- Reshaping data with tidyr
- Joining data in SQL
- Pandas Cheat Sheet for Data Science in Python
- Data Manipulation with dplyr in R Cheat Sheet
- SQL Joins Cheat Sheet
- Pandas Cheat Sheet: Data Wrangling in Python
- Joining DataFrames in pandas Tutorial
- Joins in SQL Tutorial
coloque em prática
- What and where are the world's oldest businesses?
- Streamlining employee data
- Merge DataFrames
- Analyzing NASA planetary exploration budgets in SQL
limpeza de dados
- Identifique e corrija problemas de consistência, como tipos de dados incorretos, números fora do intervalo ou valores duplicados.
- Identifique e corrija problemas em textos e dados categóricos, como categorias inválidas ou formatação incorreta.
- Identifique e corrija problemas de uniformidade, como unidades erradas, formatos de data incorretos e inconsistências entre atributos.
- Identifique e corrija problemas de valores ausentes.
aprenda na DataCamp
coloque em prática
- Exploring the Bitcoin cryptocurrency market in Python
- Real-time insights from social media data in Python
visão de negócio
metas de negócio
- Faça recomendações de abordagens analíticas com base nas metas do negócio.
- Avalie o desempenho dos resultados analíticos frente a KPIs ou outros critérios relevantes do negócio.
aprenda na DataCamp
coloque em prática
- Comparing search interest with Google Trends
- Optimizing online sports retail revenue
- Predict CTR and evaluate ROI
- Calculate customer churn metrics
conhecimento organizacional
- Entenda o impacto dos projetos de ciência de dados no seu negócio.
- Entenda quais times ou pessoas precisam estar envolvidos em um projeto de dados e de que forma.
aprenda na DataCamp
coloque em prática
- Which debts are worth the bank's effort?
- Feature engineering for fraud detection
- User retention by cohort
- Analyzing a marketing funnel in spreadsheets
- Visualizing cost savings in Tableau
programação para ciência de dados
pensamento computacional
- Use construções comuns de programação, como controle de fluxo e iteração.
- Entenda funções e programação funcional para escrever código reutilizável para análises.
aprenda na DataCamp
coloque em prática
- Functions for food price forecasts
- Writing functions for product analysis
- Group and aggregate data with custom functions
código para produção
- Use controle de versão como git para gerenciar código.
- Use tratamento de erros, asserções e testes unitários para garantir a qualidade do código.
- Escreva documentação para que outras pessoas entendam seu código.
- Desenvolva pacotes para tornar seu código reutilizável.
aprenda na DataCamp
coloque em prática
desenvolvimento de modelos
design do modelo
- Escolha um tipo de modelo adequado (regressão, classificação, clusterização etc.) com base no seu conjunto de dados e nos objetivos da análise.
aprenda na DataCamp
- Supervised learning with scikit-learn
- Unsupervised learning in Python
- Supervised learning in R: classification
- Supervised learning in R: regression
- Unsupervised learning in R
- Supervised machine learning Cheat Sheet
- Unsupervised machine learning Cheat Sheet
- 8 machine learning models explained in 20 minutes
coloque em prática
- Predicting credit card approvals
- Predict taxi fares with random forest
- Classify song genres from audio data
- Find movie similarity from plot summaries
- Clustering heart disease patient data
- ASL recognition with deep learning
- Disney movies and box office success
engenharia de atributos (feature engineering)
- Extraia informações relevantes do problema a partir de atributos existentes, como obter o dia da semana de uma variável datetime ou criar um indicador "em idade ativa" a partir da data de nascimento.
- Combine vários atributos em novos atributos, por exemplo somar vendas regionais para obter vendas totais, ou calcular lucro como receita menos custos.
- Use conjuntos de dados externos para criar novos atributos, por exemplo usando uma API de geolocalização para obter a cidade a partir de latitude e longitude, ou uma API de visão computacional para identificar se uma imagem contém pessoas.
- Use imputação para estimar valores ausentes.
aprenda na DataCamp
coloque em prática
- Customer analytics: preparing data for modeling
- Predict taxi fares with random forest
- Classify song genres from audio data
- Find movie similarity from plot summaries
- Encoding categorical variables
- Sentiment analysis and prediction in Python
ajuste de modelos
- Gere divisões de treino e teste a partir de um conjunto de dados, incluindo o uso de validação cruzada.
- Use ajuste de hiperparâmetros para otimizar o desempenho do modelo.
aprenda na DataCamp
coloque em prática
- What makes a Pokémon legendary?
- Predict taxi fares with random forests
- Machine learning with Python
- Machine learning with R
- Predicting hotel booking cancellations in Python
- Analyzing a time series of the Thames River in Python
validação de modelos
- Avalie o desempenho de modelos supervisionados usando métricas como acurácia, precisão e recall.
- Avalie o desempenho de modelos não supervisionados usando métricas como homogeneidade, completude e coeficiente de silhueta.
aprenda na DataCamp
coloque em prática
- Clustering Bustabit gambling behavior
- Degrees that pay you back
- Evaluate your ML model using the F-score
- How to explain black-box machine learning models
experimentação estatística
métodos de amostragem
- Entenda distribuições estatísticas como normal, uniforme e Poisson.
- Escolha métodos de amostragem apropriados para responder às suas perguntas evitando vieses.
aprenda na DataCamp
coloque em prática
testes de hipótese
- Entenda hipóteses nula e alternativa.
- Saiba quando e como usar testes como t-test, qui-quadrado e Mann-Whitney U.
- Interprete estatísticas de teste e valores de p.
aprenda na DataCamp
coloque em prática
comunicação de dados
data storytelling
- Crie uma narrativa que descreva sua motivação, métodos, resultados e conclusões.
- Garanta que sua narrativa esteja alinhada com as descobertas dos dados.
- Edite suas histórias para remover detalhes desnecessários.
aprenda na DataCamp
coloque em prática
entenda seu público
- Entenda o conhecimento prévio e os interesses do seu público.
- Adeque sua mensagem para gerar conexão, mesmo com uma audiência não técnica.
aprenda na DataCamp
coloque em prática
Tópicos
