As 8 principais ideias de projetos de R para 2023

A ciência de dados é uma daquelas esferas em que criar um currículo impressionante não é suficiente para entrar no mercado de trabalho. Se você deseja iniciar uma carreira nesse campo, a etapa crucial é criar um portfólio de projetos relevantes que mostre suas habilidades com dados na entrevista. Se você domina a programação em R, ter alguns projetos em R para mostrar pode certamente impressionar.

A boa notícia é que nunca é muito cedo ou muito tarde para começar a criar esse portfólio. Não importa se você é totalmente novato ou se já está no meio do caminho da ciência de dados, pode começar a trabalhar em seus projetos em R agora mesmo. 

É perfeitamente aceitável que seus primeiros projetos pareçam amadores. Você sempre pode voltar a eles mais tarde, elaborá-los, refiná-los ou até mesmo excluí-los quando fizer projetos mais avançados. O mais importante aqui é iniciar o processo.

Mas quais tópicos você deve desenvolver nesses projetos? Neste artigo, descreveremos algumas ideias úteis para seus projetos de ciência de dados usando o R e veremos alguns exemplos para você começar. Também discutiremos a linguagem de programação R e como ela é usada para análise de dados e ciência de dados.

Por que usar o R?

O R é uma linguagem de programação e um software muito usado atualmente para resolver problemas de análise de dados, ciência de dados e aprendizado de máquina. Ao contrário do Python, que é outra linguagem muito popular na ciência de dados, o R não é de uso geral. Em vez disso, ele foi projetado principalmente para computação estatística avançada e rápida, modelagem de dados e criação de visualizações impactantes. É exatamente nesse ponto que essa linguagem demonstra seu verdadeiro poder. 

Além disso, R é:

• Gratuito e de código aberto
• Equipado com uma enorme quantidade de pacotes de ciência de dados bem documentados(quase 20.000, em outubro de 2023)
• Compatível com vários sistemas operacionais
• Com o apoio de uma excelente comunidade on-line.

Você encontrará mais informações sobre a linguagem de programação R e como aprendê-la em nossos artigos What is R? - The Statistical Computing Powerhouse e How to Get Started with R. Você também pode fazer um curso do DataCamp de Introdução ao R. 

Para começar a aprender R do zero ou para dominar habilidades técnicas específicas, confira nossos vários recursos de aprendizado, incluindo cursos, trilhas de habilidades e trilhas de carreira.  Em particular, para um caminho bem equilibrado e abrangente para aprender R, considere as trilhas de carreira Cientista de dados com R e Cientista de aprendizado de máquina com R.

R para projetos de análise de dados

A realização da análise de dados é a primeira etapa de qualquer projeto de ciência de dados. É lógico: antes de mergulhar na previsão de cenários futuros usando técnicas de aprendizado de máquina e aprendizado profundo, precisamos revelar o estado atual (e passado) das coisas. 

Por outro lado, a análise de dados pode ser uma tarefa autônoma. Em ambos os casos, o R nos fornece um amplo espectro de bibliotecas úteis especificamente adaptadas para fins analíticos.

Com o R, podemos analisar os dados de sites, limpá-los e organizá-los, visualizá-los, explorar suas estatísticas, criar e testar hipóteses e extrair insights e padrões significativos dos dados iniciais. Entre essas tarefas, a análise estatística e as visualizações incríveis são uma verdadeira carta de alforria do R, e é nesse ponto que essa linguagem de programação geralmente supera seu principal rival, o Python.

Além dos pacotes multiuso comuns do R (readr para leitura de dados, tidyr para limpeza de dados, ggplot2 para visualização de dados etc.), há muitos módulos projetados para vários problemas analíticos aplicados. Por exemplo:

• fAssets - para análise e modelagem de ativos financeiros
• mdapack - um pacote de análise de dados médicos
• GEOmap - para mapeamento topográfico e geológico
• AeRobiology - uma ferramenta computacional para dados aerobiológicos
• galigor - uma coleção de pacotes para marketing na Internet
• lingtypology - para tipologia e mapeamento linguístico

e até mesmo bibliotecas hiperfocadas como:

• nCov2019 - para explorar as estatísticas da COVID-19

R para projetos de ciência de dados

Como mencionamos anteriormente, o R é uma linguagem de programação orientada para a ciência de dados que oferece mais de 19.000 pacotes de ciência de dados. Além das tarefas puramente analíticas listadas na seção anterior, podemos usar o R para problemas mais avançados com o escopo de prever e modelar dados desconhecidos. O uso do R nos permite:

• Realizar a seleção de recursos
• Executar todos os tipos de aprendizado de máquina(supervisionado, semissupervisionado, não supervisionado e aprendizado por reforço) e tarefas de aprendizado profundo
• Aplicar vários métodos de aprendizado de máquina, como classificação, regressão, agrupamento, processo de linguagem natural (NLP) ou redes neurais artificiais (ANN)
• Estimar a precisão do modelo
• Selecione o melhor modelo

Novamente, junto com os pacotes de ciência de dados comumente usados (caret para treinamento de classificação e regressão, naivebayes para implementar o algoritmo Naive Bayes, randomForest para criar modelos de floresta aleatória, deepNN para aprendizagem profunda etc.), há muitas bibliotecas altamente especializadas, até as realmente específicas. Para mencionar alguns deles:

• OenoKPM - para modelar a cinética da produção de CO2 na fermentação alcoólica
• fHMM - para ajustar modelos ocultos de Markov a dados financeiros
• paleopop - uma estrutura de modelagem orientada a padrões para modelos paleoclimáticos acoplados de nicho e população
• ibdsim2 - para simular regiões cromossômicas compartilhadas por membros da família
• rSHAPE - para simular a evolução da população assexuada haploide

Projetos R

Agora, vamos dar uma olhada em alguns exemplos de projetos em R e identificar ideias interessantes para desenvolvimento futuro, tanto para iniciantes quanto para usuários experientes.

Exemplos de projetos em R

Uma das maneiras mais interessantes de procurar projetos em R é criar esses exemplos por conta própria!

Não se preocupe, não é tão assustador quanto parece. Mesmo que seja um iniciante em ciência de dados em R, você pode optar por projetos "sandbox" que vêm com os dados prontos para serem analisados ou modelados, apresentam o contexto de um problema e fornecem orientações úteis sobre quais etapas devem ser executadas e por quê. 

Se você for um aluno mais avançado, poderá explorar os dados mais profundamente, de diferentes ângulos, e ir muito além das instruções sugeridas para satisfazer sua curiosidade sobre os dados. De qualquer forma, o aprendizado ativo durante a execução é uma alternativa melhor do que apenas ler os projetos de outras pessoas.

O DataCamp oferece uma grande variedade de projetos de ciência de dados em R que permitirão que você pratique muitas habilidades técnicas. Esses exemplos incluem a importação e a limpeza de dados, a manipulação de dados, a visualização de dados, a probabilidade e a estatística, o aprendizado de máquina e muito mais.

Além dos tópicos populares (como Exploring the NYC Airbnb Market, Visualizing COVID-19, Clustering Heart Disease Patient Data ou Predict Taxi Fares with Random Forests) que são tradicionalmente analisados em várias escolas de ciência de dados, aqui você também encontrará vários tópicos novos e curiosos. Sinta-se à vontade para explorá-los mais detalhadamente:

• Ascensão e queda das linguagens de programação
• Explore as classificações de doces de Halloween da 538
• Uma análise de texto dos tweets de Trump
• Diplomas que compensam você
• O impacto das mudanças climáticas sobre as aves
• O que torna um Pokémon lendário?
• Senhas ruins e as diretrizes do NIST
• Uma história visual dos ganhadores do Prêmio Nobel

Projetos em R para iniciantes

Depois de examinar os projetos R existentes ou criar alguns projetos guiados por conta própria, você pode decidir começar a criar seus próprios projetos do zero. Essa é sempre uma boa ideia, seja qual for o estágio de aprendizado do R em que você esteja.

Se estiver fazendo um de seus primeiros projetos sem orientação, a primeira coisa a pensar é onde encontrar os dados para trabalhar. Felizmente, há muitos repositórios on-line populares que oferecem enormes coleções de conjuntos de dados gratuitos e bem documentados, tanto do mundo real quanto sintéticos. Alguns exemplos notáveis de tais recursos são DataLab, Kaggle, UCI Machine Learning Repository, Google Dataset Search, Google Cloud Platform, FiveThirtyEight e Quandl

Agora que você tem uma grande variedade de dados, o que exatamente pode fazer com eles como um iniciante em R? Como esses serão seus primeiros projetos de ciência de dados em R, considere a possibilidade de realizar a limpeza e a manipulação básicas de dados, a exploração simples de dados e a visualização de dados.

1. Explorando os dados do Spotify

O Spotify é um dos maiores serviços de música, vídeo e mídia digital, onde é possível encontrar milhões de músicas, vídeos e podcasts de todo o mundo. 

Você pode usar um conjunto de dados já pronto do Spotify Music Data, que contém cerca de 600 das principais músicas em um período de tempo, e explorar suas estatísticas de vários lados. Por exemplo, considere analisar os seguintes fatores e perguntas, complementando suas descobertas com gráficos significativos quando necessário:

• Quantidade de palavras faladas
• Loudness
• Duração da música
• A energia de cada música
• Quais são os artistas mais populares
• Quais gêneros são os mais populares
• Que mudanças globais nas preferências musicais ocorreram ao longo dos anos?
• O que torna uma música excelente

Um exemplo do projeto Spotify Music Data R

2. Análise das estatísticas de arremessos da NBA

A National Basketball Association (NBA) é uma liga de basquete profissional masculina norte-americana com 30 equipes, uma das maiores do mundo.

O conjunto de dados de dados de arremessos da NBA contém os dados coletados de quatro jogadores diferentes para os playoffs de 2021 da NBA. Você pode analisar e visualizar esses dados e tentar responder às seguintes perguntas:

• Qual é a melhor posição de arremesso para cada jogador?
• Em que distância cada jogador tem maior probabilidade de acertar um chute?
• Quem desses jogadores é o melhor defensor?
• Em qual desses jogadores você colocaria o melhor defensor?
• A eficiência de um atirador e do jogador que o está defendendo estão correlacionadas?
• Como os arremessos feitos e perdidos são distribuídos espacialmente na quadra?

Um exemplo do projeto R sobre estatísticas de arremessos da NBA

3. Análise dos dados da população mundial

Outra ideia interessante para um projeto R de ciência de dados para iniciantes é investigar as tendências da população mundial.

O conjunto de dados World Population Data fornece estatísticas da população total de cada país de 1960 a 2020, bem como algumas informações adicionais por país, como sua região, grupo de renda e notas especiais (se houver). Há várias perguntas que você pode explorar aqui:

• Como a população de seu país (ou de qualquer outro país) mudou ao longo do tempo?
• Como a população de diferentes partes do mundo mudou ao longo do tempo?
• Que país ou países tiveram o maior aumento/diminuição da população ao longo do tempo?
• Em qual país ou países houve o maior aumento/diminuição da população nos últimos cinco (ou dez) anos?
• Quantas pessoas nasceram em seu país (ou em qualquer outro país) durante seu ano de nascimento?
• Como o grupo de renda afeta o crescimento populacional de um país?
• Quais são as tendências de crescimento da população em termos regionais?

Não se esqueça de adicionar gráficos atraentes sempre que for útil: eles ajudarão seus leitores a entender melhor as principais percepções de sua análise.

Projetos R mais avançados

Se você estiver no meio do caminho do aprendizado da ciência de dados em R, talvez esteja interessado em criar projetos mais sofisticados em R, nos quais aplicaria suas habilidades de análise de dados e alguns algoritmos de aprendizado de máquina. 

Que tópicos você pode selecionar para eles? Vamos dar uma olhada em algumas ideias potenciais para seus projetos avançados de ciência de dados em R.

4. Previsão da rotatividade de clientes de telecomunicações

A rotatividade de clientes é uma tendência dos clientes de cancelar suas assinaturas de um serviço e, como resultado, deixar de ser um cliente desse serviço. É calculado como a porcentagem de clientes cancelados em um determinado período. 

Esse indicador depende de muitos fatores e mostra o bem-estar geral dos negócios da empresa. Quando é muito alta, a taxa de rotatividade de clientes representa um grave problema para qualquer empresa, pois leva à perda de receita e prejudica a reputação da empresa. Portanto, é muito importante ser capaz de prever a taxa de rotatividade de clientes para evitá-la.

Você pode usar o conjunto de dados Telecom Customer Churn para criar um projeto de ciência de dados sobre a previsão da taxa de rotatividade de clientes em uma empresa de telecomunicações. 

Especificamente, aqui, você precisa prever se um cliente vai ou não cancelar com base nos dados disponíveis e quais fatores aumentam a probabilidade de um cliente cancelar. Tecnicamente, esse é um problema típico de classificação do aprendizado de máquina quando os clientes são rotulados como 1 (churn) ou 0 (não churn).

5. Detecção de fraudes com cartões de crédito

A fraude com cartão de crédito é um sério desafio no setor bancário, pois essa esfera tradicionalmente lida com um grande número de transações on-line. A detecção de fraude de cartão de crédito é, em sua maior parte, um problema de classificação supervisionada em que podemos aplicar métodos como k-nearest neighbors (KNN), regressão logística, support vector machines (SVM) ou árvore de decisão. 

No entanto, ele também pode ser resolvido usando abordagens de agrupamento, reconhecimento de anomalias ou redes neurais artificiais.

Esse problema é difícil para o setor bancário em geral porque os padrões de fraude e as táticas dos fraudadores estão em constante elaboração, de modo que os sistemas de detecção de fraude precisam se adaptar rapidamente a essas mudanças. 

Para um cientista de dados ou de aprendizado de máquina, o desafio também está na natureza desses conjuntos de dados: eles sempre implicam em desequilíbrio de classe, pois os casos de fraude são sempre uma minoria (felizmente) e estão bem escondidos entre as transações reais (infelizmente).

O conjunto de dados de fraude de cartão de crédito contém informações sobre transações com cartão de crédito no oeste dos Estados Unidos. Considere usá-lo para detectar fraudes com cartões de crédito aplicando a abordagem de classificação. 

Como um estímulo adicional, o modelo deve tender a ser mais conservador, o que significa que, por uma questão de segurança, não é um grande problema rotular as transações como fraudulentas quando elas não são. Você também pode querer investigar uma distribuição geoespacial das taxas de fraude em diferentes estados.

Outro exemplo de projeto em R do DataCamp

6. Previsão da demanda de compartilhamento de bicicletas

Enquanto os dois projetos anteriores estavam relacionados à classificação de entradas de dados em categorias predefinidas, aqui você deve prever resultados contínuos com base em recursos de entrada. Em outras palavras, você precisa resolver um problema de regressão aplicando métodos como regressão linear, regressão de cumeeira, regressão de laço, árvore de decisão ou máquinas de vetor de suporte (SVM).

O conjunto de dados Bike Sharing Demand inclui informações sobre o número de bicicletas públicas alugadas no sistema de compartilhamento de bicicletas de Seul por hora, o clima, a data, a hora, se era feriado ou não e muito mais. Sua tarefa é prever o número de bicicletas que serão alugadas com base nessas informações. 

Você também pode usar esse projeto para comparar o número médio de bicicletas alugadas por hora do dia (manhã, tarde e noite) nas quatro estações diferentes, explorar a relação entre a temperatura e o número de bicicletas alugadas, etc. Quando apropriado, adicione visualizações perspicazes para apoiar suas descobertas.

7. Agrupamento de dados de comércio eletrônico

É sempre uma boa ideia ter em seu portfólio pelo menos um projeto que demonstre sua capacidade de aplicar abordagens de aprendizado não supervisionado.

Para isso, considere o conjunto de dados de dados de comércio eletrônico que consiste em compras feitas em um varejista on-line sediado no Reino Unido por clientes de diferentes países durante um determinado período de tempo. 

Um cenário especulativo aqui é que o varejista deseja fazer um inventário dos itens disponíveis. Como um suposto cientista de dados que trabalha nessa empresa, você precisa agrupar os produtos em um pequeno número de categorias de acordo com a semelhança entre eles por algumas características comuns (preço, quantidade vendida etc.). Esse é um problema de agrupamento de aprendizado não supervisionado, sendo o k-means o algoritmo mais popular.

Você também pode analisar questões adicionais, como quais cinco países são responsáveis pela maior parte do lucro ou se os tamanhos dos pedidos de países fora do Reino Unido são significativamente maiores do que os pedidos de dentro do Reino Unido.

8. Identificação de SMS Spam

Por fim, considere a possibilidade de usar suas habilidades de processamento de linguagem natural (NLP) em R em um de seus projetos.

O conjunto de dados SMS Spam Collection contém uma coleção de mais de 5.500 mensagens em inglês rotuladas como spam ou não spam ("ham"). 

Com base nesses dados, crie um filtro que será capaz de distinguir com precisão entre spam e mensagens normais. Para isso, você precisará usar um pacote NLP do R (por exemplo, koRpus) para procurar padrões linguísticos e contextuais no texto das mensagens e descobrir o que torna uma mensagem spam ou ham, para depois generalizar essas observações nos novos dados.

Opcionalmente, você pode investigar quais são as palavras mais comuns propensas a spam criando uma visualização de nuvem de palavras.

Conclusão

Para concluir, discutimos por que é importante criar um portfólio de projetos para iniciar uma carreira em ciência de dados, por que e como usar o R para análise de dados e ciência de dados, onde encontrar dados relevantes e exemplos de projetos em R e quais tópicos você pode desenvolver nesses projetos, seja você iniciante ou avançado em ciência de dados.

Obviamente, as ideias sugeridas para seus projetos são apenas a ponta do iceberg. Com o R, você pode fazer muito mais: criar sistemas de recomendação, realizar segmentação de clientes, prever a taxa de câmbio de ações, realizar análise de sentimento do cliente, identificar o posicionamento ideal de táxis e muitas outras coisas. 

Para obter mais inspiração, visite o DataLab, um IDE on-line com conjuntos de dados pré-carregados e modelos predefinidos para escrever códigos e analisar dados que o ajudam a passar do aprendizado à prática da ciência de dados. 

Além disso, sinta-se à vontade para explorar as trilhas de carreira on-line do DataCamp, que são fáceis de usar para iniciantes e bem estruturadas:

• Cientista de dados com R
• Analista de dados com R
• Cientista de aprendizado de máquina com R
• Estatístico com R