Ciência de dados é uma área interdisciplinar voltada para o estudo e a análise de dados econômicos, financeiros e sociais, estruturados e não-estruturados, que visa a extração de conhecimento, detecção de padrões e/ou obtenção de insights para possíveis tomadas de decisão. Ciência de dados enquanto campo existe há 30 anos, porém ganhou mais destaque nos últimos anos devido a alguns fatores como o surgimento e popularização de grandes bancos de dados e o desenvolvimento de áreas como machine learning. Cientistas de Dados podem trabalhar no setor privado, por exemplo, transformando grande quantidade de dados brutos em insights de negócios, auxiliando empresas em tomadas de decisões para atingir melhores resultados ou na academia e terceiro setor como pesquisadores quantitativos interdisciplinares.
Para aprender data science de verdade, além de dominar as ferramentas ― bibliotecas, frameworks, módulos e kits ―, você também deve compreender as ideias e os princípios da área. Atualizada para o Python 3.6, a segunda edição do Data Science do Zero explica a dinâmica das ferramentas e algoritmos ao implementá-los do zero. Neste livro, o leitor (já com noções anteriores de matemática e programação) encontrará dicas do autor Joel Grus para se habituar com as operações e estatísticas essenciais ao data science. Além de desenvolver as habilidades de hacker necessárias para iniciar uma carreira como cientista de dados. Com novos materiais sobre aprendizado profundo, estatística e processamento de linguagem natural, esta edição explica como encontrar o ouro em meio à enorme massa de dados disponível hoje. • Faça um curso intensivo de Python • Aprenda noções básicas de álgebra linear, estatística e probabilidade ― e saiba como e quando aplicar essas operações no data science • Colete, explore, limpe, transforme e manipule dados • Conheça os fundamentos do aprendizado de máquina • Implemente os modelos de k-vizinhos mais próximos, Naive Bayes, regressão linear e logística, árvores de decisão, redes neurais e agrupamentos • Explore sistemas de recomendação, processamento de linguagem natural, análise de rede, MapReduce e bancos de dados
With this practical book, AI and machine learning practitioners will learn how to successfully build and deploy data science projects on Amazon Web Services. The Amazon AI and machine learning stack unifies data science, data engineering, and application development to help level up your skills. This guide shows you how to build and run pipelines in the cloud, then integrate the results into applications in minutes instead of days. Throughout the book, authors Chris Fregly and Antje Barth demonstrate how to reduce cost and improve performance.Apply the Amazon AI and ML stack to real-world use cases for natural language processing, computer vision, fraud detection, conversational devices, and moreUse automated machine learning to implement a specific subset of use cases with SageMaker AutopilotDive deep into the complete model development lifecycle for a BERT-based NLP use case including data ingestion, analysis, model training, and deploymentTie everything together into a repeatable machine learning operations pipelineExplore real-time ML, anomaly detection, and streaming analytics on data streams with Amazon Kinesis and Managed Streaming for Apache KafkaLearn security best practices for data science projects and workflows including identity and access management, authentication, authorization, and more
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.
Simplify data science infrastructure to give data scientists an efficient path from prototype to production. Effective Data Science Infrastructure is a hands-on guide to assembling infrastructure for data science and machine learning applications. It reveals the processes used at Netflix and other data-driven companies to manage their cutting edge data infrastructure. As you work through this easy-to-follow guide, you'll set up end-to-end infrastructure from the ground up, with a fully customizable process you can easily adapt to your company. You'll learn how you can make data scientists more productive with your existing cloud infrastructure, a stack of open source software, and idiomatic Python. Throughout, you'll follow a human-centric approach focused on user experience and meeting the unique needs of data scientists. Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.
O Data Science Para Leigos se destina a profissionais e estudantes interessados em transformar o mar de dados estruturados, semiestruturados e não estruturados de uma organização em informações comerciais úteis. Fique por dentro do que está acontecendo nesse amplo setor e aprenda a transformar dados confusos em histórias significativas que podem ser compreendidas por todos integrantes de uma organização.
Você está diante de um livro ousado e provocativo, com um texto esclarecedor, didático e alinhado com as tendências mais impactantes na interface entre tecnologia e educação, que batem às portas das escolas, universidades e departamentos de educação corporativa. Termos como Data Science, Big Data, Data Mining, Learning Analytics, Deep Learning, Chatbots, Lei Geral de Proteção de Dados (LGPD), Smart Education, Sistemas de Tutoria Inteligente e Design Instrucional Orientado a Dados são explicados e ilustrados, proporcionando uma experiência de leitura agradável, bem fundamentada e repleta de recursos visuais e exemplos práticos. O livro é destinado àqueles que atuam na educação seja presencial, a distância ou corporativa nos mais diferentes níveis e setores e que precisam interagir com a realidade dos dados, muitas vezes mediada por especialistas em dados, com sua linguagem e metodologia herméticas. O texto busca apoiar o leitor na compreensão de quais são os princípios da extração, interpretação e aplicação de conhecimento a partir da enormidade e diversidade de dados educacionais disponíveis. De quebra, propõe uma reflexão sobre a chamada Smart Education (Educação Inteligente) e seu potencial de combinar inteligência computacional e singularidade humana. Para os leitores que acompanham as publicações da autora, este é mais um título antenado com as mais recentes inovações na pesquisa e prática sobre educação. O texto apoia o leitor no desafio de construir seu próprio quadro de ideias a respeito das novas realidades proporcionadas pela Ciência de Dados e pela Inteligência Artificial e sua aplicação em escolas, universidades, universidades corporativas e outros contextos presenciais, a distância e híbridos.
Aprenda a usar R para transformar dados brutos em insight, conhecimento e compreensão. Este livro apresenta você ao R, RStudio e ao tidyverse, uma coleção de pacotes R elaborados para trabalhar juntos com o objetivo de deixar a ciência de dados rápida, fluente e divertida. Adequado para leitores sem experiência prévia em programação, R para Data Science foi projetado para que você comece a fazer ciência de dados o mais rápido possível. Os autores Hadley Wickham e Garret Grolemund te guiam através dos passos de importar, fazer data wrangle, explorar e modelar seus dados e comunicar os resultados. Você obterá uma compreensão completa do quadro geral do ciclo de ciência de dados, junto das ferramentas básicas que você precisa para administrar os detalhes.
To really learn data science, you should not only master the tools--data science libraries, frameworks, modules, and toolkits--but also understand the ideas and principles underlying them. Updated for Python 3.6, this second edition of Data Science from Scratch shows you how these tools and algorithms work by implementing them from scratch.If you have an aptitude for mathematics and some programming skills, author Joel Grus will help you get comfortable with the math and statistics at the core of data science, and with the hacking skills you need to get started as a data scientist. Packed with new material on deep learning, statistics, and natural language processing, this updated book shows you how to find the gems in today's messy glut of data.Get a crash course in PythonLearn the basics of linear algebra, statistics, and probability--and how and when they're used in data scienceCollect, explore, clean, munge, and manipulate dataDive into the fundamentals of machine learningImplement models such as k-nearest neighbors, Naïve Bayes, linear and logistic regression, decision trees, neural networks, and clusteringExplore recommender systems, natural language processing, network analysis, MapReduce, and databases
Optimize your marketing strategies through analytics and machine learningKey FeaturesUnderstand how data science drives successful marketing campaignsUse machine learning for better customer engagement, retention, and product recommendationsExtract insights from your data to optimize marketing strategies and increase profitabilityBook DescriptionRegardless of company size, the adoption of data science and machine learning for marketing has been rising in the industry. With this book, you will learn to implement data science techniques to understand the drivers behind the successes and failures of marketing campaigns. This book is a comprehensive guide to help you understand and predict customer behaviors and create more effectively targeted and personalized marketing strategies.This is a practical guide to performing simple-to-advanced tasks, to extract hidden insights from the data and use them to make smart business decisions. You will understand what drives sales and increases customer engagements for your products. You will learn to implement machine learning to forecast which customers are more likely to engage with the products and have high lifetime value. This book will also show you how to use machine learning techniques to understand different customer segments and recommend the right products for each customer. Apart from learning to gain insights into consumer behavior using exploratory analysis, you will also learn the concept of A/B testing and implement it using Python and R.By the end of this book, you will be experienced enough with various data science and machine learning techniques to run and manage successful marketing campaigns for your business.What you will learnLearn how to compute and visualize marketing KPIs in Python and RMaster what drives successful marketing campaigns with data scienceUse machine learning to predict customer engagement and lifetime valueMake product recommendations that customers are most likely to buyLearn how to use A/B testing for better marketing decision makingImplement machine learning to understand different customer segmentsWho this book is forIf you are a marketing professional, data scientist, engineer, or a student keen to learn how to apply data science to marketing, this book is what you need! It will be beneficial to have some basic knowledge of either Python or R to work through the examples. This book will also be beneficial for beginners as it covers basic-to-advanced data science concepts and applications in marketing with real-life examples. Table of ContentsData Science and MarketingKey Performance Indicators and VisualizationsDrivers behind Marketing EngagementFrom Engagement to ConversionProduct AnalyticsRecommending the Right ProductsExploratory Analysis for Customer BehaviorPredicting the Likelihood of Marketing EngagementCustomer Lifetime ValueData-Driven Customer SegmentationRetaining CustomersA/B Testing for Better Marketing StrategyWhat’s Next?
This book provides an introduction to the mathematical and algorithmic foundations of data science, including machine learning, high-dimensional geometry, and analysis of large networks. Topics include the counterintuitive nature of data in high dimensions, important linear algebraic techniques such as singular value decomposition, the theory of random walks and Markov chains, the fundamentals of and important algorithms for machine learning, algorithms and analysis for clustering, probabilistic models for large networks, representation learning including topic modelling and non-negative matrix factorization, wavelets and compressed sensing. Important probabilistic techniques are developed including the law of large numbers, tail inequalities, analysis of random projections, generalization guarantees in machine learning, and moment methods for analysis of phase transitions in large random graphs. Additionally, important structural and complexity measures are discussed such as matrix norms and VC-dimension. This book is suitable for both undergraduate and graduate courses in the design and analysis of algorithms for data.
