Disciplina Data Science

Esta cadeira tem como objetivo apresentar as técnicas e metodologias fundamentais para a análise de dados na perspectiva interdisciplinar de um Cientista de Dados. Na primeira parte da cadeira, os alunos aprendem sobre a natureza diversa dos dados e o poder simbólico das diferentes estruturas de dados para representar informação. Tal compreensão fundamental leva naturalmente a um segundo momento da cadeira no qual os alunos aprendem como interrogar e extrair informações dos dados e justificar suas escolhas. Durante esta segunda parte, os alunos aprendem sobre inferência estatística, testes de hipóteses, abordagens freqüentistas versus Bayesianas para pensar em dados, correlação e causalidade. Finalmente, na terceira parte do módulo, os alunos aprendem os fundamentos da aprendizagem de máquina por meio da teoria e prática dos métodos de regressão, classificação e redução de dimensionalidade.

Não aplicável

Introdução à Ciência de Dados e funções no campo Tipos de dados e estruturas de dados tabulares Estatística descritiva: tendência central e dispersão Visualização univariada: histogramas, KDE, boxplots, outliers, assimetria Análise bivariada: gráficos de dispersão e pares, relações lineares e não lineares Correlação: Pearson e Spearman, força vs significância Dados categóricos: tabelas de contingência, proporções, resumos agrupados Pipelines de Análise Exploratória de Dados (AED) e narrativa de dados Fundamentos de aprendizagem automática Regressão linear: ajuste do modelo, resíduos, R², sobreajuste, interpretação Regressão logística: classificação binária, sigmoide, log-odds, ROC, precisão, F1 Clustering: k-means, método do cotovelo, introdução ao clustering hierárquico, aplicações Validação e avaliação de modelos Pensamento estatístico Revisão e integração de conceitos

Uso de vibe-coding, avalição a nível de processo, abordagem dialógica.

  Grus, J. (2019). Data science from scratch: first principles with python. O'Reilly Media.