Em um mundo cada vez mais orientado por dados, a Ciência de Dados emergiu como uma das carreiras mais promissoras e relevantes da atualidade. Com o avanço da tecnologia e a explosão na geração de dados, profissionais especializados em Ciência de Dados são altamente valorizados pelas empresas de todos os setores. Neste artigo, vamos explorar as razões pelas quais a Ciência de Dados é uma carreira tão promissora no mercado atual em 2023.

Explosão de dados:

Vivemos em uma era em que a quantidade de dados gerados diariamente é imensa. Empresas, governos e indivíduos estão capturando e armazenando uma enorme quantidade de informações. A Ciência de Dados permite extrair valor desses dados, transformando-os em insights valiosos que podem impulsionar o sucesso das organizações.

Tomada de decisão baseada em dados:

A tomada de decisão baseada em dados se tornou uma prática essencial para as empresas. Os dados são utilizados para identificar tendências, prever comportamentos e tomar decisões estratégicas fundamentadas. Profissionais de Ciência de Dados desempenham um papel fundamental nesse processo, fornecendo análises e insights que orientam as decisões de negócio.

Demandas por insights acionáveis:

As empresas estão cada vez mais buscando insights acionáveis ​​que as ajudem a obter vantagem competitiva. Os profissionais de Ciência de Dados são treinados para identificar padrões, tendências e relações ocultas nos dados, fornecendo informações valiosas para melhorar processos, otimizar estratégias de marketing, personalizar experiências de cliente e muito mais.

Automação e Inteligência Artificial (IA):

A automação e a Inteligência Artificial estão transformando a forma como as tarefas são realizadas. A Ciência de Dados desempenha um papel importante nesse cenário, ajudando a desenvolver algoritmos e modelos de Machine Learning que permitem automatizar processos, tomar decisões autônomas e oferecer experiências personalizadas. Profissionais de Ciência de Dados são essenciais para impulsionar a inovação nesse campo.

Setores de alto crescimento:

A demanda por profissionais de Ciência de Dados se estende a uma ampla gama de setores. Áreas como saúde, varejo, finanças, marketing e tecnologia estão investindo pesadamente em análise de dados para impulsionar o crescimento e a eficiência. Esses setores oferecem diversas oportunidades de carreira para os especialistas em Ciência de Dados.

Escassez de talentos:

Apesar da alta demanda, há uma escassez de profissionais qualificados em Ciência de Dados. As habilidades necessárias, como programação, estatística, conhecimento em Machine Learning e domínio do negócio, são altamente valorizadas e difíceis de encontrar. Isso coloca os profissionais de Ciência de Dados em uma posição privilegiada, com uma maior oferta de oportunidades e salários competitivos.

Remuneração atrativa:

A natureza especializada e a demanda crescente por profissionais de Ciência de Dados resultam em uma remuneração atrativa. Devido à escassez de talentos, empresas estão dispostas a oferecer salários e pacotes de benefícios generosos para atrair e reter talentos nessa área. Além disso, existem oportunidades de trabalho remoto e flexibilidade, o que aumenta ainda mais o apelo dessa carreira.

Evolução contínua e aprendizado constante:

A Ciência de Dados é uma área em constante evolução. Novas técnicas, algoritmos e ferramentas estão sendo desenvolvidos regularmente. Isso significa que os profissionais de Ciência de Dados têm a oportunidade de continuar aprendendo e se atualizando ao longo de suas carreiras. A constante necessidade de adquirir novos conhecimentos mantém a carreira estimulante e desafiadora.

Impacto na sociedade e no mundo:

A Ciência de Dados tem um impacto significativo na sociedade e no mundo como um todo. Através da análise de dados, é possível identificar problemas, encontrar soluções inovadoras e impulsionar o progresso em diversas áreas, como saúde, sustentabilidade, transporte e muito mais. Os profissionais de Ciência de Dados têm a oportunidade de trabalhar em projetos que fazem a diferença e contribuem para um futuro melhor.

Crescimento profissional e oportunidades de liderança:

A demanda por profissionais de Ciência de Dados está em constante crescimento, o que significa que há amplas oportunidades de crescimento profissional e progressão na carreira. À medida que os profissionais adquirem experiência e habilidades avançadas, eles podem assumir cargos de liderança, como cientista de dados sênior, líder de equipe ou diretor de análise de dados. Isso proporciona um caminho claro de desenvolvimento profissional e reconhecimento no campo da Ciência de Dados.

Conclusão:

A Ciência de Dados continua sendo uma carreira promissora no mercado atual em 2023. Com a explosão de dados, a demanda por insights acionáveis ​​e a necessidade de automação e IA, os profissionais de Ciência de Dados estão na vanguarda da transformação digital. Com remuneração atrativa, escassez de talentos e oportunidades de crescimento, essa área oferece um futuro promissor para aqueles que desejam se especializar em dados e aproveitar as oportunidades de carreira emocionantes que ela oferece.

Se você está procurando uma carreira dinâmica, desafiadora e com um impacto significativo, a Ciência de Dados pode ser a escolha certa para você. Esteja preparado para se dedicar ao aprendizado contínuo e aprimorar suas habilidades técnicas e analíticas. Com uma abordagem orientada por dados e uma compreensão profunda das técnicas estatísticas e de Machine Learning, você estará pronto para enfrentar os desafios e se destacar nessa carreira em constante evolução.

Aproveite as oportunidades disponíveis, busque cursos e certificações relevantes, participe de comunidades e eventos da área e esteja sempre atualizado com as últimas tendências e tecnologias. A Ciência de Dados oferece um vasto campo de possibilidades e uma carreira recompensadora, permitindo que você faça parte da revolução dos dados e contribua para moldar o futuro com base em insights sólidos e análises significativas.

Conheça duas de nossas formações que vão te proporcionar os conhecimentos mencionados no artigo:

Formação em Análise de dados – AD – CECD:

Formação em Análise de dados – AD – CECD

Formação em Estatística – FE – CECD:

Formação em Estatística – FE

Nossos cursos ao vivo:

https://comunidadedeestatistica.com.br/category/ao-vivo/

O post Por que a Ciência de Dados é uma Carreira Promissora no Mercado Atual em 2023 apareceu primeiro em Estatidados.

A Ciência de Dados é uma área em crescimento que tem transformado a maneira como as empresas tomam decisões e extraem valor dos dados. Como iniciante interessado nesse campo, é essencial compreender os fundamentos que sustentam a prática da Ciência de Dados. Neste artigo, vamos explorar os conceitos básicos da estatística e sua importância na análise de dados. Vamos mergulhar nos princípios da estatística e como eles são aplicados na Ciência de Dados.

O que é estatística?

A estatística é uma disciplina que envolve a coleta, organização, análise e interpretação de dados. Ela oferece uma maneira sistemática de extrair informações úteis e tomar decisões baseadas em evidências. Na Ciência de Dados, a estatística desempenha um papel crucial na compreensão dos dados e na inferência de conclusões confiáveis.

Coleta e organização de dados:

A primeira etapa na análise estatística é a coleta e organização dos dados relevantes. Isso pode envolver a realização de pesquisas, a extração de dados de fontes públicas ou o acesso a bases de dados internas de uma empresa. É importante garantir que os dados sejam representativos e de alta qualidade para evitar distorções nos resultados.

Tipos de dados:

Existem dois tipos principais de dados na estatística: dados numéricos e dados categóricos. Os dados numéricos são expressos em números e podem ser contínuos (como a altura de uma pessoa) ou discretos (como o número de produtos vendidos). Já os dados categóricos são classificados em categorias ou grupos, como a cor de um carro ou a preferência de um usuário.

Medidas descritivas:

As medidas descritivas são utilizadas para resumir e descrever os dados. Elas incluem medidas de tendência central, como a média, mediana e moda, que fornecem uma ideia da localização dos dados. Além disso, as medidas de dispersão, como o desvio padrão e a amplitude, indicam o quão espalhados estão os dados ao redor da tendência central.

Distribuições de probabilidade:

As distribuições de probabilidade descrevem a forma como os dados estão distribuídos. Algumas distribuições comumente usadas incluem a distribuição normal, a distribuição binomial e a distribuição de Poisson. Compreender as características dessas distribuições permite fazer inferências estatísticas e tomar decisões embasadas.

Testes de hipóteses:

Os testes de hipóteses são usados para verificar afirmações sobre uma população com base em uma amostra de dados. Eles envolvem a formulação de uma hipótese nula (afirmação a ser testada) e uma hipótese alternativa. O objetivo é avaliar se os dados fornecem evidências suficientes para rejeitar ou não a hipótese nula. Esses testes são fundamentais para tomar decisões estatisticamente significativas.

Correlação e regressão:

A correlação é uma medida estatística que indica a relação entre duas variáveis. Ela varia de -1 a 1, onde valores próximos de -1 ou 1 indicam uma correlação forte, enquanto valores próximos de 0 indicam uma correlação fraca. A regressão, por sua vez, é uma análise estatística que busca estabelecer uma relação funcional entre uma variável dependente e uma ou mais variáveis independentes.

Amostragem e inferência estatística:

Em muitos casos, é inviável coletar dados de uma população inteira. Portanto, a amostragem é usada para selecionar uma parte representativa da população para análise. Com base nessa amostra, é possível fazer inferências estatísticas e tirar conclusões sobre a população como um todo, utilizando técnicas como intervalos de confiança e estimativas pontuais.

Visualização de dados:

A visualização de dados é uma parte essencial da análise estatística. Gráficos e gráficos ajudam a apresentar os dados de forma clara e compreensível, permitindo identificar padrões, tendências e anomalias. Alguns exemplos comuns de visualizações de dados incluem gráficos de barras, gráficos de dispersão e histogramas.

Importância da estatística na Ciência de Dados:

A estatística desempenha um papel fundamental na Ciência de Dados. Ela fornece as ferramentas e os métodos necessários para explorar, analisar e interpretar os dados, permitindo tomar decisões baseadas em evidências. Além disso, a estatística permite avaliar a confiabilidade e a validade dos resultados obtidos por meio de técnicas de modelagem e previsão.

Conclusão:

A estatística é um dos fundamentos essenciais da Ciência de Dados. Compreender os conceitos básicos da estatística permite que os iniciantes na área adquiram uma base sólida para realizar análises de dados significativas e tomar decisões embasadas. Ao dominar os princípios estatísticos, os profissionais de Ciência de Dados estão mais bem preparados para enfrentar os desafios complexos e aproveitar as oportunidades oferecidas pelo mundo dos dados.

Conheça duas de nossas formações que vão te proporcionar os conhecimentos mencionados no artigo:

Formação em Análise de dados – AD – CECD:

Formação em Análise de dados – AD – CECD

Formação em Estatística – FE – CECD:

Formação em Estatística – FE

Nossos cursos ao vivo:

https://comunidadedeestatistica.com.br/category/ao-vivo/

O post Os Fundamentos da Ciência de Dados: Uma Visão Geral para Iniciantes – Foco em Estatística apareceu primeiro em Estatidados.

No mundo atual, a quantidade de dados gerados pelas empresas e usuários cresce exponencialmente. Nesse cenário, surge a área de Data Science, que tem como objetivo extrair insights valiosos desses dados para auxiliar na tomada de decisões estratégicas. Mas afinal, o que é Data Science e qual é o papel de um Cientista de Dados? Neste artigo, vamos explorar essas questões e descobrir como essa área tem se tornado fundamental para empresas em diferentes setores.

O que é Data Science?

Data Science, ou Ciência de Dados, é uma disciplina interdisciplinar que combina estatística, programação e conhecimentos em domínios específicos para analisar grandes volumes de dados e obter informações relevantes. É um campo que utiliza métodos científicos e tecnológicos para identificar padrões, desenvolver modelos preditivos e encontrar soluções para problemas complexos.

Papel de um Cientista de Dados:

Um Cientista de Dados é o profissional responsável por extrair conhecimento acionável a partir dos dados. Suas principais atribuições incluem:

• Coleta e análise de dados: O Cientista de Dados deve identificar e coletar conjuntos de dados relevantes para um determinado problema. Em seguida, ele realiza uma análise exploratória para entender as características dos dados e identificar padrões.
• Pré-processamento e limpeza de dados: Antes de aplicar algoritmos e modelos de análise, o Cientista de Dados precisa realizar a limpeza e o pré-processamento dos dados, removendo ruídos, tratando valores faltantes e ajustando escalas, garantindo a qualidade dos dados utilizados nas análises.
• Desenvolvimento de modelos preditivos: Com base nos dados coletados e processados, o Cientista de Dados utiliza técnicas estatísticas e algoritmos de aprendizado de máquina para desenvolver modelos preditivos que possam fazer previsões e tomar decisões embasadas.
• Comunicação de resultados: Além de realizar as análises, o Cientista de Dados precisa traduzir os insights obtidos em linguagem compreensível para a equipe ou stakeholders. A comunicação eficaz é fundamental para que as descobertas sejam aplicadas nas estratégias de negócio.

Habilidades e conhecimentos necessários:

Para se tornar um Cientista de Dados, é importante adquirir uma combinação de habilidades técnicas e conhecimentos específicos. Algumas competências essenciais incluem:

• Conhecimento em programação: Dominar linguagens como Python e R, além de ter habilidades em SQL para manipulação de bancos de dados.
• Estatística e matemática: Compreender conceitos estatísticos e matemáticos para realizar análises e desenvolver modelos.
• Conhecimento em Machine Learning: Ter familiaridade com algoritmos e técnicas de aprendizado de máquina para desenvolver modelos preditivos.
• Domínio do negócio: Entender o contexto em que os dados estão inseridos, conhecendo a fundo o setor de atuação da empresa para identificar oportunidades e desafios específicos.
• Pensamento analítico e resolução de problemas: Capacidade de analisar problemas complexos, identificar soluções e aplicar abordagens analíticas para resolvê-los.
• Comunicação efetiva: Ser capaz de comunicar de forma clara e concisa os resultados e insights obtidos, seja para uma equipe técnica ou para stakeholders não técnicos.

Aplicações de Data Science:

A área de Data Science tem uma ampla gama de aplicações em diversos setores. Alguns exemplos incluem:

• Saúde: Utilização de dados médicos para diagnóstico precoce de doenças, previsão de resultados de tratamentos e desenvolvimento de soluções de medicina personalizada.
• Varejo: Análise de dados de vendas, preferências do consumidor e previsão de demanda para otimização de estoques, personalização de experiências de compra e recomendação de produtos.
• Finanças: Utilização de algoritmos de aprendizado de máquina para detecção de fraudes, análise de risco de crédito, previsão de mercado e otimização de portfólios.
• Marketing: Análise de dados de campanhas publicitárias, segmentação de público-alvo, personalização de mensagens e otimização de investimentos em marketing.

O futuro da Data Science:

Com o avanço da tecnologia e o crescimento contínuo da geração de dados, a importância da Data Science só tende a aumentar. Novas técnicas, como Inteligência Artificial e Aprendizado Profundo (Deep Learning), estão impulsionando descobertas ainda mais significativas. Além disso, a ética e a governança dos dados estão se tornando aspectos fundamentais nesse campo, com a necessidade de garantir a privacidade e a segurança das informações.

Conclusão:

A Ciência de Dados desempenha um papel fundamental na era da informação. Combinando habilidades analíticas, conhecimentos técnicos e domínio do negócio, os Cientistas de Dados são capazes de transformar dados em insights valiosos que impulsionam o sucesso das empresas. Se você está interessado em se tornar um profissional nessa área em expansão, é essencial adquirir as habilidades necessárias e continuar se atualizando para acompanhar as demandas do mercado em constante evolução.

Para tais conhecimentos e criação de networking, nós indicamos as nossas formações completas e reduzidas:

Conheça duas de nossas formações que vão te proporcionar os conhecimentos mencionados no artigo:

Formação em Análise de dados – AD – CECD:

http://comunidadedeestatistica.com.br/formacao-em-analise-de-dados-ad-cecd/embed/#?secret=Adlwmj4GZhFormação em Estatística – FE – CECD

http://comunidadedeestatistica.com.br/formacao-em-estatistica-fe/embed/#?secret=UeA8PrfQDC

O post O que é Data Science e o que faz um Cientista de Dados apareceu primeiro em Estatidados.

A criminalidade no Brasil tem crescido cada vez mais. Segundo o portal G1, após dois anos de queda, a violência voltou a crescer no país, registrando um aumento de 5% nos assassinatos em 2020, ano marcado pela pandemia da COVID-19. Este crescimento atinge diversas cidades. Um estudo realizado pelo Monitor da Violência, relacionado ao ano de 2020, chegou a conclusão de que os estados com maior número de crimes violentos são Bahia (5.276), Ceará (4.039), Pernambuco (3.759) e Rio de Janeiro (3.653) respectivamente.

Com as leis atuais de acesso à informação e a consciêntização de orgãos públicos, é possível ter acesso aos dados, realizar estudos e entender mais a fundo diversos fenômenos da sociedade, inclusive a criminalidade. Um grande exemplo é o governo do Rio de Janeiro, que traz a iniciativa do portal ISPDados.

Este artigo tem como objetivo realizar um estudo da criminalidade no Rio de Janeiro, por meio da extração e análise de informações estatísticas relevantes acerca da violência na cidade maravilhosa.

Obtenção dos Dados

Os dados foram obtidos diretamente do portal ISPDados, página de Dados Abertos do Instituto de Segurança Pública. No portal, é possível acessar as fontes de dados que contém registros criminais e de atividade policial no Rio de Janeiro.

Segundo o portal, as estatísticas são construídas a partir dos Registros de Ocorrência (RO) lavrados nas delegacias da Secretaria do Estado de Polícia Civil do Rio de Janeiro (SEPOL), além de informações complementares que são fornecidas pela Secretaria do Estado de Polícia Militar do Rio de Janeiro (SEPM). Os registros de ocorrência são submetidos ao controle de qualidade realizado pela Corregedoria Geral da Polícia (CGPOL) da Secretaria de Estado de Polícia Civil e, posteriormente, consolidados pelo ISP. As estatísticas produzidas baseiam-se na data em que foi confeccionado o Registro de Ocorrência.

Análise Inicial e Limpeza dos Dados

Com o objetivo de entender o dataset em estudo, extraí algumas informações a respeito, como dimensões, colunas, tipos de variáveis, etc. Além disso, mostro o extenso dicionário de variáveis e verifico a qualidade dos dados, que já foram previamente pré-processados pelo professor Carlos Melo do Sigmoidal. Você pode conferir com detalhes aqui.

Informações Estatísticas da Violência no Rio de Janeiro

Com o conhecimento do conjunto de dados e ciente de sua qualidade, se faz necessário extrair informações estatísticas da violência no Rio para ajudar no combate a criminalidade. A seguir, começarei as análises a respeito de crimes contra a vida e contra o patrimônio.

Crimes Contra o Patrimônio — Veículos

Crimes contra o patrimônio, tais como estelionato, furto e roubo — principalmente de veículos — são bem frequentes em grandes cidades do Brasil. No conjunto de dados, há variáveis relacionadas há esses tipos de crimes, o que possibilita uma análise e extração de informação relevante para que esses tipos de crimes sejam combatidos.

Qual será a média dos roubos e furtos de veículos?

Observa-se que o Rio de Janeiro é fortemente afetado por furtos e roubos a veículos. Será que as pessoas conseguem recuperar seus veículos? É o que veremos a seguir.

O Rio de Janeiro possui uma média geral de veículos recuperados aproximada de 1772, o que equivale a mais de metade das médias de veículos roubados ou furtados, mas isso não nos diz muita coisa. A seguir, analisaremos o quanto as pessoas conseguem recuperar seus veículos através do cálculo percentual da média de recuperados em relação a soma dos perdidos (furtados + roubados).

Observa-se que apenas 43% dos veículos perdidos são recuperados. Tal dado alerta para a elaboração de políticas públicas por parte dos Governos Estaduais que busquem incentivar as vítimas de crimes contra o patrimônio a buscar a recuperação, mas ao mesmo tempo, também é necessário políticas que ajudem estes cidadãos da melhor forma possível durante o processo de recuperação. Além disso, também é uma alerta para que a segurança pública nas ruas, vias e rodovias seja reforçada.

Crimes Contra a Vida

Os crimes contra a vida (homicídios dolosos, latrocínios e lesões corporais seguidas de morte) são recorrentes no Rio de Janeiro e, como dito anteriormente, o Estado figura na 4ª posição daqueles com maior quantidade de mortes violentas, totalizando 3.653 Crimes Violentos Letais Intencionals (CVLI).

Diante do exposto, uma análise se faz necessária para ajudar no combate a esses tipos de crimes. Sendo assim, verificaremos quais foram os anos com menor e maior número de homicídios dolosos respectivamente.

Pode-se observar que foi o ano de 1995 que teve o maior registro de homicídios dolosos (831) e o ano de 2015 teve o menor registro (272). É possível levantar uma hipótese de que a quantidade de homicídios dolosos caiu com o tempo, o que é um bom sinal. Para isso, vamos utilizar de técnicas de visualização de dados para explorar como essa e outras variáveis se comportam ao longo do tempo.

Visualização de Dados

Gráficos de linhas e histogramas são tipos de visualização poderosos que nos ajudam a entender como as variáveis se comportam. O histograma nos auxilia a entender como estão distribuídas as variáveis e o gráfico de linha no estudo em questão é importantíssimo, pois com ele podemos realizar o estudo do comportamento de diferentes crimes ao longo do tempo, como homicídio doloso, estupro e total de furtos.

Primeiramente, vamos buscar confirmar a hipótese que fizemos anteriormente: as ocorrências de homicídios dolosos caíram com o tempo?

Observando o gráfico ao lado, concluímos que as ocorrências de homicídios dolosos caíram ao longo do tempo, o que é um bom sinal! Entre os anos 2000 e 2010, as ocorrências permaneceram em alta, mas caíram próximo do fim da década. A década seguinte foi marcada por altos e baixos.

Casos de Estupro

A cultura do estupro é uma pauta importantíssima a ser debatida e combatida. Segundo o portal Super Interessante, uma pesquisa divulgada em 2016 mostrou que 86% das brasileiras já receberam algum tipo de cantada, e 44% tiveram seus corpos tocados. Pode não parecer, mas esses dados alertam para o silenciamento da violência sexual e a construção desse tipo de comportamento na nossa sociedade. Confira aqui a matéria completa.

A seguir, repetiremos o mesmo processo anterior para verificar as ocorrências de estupros no Rio de Janeiro ao longo dos anos.

Conforme é possível observar, os casos de estupro apresentaram um recorde no ano de 2012, apresentaram queda nos anos posteriores e vieram em uma crescente desde o ano de 2016. É uma informação importante, pois é necessário que as autoridades repensem novas políticas públicas e reforcem campanhas de incentivo no combate ao estupro, para que a curva diminua nos próximos anos.

Não deixe de denunciar! Confira aqui o que fazer nestes casos.

Como anda a segurança das pessoas no Rio?

Com o objetivo de verificar como está a segurança da população no Rio de Janeiro, analisaremos como se comportam as ocorrências de furtos gerais nos anos em estudo. Para isso, existe a variável total_furtos, que representa uma soma de todos os tipos de furtos em estudo (de veículos, trausentes, de celular, coletivo, etc).

Observa-se que os casos de furto no geral tiveram uma crescente desde 1995, apresentando altos valores entre 2010 e meados de 2015. Porém, na metade dos anos 2015–2020, as ocorrências voltaram a subir. É uma alerta de que a segurança pública no Rio de Janeiro não vai bem e é necessário que o Governo Estadual volte suas atenções para este fato.

Casos de Pessoas Desaparecidas

Outro fenômeno a ser estudado é o desaparecimento de pessoas. Segundo o Observatório do Terceiro Setor, isto é um perigo ignorado, pois todos os dias, 217 pessoas desaparecem no Brasil. Dessa forma, faz-se necessário ficar atento as estatísticas relacionadas a este fato. Vejamos a quantidade de pessoas desaparecidas no Rio, por ano, desde a última década.

Será que este número aumentou ou diminuiu durante esta década? É o que verificaremos em seguida: quantas pessoas desapareceram ao longo dos anos.

Observa-se que o número de pessoas desaparecidas cresceu bastante do início da década até 2015, ano em que teve o maior número de casos. Felizmente, este número diminuiu drasticamente na segunda metade da década. Todavia, é necessário se atentar para este fato e elaborar políticas eficientes para que a curva seja achatada de uma vez por todas.

Crimes mais Frequentes

Por fim, verificaremos quais são os tipos de crimes por categoria mais frequentes no Rio de Janeiro dos anos 2000 até os dias de hoje. São eles: crimes contra a vida, tipos de roubo mais frequentes.

Primeiramente, observemos os tipos de crimes contra a vida mais frequentes no Rio.

Lesão corporal dolosa e culposa são os tipos de crimes que mais contribuem para o aumento da criminalidade contra a vida na cidade do Rio de Janeiro, totalizando mais de 1 milhão do tipo doloso e aproximadamente 800 mil do tipo culposo. É necessário pensar urgentemente em soluções para este fato.

Por fim, vamos analisar os tipos de roubos e furtos mais frequentes na cidade do Rio de Janeiro.

Roubo transeunte é o tipo de roubo mais frequente no Rio de Janeiro desde o ano 2000, totalidando mais de um milhão de roubos.

Furto transeunte e furto de celulares são os tipos de furtos mais frequentes na cidade maravilhosa de 2000 pra cá. Os furtos transeuntes chegam a quase meio milhão, ao passo que os furtos de celulares chegam a aproximadamente 290 mil.

Dessa forma, vale reforçar que é necessário que as autoridades se atentem a este fato e trabalhem em políticas que reforcem a segurança dos indivíduos enquanto transitam pela cidade maravilhosa.

Finalmentes

Portanto, pode-se concluir que a análise de dados é importantíssima para um estudo mais assertivo, importante e de relevância pública, que é o caso da criminalidade no Rio de Janeiro. Por meio dela, é possível obter muitas informações valiosas dos dados e auxiliar no combate à violência e criminalidade, alertando para casos preocupantes e propondo possíveis caminhos que levem uma solução para as autoridades e que traga segurança para a população do Rio de Janeiro.

Você pode conferir este projeto com mais detalhes no meu github. Conecte-se comigo também no LinkedIn.

Link do post original: https://andremaarinho.medium.com/an%C3%A1lise-da-viol%C3%AAncia-no-rio-de-janeiro-bdccde3338b7

LinkedIn do André: https://www.linkedin.com/in/andremaarinho/

#analisededados #dadosdeviolencia #violenciariodejaneiro

O post Análise da Violência no Rio de Janeiro apareceu primeiro em Estatidados.

Hit é quando um jogador utiliza o ombro ou o quadril, atingindo a área do peito, ombro ou a área do quadril para impedir o progresso do jogador adversário que está na posse do puck. Muito mais que uma ação dentro do gelo, o hit é uma estatística que nos diz como fisicamente um indivíduo ou equipe joga contra seus oponentes.

Antes de nos aprofundarmos nos números do Los Angeles Kings, vamos analisar a Liga Nacional de Hóquei como um todo. Os dados utilizados para as análises abrangem as temporadas de 2009-2010 até 2019-2020.

Em termos de números absolutos, temos pouca variância entre as temporadas. Em 2014-2015 tivemos a temporada com o maior número de hits e, em 2019-2020 a temporada com o menor número. A exceção fica por conta da temporada de 2012-2013, destacada no gráfico, ano em que ocorreu o lockout, o que levou a liga nacional de hóquei a ter um calendário mais curto de jogos, impactando diretamente nos números como podemos ver.

Agora vamos ver como estavam as médias de hits por jogo em cada temporada:

Esse gráfico é interessante pois mostra que a média de hits por jogo vinha aumentando a cada nova temporada. Contudo, apesar de um número menor de jogos a média de hits na temporada 2012-2013 foi bem expressiva se comparada aos anos interiores. Não podemos inferir, com certeza, que a média se manteria e em valores absolutos teríamos um total de hits maior que nas temporadas anteriores. Porém, tudo indica que a liga estava caminhando para isso. Outro ponto interessante é que após a temporada de 2014-2015, temos uma queda vertiginosa na média de hits chegando em sua menor marca na temporada de 2017-2018. Uma suposição para essa queda na média seria apostar no envelhecimento/restruturação dos times como um todo.

Quem bate mais nos adversários?

Bom, já vimos como a liga se comportou nesse período, mas são os verdadeiros responsáveis para tal. Agora vamos ver quais são os times na NHL que mais gostam de “bater” nos adversários.

O gráfico apresenta os cinco times na NHL que acumularam mais hits nessas 11 temporadas que estão sendo analisadas. O time dos Los Angeles Kings é, sem dúvidas. aquele que mais aprecia o estilo do jogo físico, acumulando mais de 26 mil hits nos últimos 11 anos. Na cola dos Kings, temos Pittsburgh Penguins que não está levando desaforo para casa.

Agora, vamos voltar nossa atenção ao time do Los Angeles Kings e analisar seu jogo do ponto de vista dos hits é como eles o utilizaram. Vamos focar em quatro pontos:

• Quais os locais em que acontecem os hits dentro do gelo;

• Qual jogador mais contribuiu para esse estilo de jogo físico;

• A distribuição dos hits por temporadas e a média de hits por jogo;

• Esse é um estilo da própria franquia ou foi imposto por um técnico?

Quais os locais em que acontecem os hits do Los Angeles Kings dentro do gelo?

Vamos apresentar o playground dos Kings:

Olhando para esse gráfico, não recomendo ficar perto das bordas quando for brincar contra eles.

Qual jogador mais contribuiu para esse estilo de jogo físico?

O grande nome dos Kings, nesse quesito, é Dustin Brown, conhecido na liga pelo seu estilo de jogo físico. Podemos ver que seus números não mentem. O jogador foi selecionado pelos Kings como a 13ª escolha geral do draft da NHL de 2003 e continua com o time até hoje, contabilizando 16 temporadas. Brown, assim como Drew Doughty, Anze Kopitar, Jonathan Quick e Justin William (que não está mais na equipe) fazem parte do núcleo do time, hoje bem envelhecido, mas que foram os grandes responsáveis pelas conquistas da Stanley Cup em 2012 e 2014.

A distribuição dos hits por temporadas e a média de hits por jogo

Nos últimos 11 anos, o time do Los Angeles Kings foi campeão da NHL em duas oportunidades: na temporada de 2011-2012 e em 2013-2014, quando liderou a liga em números absolutos de hits. Após sua conquista em 2013-2014, o time ainda liderou a liga em outras duas oportunidades em 2015-2016, quando chegou a pós-temporada vencendo apenas um jogo, e em 2016-2017 sem grandes resultados.

Média de hits por jogo do Los Angeles Kings

Depois da conquista da segunda Stanley Cup, o jogo físico do time de Los Angeles caiu muito de produção assim como a sua participação na pós-temporada. Nos últimos seis anos, participou em apenas duas ocasiões: em 2015-2016 vencendo um jogo e 2017-2018 onde acabou sendo varrido.

É difícil apontar um único fator para essa queda na “fisicalidade” do time, mas muito se deve ao envelhecimento da equipe, que na temporada de 2014-2015, já tinha uma média de idade elevada próxima dos 27 anos. Isso fez com que o time entrasse no processo de rebuild buscando se renovar para voltar a competir com times mais jovens e mais rápidos.

Esse é um estilo do Los Angeles Kings ou foi imposto por um técnico?

Aqui vale um adendo: o time de Los Angeles foi fundado em 1967 e a NHL só começou a registrar os hits a partir da temporada de 1993-1994, e quando analisamos as temporadas posteriores até 2008-2009, o time dos Kings ocupava a 8ª posição geral com 6.641 hits. Isso é interessante porque vimos que nos últimos 11 anos o time teve mais de 26 mil hits, ou seja, de um total de mais de 33 mil hits, 80% de todo esse volume foi feito nos últimos 11 anos.

Decorrente disso, uma pergunta plana no contexto: será que esse jogo mais físico vem da própria franquia ou foi imposto por um técnico?

Relembrando que o próprio esporte é bastante físico como relatamos inicialmente. Até a temporada que estamos analisando, o time dos Kings teve ao total cinco técnicos, mas um deles se destacou. Seu nome é Darryl Sutter. Ele ficou no cargo de técnico de 2011 até 2017 e foi o grande responsável por tornar os Kings campeões da NHL nas temporadas de 2011-2012 e 2013-2014.

Segundo relatos no livro Bench Bosses: The NHL’s Coaching Elite do autor Matthew DiBiase, Sutter tende a montar suas equipes nos moldes de sua carreira como jogador: físico, agressivo e disposto a lutar. Portanto, muito mais que um estilo dos próprios Kings, acredito que Sutter foi o grande responsável por trazer essa cara ao time. Afinal, de 26 mil hits, ele é responsável por mais de 63% desse valor.

A verdade é que não podemos atribuir o sucesso dos Kings apenas nos baseando em uma única variável, afinal existem muitos outros fatores que influenciam no sucesso de um time. Entretanto, esse estilo de jogo era um diferencial e a falta do mesmo vem sendo sentida. Mas nem tudo está perdido. Apesar do rebuild durar mais do que os fãs gostariam, nos últimos anos o time vem acumulando boas escolhas no draft, reflexo do mau desempenho, e vem desenvolvendo bons prospectos para o futuro. Espera-se que o time volte a brigar por títulos a partir da temporada de 2024.

Como vimos, o time dos Kings já não é mais o mesmo em relação ao jogo físico, então antes de nos despedirmos, vamos ver os atuais:

Link do post original: https://www.nhlbrasil.com.br/hitcentrismo-uma-analise-estatistica-do-jogo-fisico-dos-los-angeles-kings/

LinkedIn do autor: https://www.linkedin.com/in/danilooliveirads/

O post “HITCENTRISMO”: UMA ANÁLISE ESTATÍSTICA DO JOGO FÍSICO DO LOS ANGELES KINGS apareceu primeiro em Estatidados.

Essas ferramentas usam inteligência artificial e estão cada vez mais aperfeiçoadas. Ou seja, você não sabe, mas provavelmente já conversou com um robô.

Neste post vamos criar um ChatBot para o Telegram e controlado com software R.

Criando o Bot no Telegram

Primeiro passo é criar o Bot no Telegram, para esse passo crie uma conta no Telegram e em seguida procure o usuário @BotFather e inicie uma conversa da seguinte forma com o seguinte comando para criar um novo bot:

/newbot

Você deve obter uma resposta instantânea:

Alright, a new bot. How are we going to call it? Please choose a name for your bot.

que pede para você escolher um nome para o seu Bot. Você deve enviar então o nome que deseja para o bot, que pode ser qualquer um, por exemplo:

JFRBot

Em seguida receberá a seguinte mensagem:

Good. Now let's choose a username for your bot. It must end in `bot`. Like this, for example: TetrisBot or tetris_bot.

O BotFather agora pedirá que você escolha um nome de usuário para o seu Bot. Este nome de usuário deve terminar em bot e ser globalmente único. Neste tutorial, vou alterar um pouco o nome, mas levando em consideração que seja parecido como nome escolhido anteriormente. Envie seu nome de usuário escolhido para BotFather:

J_frbot

Depois de fazer isso, o BotFather enviará a você uma mensagem de “Parabéns”, que incluirá um token.

Done! Congratulations on your new bot. You will find it at t.me/J_frbot. You can now add a description, about section and profile picture for your bot, see /help for a list of commands. By the way, when you've finished creating your cool bot, ping our Bot Support if you want a better username for it. Just make sure the bot is fully operational before you do this.

Use this token to access the HTTP API:
123456:ABC-DEF1234ghIkl-zyx57W2v1u123ew11
Keep your token secure and store it safely, it can be used by anyone to control your bot.

For a description of the Bot API, see this page: https://core.telegram.org/bots/api

eu substituí o token pois ele é único, este acima é apenas um exemplo.

O token é esta parte: 123456:ABC-DEF1234ghIkl-zyx57W2v1u123ew11

Alguns comandos do @BotFather podem ser encontrados https://core.telegram.org/bots#6-botfather.

Para o restante deste tutorial, indicaremos onde você precisa colocar seu token usando <your-bot-token> ou apenas TOKEN. Anote o token, pois você precisará dele no código que está prestes a escrever.

Iniciando código no R

Com a criação do Bot pelo Telegram concluído, vamos agora configurar o R para que consigamos consevar com o Bot e assim criar esse robô que está cada vez mais ganhando espaço.

O primeiro passo é instalar e chamar a biblioteca no qual usaremos:

# Pacote Necessário
# install.packages(telegram.bot)

library(telegram.bot) #Pacote para Telegram

Com o pacote instalado, é o momento de utilização do Token:

#Token do Bot:
bot <- Bot(token = "123456:ABC-DEF1234ghIkl-zyx57W2v1u123ew11")
updater <- Updater(token = "123456:ABC-DEF1234ghIkl-zyx57W2v1u123ew11")

print(bot$getMe())

## $id
## [1] 1406230646
## 
## $is_bot
## [1] TRUE
## 
## $first_name
## [1] "JFRBot"
## 
## $username
## [1] "J_frbot"
## 
## $can_join_groups
## [1] TRUE
## 
## $can_read_all_group_messages
## [1] FALSE
## 
## $supports_inline_queries
## [1] FALSE

Pelo resultado anterior é possível verificar que estamos conectados ao nosso Bot corretamente.

A seguir vamos criar algumas funções e verificar se obtemos respostas quando conversarmos com nosso Bot pelo Telegram.

#Funcao start
start <- function(bot, update)
{
  bot$sendMessage(chat_id = update$message$chat_id,
                  text = sprintf("Olá %s, se estiver recebendo está mensagem, significa que eu existo e estou aqui!",
                                 update$message$from$first_name))
}
start_handler <- CommandHandler("start", start)
updater <- updater + start_handler

#Funcao hoje
hoje <- function(bot, update)
{
  bot$sendMessage(chat_id = update$message$chat_id,
                  text = sprintf("A data de hoje é %s",
                                 format(Sys.Date(), "%d-%b-%Y")))
}
hoje_handler <- CommandHandler("hoje", hoje)
updater <- updater + hoje_handler

#Funcao echo
echo <- function(bot, update){
  bot$sendMessage(chat_id = update$message$chat_id, text = update$message$text)
}

updater <- updater + MessageHandler(echo, MessageFilters$text)

#Funcao histograma de uma normal
historama_normal <- function(bot, update)
{
  png("my_plot.png")
  hist(rnorm(1000))
  dev.off()
  bot$sendPhoto(chat_id = update$message$chat_id, photo = 'my_plot.png')
}

hist_norm_handler <- CommandHandler("hist_norm", historama_normal)
updater <- updater + hist_norm_handler

Para iniciar o chatBot utilize a função abaixo:

updater$start_polling()

Nosso Bot atualmente possui 4 funções, que podem ser acessadas com /start, /hoje, /hist_norm e a quarta função é repetir tudo que é digitado.

Abaixo segue uma imagem das funções funcionando no Telegram:

Menu de itens

Será mostrado a seguir como criar um menu de itens como destacado na imagem abaixo. Este menu ajuda a definir e mostrar aos usuários os comandos prontos e existentes no Bot.

Para criar o menu de itens, acesse o chat do @BotFather que é quem comanda os Bot, e exeute o seguinte comando:

/setcommands

Você receberá a mensagem abaixo se possuir mais de um Bot

Choose a bot to change the list of commands.

ao escolher o Bot desejado será novamente emitida uma mensagem

OK. Send me a list of commands for your bot. Please use this format:

command1 - Description
command2 - Another description

Send /empty to keep the list empty.

A seguir pode colocar a lista com todos os comandos e as descrições, no nosso exemplo, como possui 3 funções, /start, /hoje, /hist_norm foram colocadas essas funções como mostrados abaixo.

start - inicio do Bot
hoje - data atual
hist_norm - Histograma da distribuição Normal

Se conseguiu chegar aqui e com o código em R mostrado estando em execução, o seu ChatBot deve estar funcionando e respondendo a seus comandos pelo Telegram.

O Bot só funciona se o arquivo estiver rodando no R, ou, uma outra forma é colocar num servidor que suporte códigos em R. Eu possuo o shiny-server instalado em minha máquina local, e dessa forma foi possível criar um arquivo, no qual, quando este aberto, o ChatBot fica funcionando, ou seja, quando eu estiver com o notebook ligado, esse Bot ensinado nesse post está funcionando e voê pode conversar com ele pesquisado-o no Telegram por JFRBot ou @J_frbot.

O artigo Como Instalar o shiny server em seu Próprio Servidor do Marcus Nunes mostra como instalar um servidor Shiny, o artigo é encontrado no link: https://marcusnunes.me/posts/como-instalar-o-shiny-em-seu-proprio-servidor/.

Fontes:

https://www.techtudo.com.br/noticias/2018/03/o-que-e-chatbot-entenda-como-funciona-o-robo-que-conversa-com-voce.ghtml

https://cran.r-project.org/web/packages/telegram.bot/vignettes/telegrambot-introduction.html

https://chatbotsmagazine.com/building-a-telegram-chatbot-with-r-2754cb75759f

“Post gerado com framework HUGO (http://gohugo.io/), R Markdown (http://rmarkdown.rstudio.com/), no qual os resultados são gerados na geração da página.”

Post original:

https://jodavid.github.io/post/construindo-um-chatbot-para-telegram-com-r/

LinkedIndo autor:

https://www.linkedin.com/in/jodavidferreira/

O post Construindo um ChatBot para Telegram com R apareceu primeiro em Estatidados.

O Airbnb já é considerado a maior empresa hoteleira da atualidade. Ah, o detalhe é que ele não possui nenhum hotel!

Conectando pessoas que querem viajar (e se hospedar) com anfitriões que querem alugar seus imóveis de maneira prática, o Airbnb fornece uma plataforma inovadora para tornar essa hospedagem alternativa.

No final de 2018, a Startup fundada 10 anos atrás, já havia hospedado mais de 300 milhões de pessoas ao redor de todo o mundo, desafiando as redes hoteleiras tradicionais.

Uma das iniciativas do Airbnb é disponibilizar dados do site para algumas das principais cidades do mundo. Por meio do portal Inside Airbnb, é possível baixar uma grande quantidade de dados para desenvolver projetos e soluções de Data Science.

Neste artigo, irei analisar os dados referentes à cidade Paris, e ver quais insights podem ser extraídos a partir de dados brutos.

Segundo o site Melhores Destinos, a incrível Paris ficou entre os 10 lugares mais visitados do mundo em 2019, último ano em que as viagens estavam acontecendo normalmente antes da pandemia da COVID-19. A cidade tem diversos pontos turísticos, como a Torre Eiffel, a avenida Champs-Elysées, o museu do Louvre, o arco do Triunfo, etc. Para se ter uma ideia, Paris bateu o recorde de turistas em 2018 e só o museu do Louvre foi visitado por 9,6 milhões de pessoas em 2019.

Além disso, a cidade é muito bem elogiada por seus restaurantes e outros lugares para se visitar. Recomendo fortemente esta série da professora Lígia Travenssolo para quem quiser conhecer melhor a cidade.

Como é uma cidade muito visitada, é importante obter informações à respeito dos imóveis. Imagine que você queira visitá-la, mas não tem nenhuma informação a respeito do preço das diárias dos hotéis, quantos dias ficar na cidade, quais os mais caros ou mais baratos, etc. Será que é possível ir para lá mesmo com uma quantia não tão considerável “em caixa”? Sendo assim, uma análise exploratória dos dados se faz crucial.

Obtenção dos Dados

Todos os dados utilizados neste projeto foram obtidos a partir do Inside Airbnb . O detalhe é que esta é a versão resumida do dataset, disponibilizada pelo próprio portal. A base de dados possui 65.917 propriedades e 17 variáveis dos tipos inteiro, objeto e float.

Análise Inicial dos Dados

Aqui, inicio a análise dos dados do dataset, na busca de obter informações valiosas para quem quiser visitar a cidade francesa.

Dicionário das variáveis

• id – número de id gerado para identificar o imóvel
• name – nome da propriedade anunciada
• host_id – número de id do proprietário (anfitrião) da propriedade
• host_name – Nome do anfitrião
• neighbourhood_group – esta coluna não contém nenhum valor válido
• neighbourhood – nome do bairro
• latitude – coordenada da latitude da propriedade
• longitude – coordenada da longitude da propriedade
• room_type – informa o tipo de quarto que é oferecido
• price – preço para alugar o imóvel
• minimum_nights – quantidade mínima de noites para reservar
• number_of_reviews – número de reviews que a propriedade possui
• last_review – data do último review
• reviews_per_month – quantidade de reviews por mês
• calculated_host_listings_count – quantidade de imóveis do mesmo anfitrião
• availability_365 – número de dias de disponibilidade dentro de 365 dias

Antes de iniciar qualquer análise, vou verificar como está o dataset, analisando as 5 primeiras entradas.

Para um melhor entendimento da análise, criei uma nova coluna na base de dados com o valor do preço convertido de Euros para Reais.

Antes de entrar na análise exploratória, se faz necessário averiguar a qualidade do conjunto de dados e fazer as limpezas necessárias.

Limpeza dos Dados

Durante a análise, observei que haviam algumas variáveis com diversos valores ausentes, como as colunas neighbourhood_group,reviews_per_month e last_review . Removi todos estes registros!

Foram observados também alguns outliers nestas mesmas variáveis, que podiam prejudicar a análise. Você pode ver esta etapa com mais detalhes aqui.

COMEÇANDO AGORA!!!

Análise Exploratória

Com os dados limpos, finalmente é possível extrair melhor as informações valiosas para quem quer conhecer Paris. A seguir, farei algumas perguntas aos dados com este objetivo.

Qual a média de preços do aluguel?

A média dos preços do aluguel é equivalente a 87,14 euros, o que equivale a 562 reais. Lembrando que este é o valor equivalente ao preço da moeda do dia da postagem deste artigo (04/02/2021), com o valor de 1 euro equivalente a 6,51 reais,.

Qual o tipo de imóvel mais alugado no Airbnb?

A coluna da variável room_type indica o tipo de locação que está anunciada no Airbnb. Se você já alugou no site, sabe que existem opções de apartamentos/casas inteiras, apenas o aluguel de um quarto ou mesmo dividir o quarto com outras pessoas.

A seguir, irei verificar o tipo dos imóveis mais alugados na cidade de Paris pelo site.

É possível observar que a maioria das pessoas opta por alugar uma casa ou apartamento inteiro, pois 85,7% dos imóveis do conjunto de dados são deste tipo. O segundo tipo de imóvel mais alugado é o quarto privado, o que equivale a 11,5% e em seguida, quarto de hotel (2,11%) e quarto compartilhado (0,6%).

Qual a média do mínimo de noites para o aluguel de um imóvel?

A média do mínimo de noites em um imóvel em Paris é equivalente a aproximadamente 4, o que indica que as pessoas costumam ficar em um imóvel de Paris em metade de uma semana, que pode ser nos primeiros dias ou um fim de semana.

Qual a localidade mais cara para estadia?

Antes de fazer uma viagem, é bom ter uma ideia dos bairros mais caros ou mais baratos para estadia, o que depende da ambição de quem vai fazer o aluguel. Para extrair esta informação, vou verificar quais as localidades mais caras, caso uma pessoa queira ficar em um lugar de luxo, e as mais baratas, caso queira economizar.

Bairros Mais Caros

Como era de se esperar, entre as localidades mais caras estão Elysée (média de 715,12 reais a diária), Louvre (média de 710,74 reais a diária), Luxembourg (média de 692.05 reais a diária) e entre outras. No bairro Élysée, há a avenida mais famosa do país, que é a Champs-Elysées e no Louvre temos um dos museus mais famosos do mundo, que é o Museu do Louvre.

Calma! É possível!

Bairros Mais Baratos

Pode-se observar que, caso uma pessoa queira fazer uma viagem mais econômica, é importante fazer uma pesquisa por imóveis em bairros como Ménilmontant, Buttes-Chaumont e Buttes-Montmartre. Então é sim possível ir para a cidade francesa com uma viagem mais econômica!

“Aaah mas eu tô com pouco dinheiro e mesmo assim quero ficar em um bairro xiquê!”

Calma meu querido(a)! Também é possível!

Será que é possível ficar em Élysée pagando pouco no aluguel? Vamos ver!

Aparentemente, seria possível se hospedar em Paris no bairro Élysée mesmo pagando um valor baixo. Ao aplicar estatística descritiva para averiguar o valor exato, cheguei ao seguinte valor:

25% dos preços dos imóveis em Élysée estão abaixo de 462 reais, totalizando 341 imóveis. Então, é possível sim se hospedar no bairro mais caro de Paris pagando pouco.

Segue a relação de 15 imóveis:

Não te falei que era possível? Confia!

Calma que ainda não acabou!

Mapa de Calor dos Preços dos Imóveis de Paris

A seguir, um mapa de calor dos preços dos imóveis da cidade de Paris.

Para efeito de comparação, segue o mapa de sites turísticos de Paris, disponibilizado pela Paris Vision.

É possível verificar que nas regiões próximas do Arco do Triunfo, Torre Eiffel e Palácio dos Inválidos, há pontos mais quentes, comprovando visualmente que esta região é a mais cara para estadia na cidade.

O que há de tão valioso no bairro Élysée?

Por quê será que o bairro Elysée é tão caro?

Como dito anteriormente, neste bairro fica a Avenida Champs-Elysées, que é a avenida mais famosa e visitada da França! Vamos verificar um overview desse bairro para responder esta pergunta. Para isso, vou te mostrar uma núvem de palavras, utilizando o dataset completo disponibilizado pelo Inside Airbnb!

Observe que há palavras como de noumbreux que em português significa numeroso, haja vista que essa região da cidade é bem movimentada. Há também outras palavras como:

• Sacré Coeur, que é uma basílica famosa da cidade.
• Moulin Rouge, que é um estabelecimento muito famoso. Tem até um filmaço com este mesmo nome! Recomendo muito
• Torre Eiffel, um dos pontos turísticos mais famosos do mundo.
• Notre Dame, que é a famosa e histórica Catedral.
• Saint Martin, que faz referência a Região do Canal Saint Martin em Paris, um ponto turístico.
• Restaurants, bar, pois os restaurantes e bares de Paris são bastante famosos, principalmente por causa da culinária francesa, que é uma das melhores do mundo.
• Hearth Paris, ou seja, o coração de Paris.

Fique com essa música incrível e clássica sobre a Avenida Champs-Élysées!

Agora sim! Conclusões

Portanto, pode-se concluir que a análise de dados é importantíssima no processo de alugar um imóvel antes de realizar uma viagem a Paris, pois através dela é possível obter muitas informações valiosas dos dados e fazer uma viagem com mais segurança e tranquilidade. Sendo possível também visitar a cidade alugando um imóvel barato no bairro mais caro, assim como economizar mais nos bairros mais baratos ou fazer uma viagem de luxo nos mais caros, e por último, verificar a média de preços e de noites que também são informações cruciais.

A núvem de palavras do bairro Élysée se fez de extrema importância para verificar porque a cidade é tão cara! Aliás, nela ou próxima dela, há diversos dos maiores pontos turísticos da França.

E aí? Curtiu? Bora pra Paris?

Quem sabe depois da pandemia, né?

Siga-me para acompanhar mais textos sobre ciência e análise de dados! Falo um pouco também sobre futebol. Você pode conferir este projeto com mais detalhes no meu github. Conecte-se comigo também no LinkedIn. Até a próxima!

LinkedIn do autor:

https://www.linkedin.com/in/andr%C3%A9-marinho-1b0621130/

#analise #dados #airbnb

O post Análise dos Dados do Airbnb: Paris apareceu primeiro em Estatidados.

Desde os tempos mais antigos, a humanidade vem tentando escrever e deixar mensagens para durar além da vida. A tecnologia blockchain – responsável por facilitar transações online com seguraça e privacidade – se tornou moda nos últimos cinco anos e pode ser usada para criar codigos e registros online duradouros e imutáveis. Com a Covid-19 acelerando a transição da educação presencial para o formato virtual, o blockchain apresenta soluções que podem beneficiar essa mudança de forma segura para alunos, professores e instituições educacionais.

Embora este sistema de registro de informações seja amplamente usado para transações de criptomoedas, é notório que essa tecnologia também pode ajudar a proteger e aprimorar a educação online, combinando segurança da informação e a capacidade de compartilhar dados entre uma ampla rede de usuários dentro do ambiente virtual. Isso poderia impactar no aumento da credibilidade dos cursos online.

Em síntese, a tecnologia blockchain é um registro constituído de pequenos blocos de informação, no qual todas as transações são registradas e disponibilizadas ao público. Toda a lista de transações ou eventos é chamada de cadeia (ou “chain”), e cada nova transação adicionada é chamada de bloco (ou “block”), portanto, blockchain.

O aprendizado online tem proporcionado uma nova etapa na educação, onde pessoas podem adquirir novas habilidades em qualquer lugar, mas ainda há alguns problemas a serem superados. As taxas de retenção de usuários e conclusão de cursos continuam baixas, o que ainda é um desafio para as instituições que fornecem esses cursos.

Ao se matricular em um curso online, os participantes recebem automatiamente o plano de estudos, o ritmo do curso, os métodos de avaliação e como interagir com os outros colegas. Embora isso possa fornecer alguma motivação inicial, nos casos onde a aprendizagem acontece no ritmo próprio de cada indivíduo isso não é suficiente. Os tokens-blockchain podem ser uma solução para recompensar o progresso dos alunos. Conforme avançam com os estudos, eles receberiam tokens que poderiam ser trocados por outras criptomoedas e, eventualmente, receber alguma recompensa em dinheiro, o que seria uma motivação adicional para seguir concluindo os módulos dos cursos.

Outro aspecto em que a educação online poderia se beneficiar dos tokens-blockchain é com a falta de educadores de qualidade em certas áreas. Os tokens podem fornecer incentivos para esses educadores, recompensando-os pela criação de conteúdo de alta qualidade. Algo semelhante ao que acontece no YouTube: YouTubers criam conteúdo que seus fãs gostam; quanto mais fãs assistem a seus vídeos, mais YouTubers recebem em royalties.

Essa tecnologia também pode ser útil com os certificados online. Uma vez que qualquer bloco adicionado à cadeia deve ser aprovado por outros participantes, o registro não pode ser falsificado. Isso evita a produção de certificados falsos e todos os registros também são facilmente verificados. A relação entre a educação online e o Blockchain está apenas começando mas já podemos ver o potencial dessa combinação: uma maior participação com melhores perspectivas de conclusão dos cursos, mais transparência nos processos e um novo mercado para ativos digitais. Esses são apenas alguns dos aspectos que essa parceria pode fortalecer; tempos interessantes, com certeza.

LinkedIn do autor:

https://www.linkedin.com/in/leonardocremonezi/

#blockchain #educação #online

O post Educação online e tecnologia blockchain – uma parceria que pode dar certo. apareceu primeiro em Estatidados.

O estudo será realizado sobre o projeto “SERENATA DE AMOR” https://serenata.ai/, que é um projeto aberto no qual usa data science (ciência de dados) – a mesma tecnolgia usada por gigantes como Google, Facebook e Netflix – com o objetivo de monitorar os gastos públicos e compartilhar informações de forma acessível a todos.

Até a data da publicação deste post, o projeto já reportou mais de 8.276 ressarcimentos suspeitos à Câmara dos Deputados envolvendo 735 parlamentares diferentes com valor total superior a R$ 3,6 mi.

Quer saber como funciona o sistema de relatórios? Você pode ler mais neste post – clicando aqui!.

Explicado o projeto Serenata, voltamos ao Web Scraping. A coleta de dados será sobre o Jarbas ), que é a plataforma onde ficam armazenados os documentos considerados suspeitos. Com o intuito de mostrar que é possível analisar os dados da forma que desejar para tomada de decisões, um gráfico será gerado com os dados coletados de alguns deputados e os valores de reembolso solicitados por eles.

Passo 1: Lendo a URL.

Para ler a página em html, será utilizado a função “read_html” do pacote rvest.

library(rvest)

## Carregando pacotes exigidos: xml2

url <- "https://jarbas.serenata.ai/dashboard/chamber_of_deputies/reimbursement/"
jarbas_webpage <- read_html(url)

Passo 2: Agora, a melhor parte da biblioteca rvest é que você pode extrair os dados de html em forma de nós, o que significa que você pode selecionar imediatamente quais os nós através dos ids ou classes css e extrair o texto das tags do html. Então eu fui para o meu url e abri o “firebug ” no navegador e percebi que os nomes dos deputados foram encapsulados na classe css “.field-congressperson_name ”, usando esta classe css que posso extrair todos os nomes dos deputados na página da web.

Existem 2 funções que usaremos aqui:

1. html_nodes: Use esta função para extrair os nós que desejamos (neste caso nós com “.field-congressperson_name” como classe css
2. html_text: Use esta função para extrair o texto entre dos nós html (neste caso, os nomes de nossos representantes)

#Scraping  usando classe css ‘field-congressperson_name’
jarbas_names_html <-html_nodes(jarbas_webpage, '.field-congressperson_name')
jarbas_names <- html_text(jarbas_names_html)
head(jarbas_names)

## [1] "Valmir Assunção" "Hélio Leite"     "Hélio Leite"     "Hélio Leite"    
## [5] "Bacelar"         "Hélio Leite"

Da mesma forma, agora farei isso para todos os outros atributos: SUBQUOTA TRANSLATED, FORNECEDOR. Cada um desses atributos tem suas próprias classes css: field-subquota_translated, field-supplier_info.

#SUBQUOTA TRANSLATED
jarbas_subquota_html <-html_nodes(jarbas_webpage, '.field-subquota_translated')
jarbas_subquota <- html_text(jarbas_subquota_html)
head(jarbas_subquota)

## [1] "Combustíveis e lubrificantes"                
## [2] "Divulgação da atividade parlamentar"         
## [3] "Divulgação da atividade parlamentar"         
## [4] "Combustíveis e lubrificantes"                
## [5] "Consultorias, pesquisas e trabalhos técnicos"
## [6] "Combustíveis e lubrificantes"

#Fornecedor
jarbas_provider_html <-html_nodes(jarbas_webpage, '.field-supplier_info')
jarbas_provider <- html_text(jarbas_provider_html)
head(jarbas_provider)

## [1] "POSTO MK 107 NORTE LTDA05.625.571/0001-35"                        
## [2] "PRISCILLA DE CASSIA PORTELA VINHOTE 7054665724934.314.072/0001-25"
## [3] "M SANTOS GUIMARAES EIRELI23.936.281/0001-94"                      
## [4] "SUPER POSTO PALMEIRA LTDA83.838.839/0001-20"                      
## [5] "NARCISO COELHO E MATOS ADVOGADOS ASSOCIADOS17.359.366/0001-54"    
## [6] "Posto de Combustiveis Garantia Ltda72.578.438/0002-43"

A seguir serão mostrados o valor do reembolso, note que eles são extraídos em tipo de variável caracter: Ex: R$ 139,76, R$ 40,23. Entretanto, como desejamos manipular esses números, precisamos convertê-los para tipo de variável numérica, dessa forma será utilizado a biblioteca: “Stringr” mais especificamente a função: str_extract. Segue o script para conversão da variável.

library(stringr)
#valores em Real
jarbas_value_html <-html_nodes(jarbas_webpage, '.field-value')
jarbas_value <- html_text(jarbas_value_html)
head(jarbas_value)

## [1] "R$ 198,84"   "R$ 900,00"   "R$ 300,00"   "R$ 5022,28"  "R$ 13000,00"
## [6] "R$ 168,94"

#R$ 139,76" "R$ 40,23"  "R$ 72,05"  "R$ 72,05"  "R$ 56,39"  "R$ 235,64"  
#dados extraídos na forma de caracter, vamos converter para tipo numérico
jarbas_value <- as.numeric(sub(",",".",str_extract(jarbas_value,pattern = "\\-*\\d+,\\s{0,}\\d+")))
head(jarbas_value,25)

##  [1]   198.84   900.00   300.00  5022.28 13000.00   168.94   600.65   129.17
##  [9]    88.42    26.54   800.62    64.84   164.00    25.84  1817.62   199.35
## [17]  1889.55    64.45    60.40  2214.45   139.32    25.65  3000.00  5000.00
## [25]  1500.00

Passo 3: Com essas informações disponíveis, vamos gerar um dataframe. Para facilitar a visualização, apenas o primeiro nome de cada deputado foi selecionado.

#Combinando todas as características obtidas
jarbas_names <- str_extract(jarbas_names,pattern = boundary("word"))
jarbas_df <- data.frame(
  Name = jarbas_names,
  Subquota = jarbas_subquota,
  Provider = jarbas_provider,
  Value = jarbas_value
  )
str(jarbas_df)

## 'data.frame':    100 obs. of  4 variables:
##  $ Name    : chr  "Valmir" "Hélio" "Hélio" "Hélio" ...
##  $ Subquota: chr  "Combustíveis e lubrificantes" "Divulgação da atividade parlamentar" "Divulgação da atividade parlamentar" "Combustíveis e lubrificantes" ...
##  $ Provider: chr  "POSTO MK 107 NORTE LTDA05.625.571/0001-35" "PRISCILLA DE CASSIA PORTELA VINHOTE 7054665724934.314.072/0001-25" "M SANTOS GUIMARAES EIRELI23.936.281/0001-94" "SUPER POSTO PALMEIRA LTDA83.838.839/0001-20" ...
##  $ Value   : num  199 900 300 5022 13000 ...

Passo 4: Numa primeira análise, podemos utilizar gráfico entre o valor do reembolso e o nome dos deputados. Foram utilizados as 50 primeiras linhas do data.frame e uma biblioteca ggplot2 para geração do gráfico.

library(ggplot2)

jarbas_df <- jarbas_df[1:50,]

ggplot(
  jarbas_df, aes(Value,Name,colour=Subquota)) +
  geom_point() +
  labs(title="", x ="pedidos de reembolso (R$)",
       y = "deputados",colour="SUBQUOTA TRANSLATED")

“Post gerado com framework HUGO (http://gohugo.io/), R Markdown (http://rmarkdown.rstudio.com/), no qual os resultados são gerados na geração da página.”

Post original:

https://jodavid.github.io/post/web-scraping-introduction-with-r/

LinkedIn do autor:

https://www.linkedin.com/in/jodavidferreira/

#webscraping #R #dadosweb #extrairdados

O post Introdução a Web Scraping com R apareceu primeiro em Estatidados.

Estou escrevendo esse artigo para agradecer ao grande professor Marcos Severo ( Professor e Pesquisador na Universiadade Federal de Goiás ( UFG ) e no Indian Institute of Technology Gandhinagar ( IITGN ), foi uma grande honra poder dividir um projeto dessa natureza com o mesmo, muito aprendizado, troca de conhecimento e gratidão.

O curso foi lecionado sempre aliando teoria à prática e nos Sotwares R e Gretl.

Hoje foi enviado aos alunos a atividade prática que os mesmos realizarão para obterem o certificado.

Foram 11 Aulas ao todo, muita troca de conhecimento com os nossos alunos, foi abordado:

Definição de Marketing Analytics e modelos de resposta em marketing. Base de dados. Medidas de posição e dispersão aplicadas ao marketing: média, mediana, coeficiente de variação e desvio padrão. Gráficos estatísticos básicos aplicados à bases de dados de marketing: boxplot e gráfico de dispersão. Testes de hipótese e relações funcionais em marketing: modelos de regressão simples, múltipla e de séries temporais para identificação da influência do marketing no desempenho do negócio. Index de preço, elasticidades de preço e elasticidades cruzadas de preço. Matriz BCG, tamanho, estruturas e crescimento do marketing.

Aulas no Canal @estatidados

Agradeço a audiência de quem pôde participar também, foi uma troca muito legal, o feedback do pessoal foi incrível e destaco também a dedicação do nosso aluno Claudinei que fez um resumo do curso em seu Github, muito obrigado :

Meu github com Marketing Analytics https://github.com/claudineien/marketing-analytics-gretl-r

Publicação original:

https://www.linkedin.com/pulse/e-a%25C3%25AD-acontece-marketing-analytics-curso-de-extens%25C3%25A3o-thiago/?trackingId=aDJfJAGVRy6J%2F9ukqnowuQ%3D%3D

O post E aí acontece! Marketing Analytics (Curso de Extensão pela Universidade Federal de Goiás (UFG) ) no YOUTUBE EsTaTidados – 11 Aulas apareceu primeiro em Estatidados.