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.

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.

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.

Wilton de Oliveira Bussab​ e Pedro Moretin:
https://amzn.to/3gcKugM

Charles Wheelan:
https://amzn.to/3qw2gQS

Luiz Paulo Fávero e Patricia Belfiore:
https://amzn.to/3g9QgQs

​

Cálculo das Probabilidades:

Iniciante:

Meyer:
https://amzn.to/3olBNDS​

Magalhães:
https://amzn.to/2JO5u1z​

Intermediário

Ross:
https://amzn.to/39I8fwb​

Avançado:

Barry:
https://amzn.to/36GGdiN​

Noções de Amostragem e Estimação:

Heleno:
https://amzn.to/3qqMtTz​

Inferência Estatística:

Iniciante e intermediário:

Heleno e Mônica:
https://lnkd.in/dxd-J6u

Avançado:
Casella e Berger
https://amzn.to/2VF13sk​
https://amzn.to/39FWCFV​

Modelos Não supervisionados

Mingoti
https://amzn.to/3omERzE​

Hair
https://amzn.to/36ICRMh​

Luiz Paulo Fávero e Patricia Belfiore​:
https://amzn.to/2JNYyS4​

Modelagem Estatística

Regressão Linear:

Neter​:
https://lnkd.in/dZUb_ZD

Montgomery​:
https://amzn.to/3geFF6L​

Modelos de Regressão Lineares Generalizados (MLG´S):

Dobson​ e Barnett​:
https://amzn.to/37Ec2rw​

Séries temporais:

Moretin e Clélia​:
https://amzn.to/3gayBrL​

Controle Estatístico de Qualidade:

Montgomery​
https://lnkd.in/dJbyS9S

Linguagem R

Luciane Ferreira Alcoforado
https://amzn.to/3v60kDr

Conheça todo o meu trabalho:

https://linktr.ee/estatidados

#estatística
#estatidados
#cienciadedados

O post Indicação de livros de Estatística e Ciência de dados apareceu primeiro em Estatidados.

Pessoal,

Eu estava assistindo o curso do LinkedIn da plataforma Learning do mesmo e queria deixar a opinião sobre o que eu notei, como não cabia em um post, resolvi criar esse post em forma de artigo, tão somente pelo tamanho do texto.

Durante o mesmo na seção áreas de estudo, me deparei com algumas coisas até lamentáveis de se ler na minha opinião… Gostaria de comentar acerca disso.

Primeira afirmação acerca da Formação:

“A maioria dos cientistas de dados não tem formação em Estatística”

Quantidade de Estatísticos é bem inferior em termos absolutos que os profissionais formados em : Ciência da computação, engenharia, física e astrofísica, logo não há como dizer se há poucos Estatísticos que são cientista de dados em termos absolutos, só relativos.

Segunda afirmação acerca das Técnicas:

“O aprendizado de máquina e o big data são elementos distintos da ciência de dados que raramente são utilizados na Estatística”

Aprendizado de máquina raramente utilizado na Estatística? Então acho que eu fiz a faculdade errada na Escola Nacional de Ciências Estatísticas (ENCE/IBGE), por que lá eu aprendi modelos lineares ( Regressão linear ), Modelos lineares generalizados ( Regressão logística, árvore de decisão e qualquer outro de classificação binária ou Multinomial) , Séries temporais, lá de fato não aprendi Redes neurais, mas a mais simples que existe (Perceptron) é uma regressão logística (Modelos lineares generalizados) .

Então nada disso é Aprendizagem de Máquina? O que seria então? Alguém pode me dizer?

Terceira afirmação acerca do Ambiente:

“Os cientistas de dados geralmente trabalham em contextos diferentes”

Quais seriam? Há algo mais interdisciplinar que a Estatística e Ciência de dados? O limite é só a sua imaginação! 

Pode trabalhar com Saúde, Finanças, Esportes, Astronomia, Genômica, Mercado farmacêutico, Indústrias, Marketing, Economia, Agronomia, Gerenciamento de projetos…. (Escolhe a sua opção, por gentileza ou cite mais uma dentre as inúmeras que existem ou possam existir).

Aprendizagem de máquina não tem haver com Estatística? Acho que o linkedin de devem rever essa parte do vídeo, por gentileza. Informação passada erroneamente e algumas informações de natureza generalista e incoerentes.

Deixem suas opiniões também, por gentileza.

Att,

Thiago Marques.

Linkedin do professor Thiago:https://www.linkedin.com/in/thiagoestatidados/

O post Curso Fundamentos de Ciências de dados – LinkedIn Learning (Minha opinião sobre a seção de Área de estudo – Subitem Estatística) Graduação errada apareceu primeiro em Estatidados.

Muitos daqueles que se intitulam Cientista de Dados, a profissão mais sexy do Século XXI (Davenport e Patil, 2012, Harvard Business Review), focam suas atividades em programação e, por vezes, não se preocupam com a preparação e estruturação do dataset, com o diagnóstico preliminar acerca do comportamento dos dados e/ou com a sua exploração visual, por meio de gráficos estáticos ou dinâmicos.

Muitos inclusive usam códigos previamente desenvolvidos e disponíveis na web, ou simplesmente os adaptam às suas realidades, para fazer posts em redes sociais com o intuito de receber a maior quantidade de likes, sem que os fundamentos estatísticos, algébricos ou econométricos (fundamentos de analytics, em essência) sejam levados em consideração.

Temos observado uma quantidade já enorme e crescente de posts e cursos online que fazem uso de códigos de programação em R, em Python, ou em qualquer outra plataforma (open ou não), referentes a determinadas técnicas (supervised ou unsupervised) que requerem, em suas premissas, características específicas das variáveis em uso.

Pois bem, ao analisarmos o que está sendo proposto, verificamos que parte daquelas variáveis (ou, às vezes, a totalidade delas) não obedece aos critérios fundamentais da técnica, mas estão sendo utilizadas e inseridas, por meio de códigos, na programação. Será que o famigerado “AutoML” vai nos trazer soluções mágicas? O que o modelo irá gerar como outputs? Como interpretá-los? Como utilizar estes outputs para classificação ou predição e, consequentemente, para tomada de decisão?

Muitos destes “Cientistas de Dados” priorizam o código, a programação, em detrimento dos fundamentos de estatística, álgebra, pesquisa operacional, econometria. Por que será? Talvez porque uma enormidade de códigos prontos já esteja disponível e seja de fácil acesso? Ou porque o ganho de tempo gerado por este caminho é considerável? Com certeza, estes são motivos que temos escutado constantemente no mercado e na academia. Entretanto, acredite, este é um modo muito fácil de fazer com que seu currículo fique desatualizado em um futuro não tão distante! Uma carreira em ascensão não pode correr tão sérios riscos!

O investimento de tempo no estudo dos fundamentos não é baixo, porém é a melhor e mais eficaz maneira de consolidar uma trajetória na Ciência de Dados. Sem fundamentos e sem uma base conceitual sólida, todo o resto torna-se muito mais suscetível a virar pó.

Se um software ou uma linguagem de programação deixarem de ser utilizados, ou forem gradualmente substituídos por outros (por razões de mercado, eficiência computacional, entre outros motivos), os fundamentos e conceitos continuarão a existir e servirão de base para uma adaptação do profissional de maneira mais fácil e ágil. Enquanto isso, aqueles que se ativeram, apenas e tão somente, a linguagens de programação e códigos específicos terão muito mais dificuldades de se enquadrar em novos cenários.

Recentemente, Conor Lazarou escreveu um artigo brilhante (from sklearn import *, 2020) sobre estes pontos. Este artigo está muito relacionado com um fato que aconteceu no final de 2019. Vamos a essa história!

Estava eu, Fávero, em uma reunião em determinado banco de investimentos quando um analista me confessa que havia desenvolvido um código de programação que estimava um modelo preditivo bastante “eficiente” (não sei o que ele quis dizer com o termo “eficiente”) para o comportamento das ações de determinada empresa. Inclusive ele já havia rodado o código e estimado os parâmetros deste modelo (construído a sua equação preditiva) e calculado o seu famoso R² (coeficiente de determinação, também conhecido por coeficiente de ajuste em modelos regressivos). Demonstrei interesse e perguntei o que ele pretendia fazer com os achados.

Ele me respondeu que iria passar para a área de recomendação de carteiras, visto que os ganhos seriam muito interessantes nos meses seguintes para aquele papel de renda variável… se olharmos a carteira recomendada de ações para compra a partir de Janeiro/2020 por parte daquele banco de investimentos, lá estará o famigerado papel daquela empresa. Como sabemos, os ganhos não existiram nos meses seguintes e, para piorar, entramos numa fase extremamente triste da história humana em decorrência do coronavírus.

Na figura a seguir mostramos o quão perigoso pode ser uma abordagem ingênua, que foca em códigos e programação, e que não leva em consideração a elaboração de diagnósticos exaustivos e a construção de gráficos em suas fases preliminares.

FONTES: Adaptado de Conor Lazarou (2020)

e de Anscombe’s Quartet (Wikimedia Commons).

Mesmo que os comportamentos dos pontos sejam bastante diferentes, os quatro gráficos apresentam a mesma equação preditiva (fitted values para y ~ x) e a mesma correlação entre y e x (e, portanto, o mesmo valor de R², já que o coeficiente de ajuste representa a correlação ao quadrado entre y e x, ou o percentual de variância de y condicional ao comportamento de variação de x). Em outras palavras, apenas uma equação e uma estatística de ajuste do modelo (no caso, o R²) não oferecem suporte à melhor decisão em termos preditivos (e, nem tampouco, classificatórios). Será que se estudando apenas programação, haverá condições de se interpretar corretamente os outputs obtidos? Como solucionar esses e outros problemas conceituais, sem que se tenha base estatística ou econométrica?

Como afirma o próprio Conor Lazarou, se você não visualizar seus dados e confiar em estatísticas resumidas, poderá erroneamente pensar que esses quatro datasets têm a mesma distribuição, quando um olhar superficial mostra que esse, obviamente, não é o caso. Enquanto no segundo e no terceiro gráficos um (e apenas um) outlier gera um viés no parâmetro de inclinação (conhecido por b, ou coeficiente angular) da variável x, o quarto gráfico mostra que a especificação linear nem é a melhor para fins de ajuste do modelo (no caso, temos uma forma funcional quadrática).

Além disso, também podemos propor a seguinte reflexão: cada ponto distante nos gráficos 2 e 3 representa um outlier ou um ponto influente? Posso removê-lo ou não? Sem as devidas técnicas estatísticas, não conseguiremos elaborar essa distinção. Enquanto o ponto com comportamento discrepante no segundo gráfico pode ser resultado, por exemplo, de alguma sazonalidade, o ponto discrepante no terceiro gráfico pode ser consequência de um erro de medição, da inserção equivocada de dados no dataset, ou até mesmo de um equipamento mal calibrado. Quando devemos eliminar do dataset aqueles dados discrepantes? Qual a pergunta de pesquisa que se está avaliando? Códigos não trarão estas respostas, porém fundamentos e conceitos que embasam a construção destes códigos, sim, o farão.

A visualização de dados permite identificar tendências, outliers, distribuições e formas funcionais nos dados. A ausência desta etapa faz com que todo o restante do projeto de predição ou classificação corra sério risco!

Muito se fala, hoje em dia, em soluções automatizadas por meio das plataformas de “AutoML” que recebem quaisquer tipos de dados e, como consequência, estimam modelos e elaboram predições que, por vezes, são consideradas as mais acuradas possíveis. Será mesmo que, sem a devida preparação dos dados e o devido tratamento das variáveis (data prep e data quality), sem uma adequada análise exploratória dos dados, sem um processo adequado de modelagem estatística e econométrica e, obviamente, sem uma boa conversa (no mínimo) com os profissionais envolvidos no processo de gestão e tomada de decisão, é possível que sejam atingidos resultados satisfatórios e acurados? Acreditamos, em nossa humilde opinião, que não!

Em resumo:

– Explore e limpe seus dados. Preparação e diagnóstico são fundamentais!

– Construa gráficos exaustivamente. Eles te mostrarão muitos comportamentos que os datasets, pura e simplesmente, não o farão.

– Entenda profundamente como cada modelo trabalha e como estima os parâmetros. Tenha erudição em Ciência de Dados!

– Compreenda o que há por trás dos códigos!

– Escolha o modelo apropriado com base nas características das variáveis. Analise as métricas destas variáveis, defina baselines e identifique missing values e outliers (mesmo que não vá fazer nada com eles).

– Estude como os testes estatísticos podem auxiliar na escolha de determinados modelos ou parâmetros de modelagem. Entenda os conceitos relativos a cada indicador de eficiência de modelos, a fim de que se possa escolher aquele mais ajustado, quando isso for possível (o que significa AIC, BIC, R², p-value, -2.LL, ROC, K-S, GINI, entre outros indicadores).

– Por vezes um modelo parcimonioso oferecerá capacidades classificatórias ou preditivas tão boas quanto um modelo teoricamente mais complicado, ou que eventualmente esteja “mais na moda”. Evite o clássico fenômeno do “efeito manada” em Ciência de Dados!

Então disse Deus: π, i, 0 e 1, e fez-se o Universo.

Leonhard Euler

*Luiz Paulo Fávero e Thiago Marques

Montvero Consultoria e Treinamentos:

esse artigo foi realizado originalmente no IT Forum 365 : https://itforum365.com.br/colunas/exploracao-exaustiva-de-dados-ou-import-numpy-as-np/

O post Exploração de Dados, ou import numpy as np ? apareceu primeiro em Estatidados.

Estou escrevendo este artigo, devido a um artigo escrito pelo saudoso Raniere, que é estatístico e divulga muito a nossa profissão, me identifiquei muito com um de seus artigos, o que me causou também algumas reflexões pela história contada nele.

Primeiramente, queria parabenizá-lo pelo artigo e pelo excelente trabalho que vem fazendo pela classe! Meus parabéns!

A Minha história foi um pouco parecida com a dele, eu também pedi demissão, mas foi um contraponto a dele, pois eu era extremamente novo ainda na carreira, meu primeiro emprego em um grande centro universitário.

Saí da faculdade, pensando o seguinte:

“Ok, me formei em Estatística pela federal do IBGE, o que devo fazer?”

Me vieram na cabeça algumas opções:

“Seguir para pós/mestrado?(Opção 1) “

“Seguir para o mercado? (Opção 2)”

“Seguir por conta própria? (Opção 3)”

Opção 1:

Nunca fui aluno nota 10, sempre mediano, será mesmo que eu devo seguir para pós-graduação ou mestrado? Eu fui bombardeado de informações na graduação, será que de fato eu aprendi a base da estatística na graduação, e outra, será que os estágios que eu fiz me deram base para atuação no mercado profissional na minha área? 

Resposta1: 

Eu considerei que não era o melhor caminho a seguir, uma vez que não achava ter consolidado um nível significativo de informações na faculdade, não fiquei satisfeito, apesar do nível do ensino na ENCE ser muito TOP. Poderia reclamar em alguns pontos da cronologia da grade, um aspecto mais prático e técnico e de uma didática um pouco mais informal talvez, apesar de que, hoje em dia, grande parte foram solucionados em minha humilde opinião, mas do resto não reclamo.

Seguir para o mercado? (Opção 2)

Resposta 2 = Resposta 1

Seguir por conta própria? (Opção 3)

Resposta3: 

Foi a que eu havia escolhido.

Desafiador não? 

Como vou consolidar a base que me foi passada na faculdade, ter tempo e condições de me sustentar, como ganhar experiência na prática?

Consultoria? Aulas? Estudar para concursos públicos? 

Fui nessas 3 opções, ao mesmo tempo, tinha que consolidar a parte teórica e a parte técnica.

Parte teórica:

Revisei os materiais da faculdade, procurei material na internet, cursos gratuitos.

Aprimorei muito minha forma de aprender, quando estudei para concursos de nível médio, macetes de memorização, planejamento e organização do estudo, elaboração de resumos para revisões, entre outras coisas muito agregadoras no meu aprendizado.

Quando estudei para concursos, vi a importância de técnicas de memorização, cores para estimular a memória, diagramas lógicos, esquematizações, o aprender no passo a passo, afinal o nosso cérebro aprende por repetição e associação.

Parte técnica:

Eu optei por fazer cursos gratuitos na internet, estudei linguagens de programação, desde a parte mais básica, em que usei o site da Softblue, que tinha um curso de Programação inicial e SQL gratuitos e muito bons, estudei cursos orientados a ciência de dados no Coursera, Edx courses e vídeos no YouTube.

Adquiri um curso de Java da Softblue também, que achei excelente, mas vi que não era tão necessário para consultoria, que o foco deveria ser Excel, R, Python, hive, hadoop e SQL.

Como consegui um local de estudo, trabalho , comecei a prestar consultoria e dar aulas pelo Skype, gastando 315 reais de investimento?

Montei um local de estudo e trabalho, havia uma mesa dando sopa, pegando poeira no prédio do meu cunhado, pedi que ele me desse de presente, coloquei no meu quarto, tinha um note velhinho de guerra, comprei uma webcam da china de 15 reais, pedi de amigo oculto um mini quadro de aulas e comprei umas mesa digitalizadora pela internet de 300 reais.

Com isso, eu consegui base para dar aulas por meio do Skype e atender a consultorias, tentandp vencer a barreira da timidez e falta de experiência, época na qual eu montei um curso para receita federal de Estatística, que lecionava via Skype, em horários pré-determinados, para 10 alunos que consegui divulgando o meu trabalho no What´s App.

Também criei meu canal do YouTube, com o objetivo inicial de ajudar a galera da área fiscal com a disciplina de estatística, ao passar do tempo foi ajudando estatísticos, atuários, a galera que enfrentava a disciplina nas graduações e com o boom do Big Data e meu apreço pela área, resolvi expandir o foco para Estatística e Data Science, chamando então professores, das mais diversas universidades e profissionais, especialistas no tema, Estatísticos, Cientistas de dados, para compartilharem o seu conhecimento, hoje somos mais de 4500 inscritos! E a comunidade só cresce! Administro alguns grupos de discussão e vagas na área, no What´sApp e no Telegram.

Bom, tem mais história nesse caminho, tentei detalhar o máximo, para que outras pessoas possam ler e talvez apontar alguns caminhos que podem ser seguidos. A grande verdade é que a atuação para quem sabe Estatística é limitada pela sua criatividade, pois existem n áreas que você pode atuar profissionalmente, o que importa é seguir o caminho que considere maximizar a sua felicidade, considerando alguns fatores, entre eles a remuneração também, pois o dinheiro é mola mestra da economia, nenhum ser humano, que eu conheça, faz fotossíntese .

Espero que vocês tenham gostado e agradeço mais uma vez ao Estatístico Raniere, que me fez ter essa reflexão e essa sessão nostalgia  

Tmj galera!

Att,

Thiago Marques.

O post Refletindo: Me formei, o que fazer? apareceu primeiro em Estatidados.

Este post foi realizado no blog da ABRACD (Associação Brasileira de Ciência de dados), estou replicando ele aqui, pois recebi muitos feedbacks e gostaria de dar uma maior visibilidade, para que possa ser visto por mais ingressantes da área.

O mesmo é resultado de várias perguntas que me enviam sobre como ingressar nesta área tão promissora: a ciência de dados, seja por querer mudar de área de atuação ou até mesmo um amor à primeira vista quando ouviram falar da mesma.

Eu resolvi consolidar as respostas em um único post para que sirva de orientação aos ingressantes na área.

Meu conselho para ingressar nessa área:

Existem muitos cursos gratuitos e muito bons no Coursera, edX, Datacamp, Data Science Academy, assim como pagos também, comece por aí.

Há pouco tempo no LinkedIn eu falei sobre a grade de Estatística e Data Science que montei para estudar de casa com cursos totalmente gratuitos, assim que eu pedi demissão do meu primeiro emprego.

Segue o link :

Grade data Science/estatística:

https://www.linkedin.com/feed/update/urn:li:activity:6470289860669304832

Nesse outro Post, eu falo um pouco como foi essa transição depois da faculdade, indico alguns caminhos possíveis a seguir:

Segue o link :

https://www.linkedin.com/pulse/reflex%C3%A3o-thiago-marques/

Explicando um pouco como vocês vão usar a Estatística na Ciência de dados:

A Estatística por si só, não é nada, contudo aliada a uma área de conhecimento ou alguma ciência, se torna uma ferramenta poderosíssima de tomada de decisões!

Amostragem, Estatística Descritiva e Probabilidade:

Você precisa aprender o básico, como coletaros dados, de forma que essa amostra seja representativa da sua população, como resumiros dados, como se estuda o comportamento deles, que distribuição de probabilidade esses dados são provenientes, para que você consiga elaborar hipóteses que serão confirmadas ou refutadas lá na frente, na chamada inferência Estatística.

Inferência Estatística:

Você irá expandir os resultados que obteve por meio de uma amostra, por isso é importante que a amostra seja representativa da população, ou seja resguarde em termos de proporções as características da população, que nada mais é que a coleção de dados , que possuem determinadas características, as quais você quer estudar.

Modelagem Estatística:

Você formulará modelos, que nada mais são que uma redução da realidade, os quais poderão estimar valores futuros(fazer predições), baseados no histórico dos seus dados, observados alguns pressupostos.

Resumindo, você precisará de:

Estatística descritiva, Amostragem, Probabilidade, Inferência Estatística, Modelos lineares, Regressão logística, Árvores de decisão, Random forest, gradient boosting machine, entre outras técnicas.

Um ponto importante é casar a linguagem de programação com Estatística, siga estudando R ou Python na minha opinião, até hoje, são as melhores e com maiores comunidades para usar em Data Science, aliada as soluções Spark e Hadoop .

Focar em cursos de R, Python, SQL, NoSQL, Hive, Pig, Spark, Hadoop, sempre voltados a análise de dados.

Assim como se aprofundar em TI e Estatística é necessário, o bom Cientista de dados, tem que ser um verdadeiro camaleão! Se adaptar a área de negócios a qual ele está envolvido, de modo que a mesma pode variar constantemente, principalmente se você trabalha com consultoria, estudar as regras de negócio é fundamental! Não só isso, como se comunicar com profissionais de outras áreas, que sacam mais que você do negócio!

Uma boa parte do que vocês precisam, felizmente também se encontra gratuitamente em meu canal de Estatística e Data Science! O Estathifisco!Somos atualmente mais de 4500 inscritos, estamos recebendo muitos feedbacks positivos e espero também que você possa ser o próximo a dar o depoimento! Ou até mesmo o próximo colaborador do Estathifisco! Venha compartilhar conosco a sua experiência! Expandir seus horizontes!

Estathifisco:

www.youtube.com/estathifisco

Conversem com meu Estatibot, ele pode ajudar você a aprender os conceitos da disciplina de Estatística

m.me/EstathifiscoYoutube

Bom, é isso galera! Espero que vocês tenham gostado, agora é montar uma grade de estudos maneira e meter bronca!

Aliás esqueci um ingrediente aqui especial, sabem qual é? Muitas HBC, HBC professor? O que é? Horas Bunda Cadeira! Fundamental para aprender qualquer disciplina na vida! 

Depois me conta se deu certo, qualquer coisa estou à disposição para eventuais dúvidas que tiver.

Espero ter ajudado,

tmj!

abs,

Thiago Marques.

O post Como começar a aprender Estatística e Ciência de dados. apareceu primeiro em Estatidados.