Buscar
Minha Conta

Atendimento(21) 2262-3111 / (21) 2262-3111

Data Science para Programadores - Um Guia Completo Utilizando a Linguagem Python

VITRINE Os TOP de vendas !!

Por: R$ 65,00

Preço a vista: R$ 65,00

+-
Comprar
Opções de Parcelamento:
  • à vista R$ 65,00
Outras formas de pagamento

Quem viu este produto , comprou

Quem viu este produto , também se interessou

  • Descrição
    Data Science para Programadores - Um Guia Completo Utilizando a Linguagem Python

    Um guia para estudantes e profissionais, utilizando a linguagem Python em todo o seu potencial. Você aprenderá os conceitos e fundamentos estatísticos que auxiliarão seu trabalho analítico.

    As bibliotecas são apresentadas de maneira prática, focando no que é mais importante para o seu trabalho do dia a dia.

    O livro apresenta um ferramental completo para você iniciar neste mercado lucrativo que a Data Science possibilita.

    Veja a estatística de maneira simples e prática, revendo ou aprendendo conceitos importantes, como inferência.

    Aprenda a enxergar através dos dados, estruturados ou não, criando trabalhos de inferência, regressão, classificação e agrupamento.

    Veja como utilizar as mais modernas bibliotecas de Data Science e manipulação de dados em Python, entre elas: NumPy e Scikit-learn.

    Crie sistemas de Deep Learning utilizando o TensorFlow, da Google.

    Aprenda a criar belas apresentações gráficas seguindo o conceito de ?storytelling?.

    Um guia simples e completo com práticas, ferramentas e exemplos reais.
  • Sobre o Autor
  • Especificação

    Características

    Tipo de LivroLivro Físico

    Especificações

    Sobre o AutorCleuton Sampaio

    Cleuton Sampaio é escritor profissional, com vários livros publicados, além de muitos anos de experiência como professor universitário.
    É arquiteto de software especializado em aplicações distribuídas, sendo também um pesquisador e desenvolvedor de aplicações de código aberto.
    Informações TécnicasSumário

    CAPÍTULO 1 – Introdução - 1

    1.2 Data Science é um novo nome para “Estatística” - 1

    1.3 O que você precisa saber - 2

    1.4 Para quem é este livro? - 3

    1.5 Arquivos e código-fonte - 3

    1.6 Então, o que faz um cientista de dados? - 4

    1.7 O que seria um modelo preditivo? - 4

    1.8 Obtendo os dados - 4

    1.9 Explorando os dados - 5

    1.10 Preparando os dados - 7

    1.11 Modelando os dados - 8

    1.12 Testando o modelo - 9

    1.13 Avaliando o modelo - 10

    1.14 Workflow de Data Science - 10

    1.15 Formular o problema - 10

    1.16 Obter os dados - 11

    1.17 Explorar os dados - 12

    1.18 Modelar os dados - 12

    1.19 Comunicar o resultado - 12

    1.20 Mas, só isso - 13



    CAPÍTULO 2 - Mas o que é Data Science? - 15

    2.1 Data Warehouse - 16

    2.2 Business Intelligence - 17

    2.3 Bigdata - 18

    2.4 Data Mining - 18

    2.5 Data Analytics - 19

    2.6 Análise Preditiva e Machine Learning - 19

    2.7 As perguntas que não querem calar - 20



    CAPÍTULO 3 - Estatística básica para detonar as conversas fiadas - 23

    3.1 Tipos de dados - 25

    3.1.1 Dados discretos - 26

    3.1.2 Dados contínuos - 26

    3.1.3 Categorias - 27

    Dados ordinais - 29

    3.2 Estatística descritiva - 31

    3.2.1 População e amostra - 31

    3.2.2 Tendência central - 32

    3.2.3 Medidas de dispersão - 35



    CAPÍTULO 4 - Analisando distribuições - 41

    4.1 Frequências - 41

    4.2 Histogramas - 43

    Interpretando histogramas - 45

    4.3 Distribuição de probabilidades - 48

    4.3.1 Probabilidade - 48

    4.3.2 Variável aleatória - 48

    4.3.3 Distribuição de probabilidades - 49

    4.3.4 Valor esperado - 50

    4.3.5 Modelos probabilísticos discretos - 50

    4.3.6 Distribuição binomial - 50

    4.3.7 Distribuição de Poisson - 52

    Modelos probabilísticos contínuos - 54

    Distribuição uniforme - 55

    4.3.4 Curtose e assimetria - 60



    CAPÍTULO 5 - Turbo Python - 63

    5.1 Ambiente virtual - 66

    5.1.2 Instalação do Python - 66

    5.1.2 Criando um notebook - 70

    5.2.3 Variáveis e expressões - 72

    5.2.4 Variáveis multivaloradas - 73

    5.2.5 Expressões numéricas - 74



    CAPÍTULO 6 - Bibliotecas para Data Science - 83

    6.1 NumPy - 83

    6.2 SciPy.stats - 88

    6.3 Pandas - 89

    6.1.4 Scikit-learn - 96



    CAPÍTULO 7 - Técnicas de Data Science aplicadas - 101

    7.1 O universo de técnicas de Data Science - 102

    7.2 Estudo de distribuições - 103

    7.3 Estudo de correlação - 104

    7.4 Análise de regressão - 104

    7.5 Classificação - 105

    7.6 Agrupamentos (cluster analysis - 106



    CAPÍTULO 8 - Inferência estatística - 109

    8.1 Estimar uma população com base em uma amostra - 109

    7.2 Tamanho da amostra e o teorema central do limite - 113

    7.3 Intervalo de confiança - 114

    7.4 Margem de erro - 116

    7.5 Estatística T - 116

    7.6 Inferindo sobre o desvio padrão - 118

    7.6 Testes de hipóteses - 120



    CAPÍTULO 9 - Correlação - 135

    9.1 Obtendo os dados - 135

    9.2 Limpando os dados - 136

    9.3 Tipos de correlação - 138

    9.4 Coeficiente de correlação - 139

    9.4 Correlação e causalidade - 140

    9.5 Correlações não lineares - 141



    CAPÍTULO 10 - Regressão - 145

    10.1 Tipos de regressão - 146

    10.2 Regressão linear simples - 146

    10.3 Regressão multivariada - 149

    10.4 Avaliação de modelos de regressão - 150

    10.4 R quadrado e R quadrado ajustado - 150

    10.5 Teste de significância dos coeficientes - 152

    10.6 Teste de significância da regressão - 152

    10.7 Multicolinearidade - 153

    10.8 Heterocedasticidade - 154

    10.9 Autocorrelação dos resíduos - 155

    10.10 Outros testes - 156

    10.11 Exemplo de regressão multivariada - 156

    10.11.1 Um exemplo - 157

    10.11.2 Teste VIF - 161

    10.11.3 Teste de Heterocedasticidade - 162

    10.11.4 Autocorrelação dos resíduos - 162

    10.12 Machine learning - 163

    10.13 Decision Trees - 163

    10.13.1 Gerando dados - 164

    10.13.2 Dividindo a amostra - 165

    10.13.3 Profundidade e overfitting - 166

    10.13.4 Treinando os modelos - 167

    10.13.5 Decision tree multivariada - 170



    CAPÍTULO 11 - Classificação - 173

    11.1 SVM - 173

    11.2 Churn prediction - 174

    11.1.2 Preparando os dados - 176

    11.1.3 Ajustando a escala - 178

    11.1.4 Kernel e hiperparâmetros - 178

    11.1.5 Fazendo predições - 179

    11.1.6 Conclusões do trabalho - 181

    11.1.7 Sobre classificação - 181



    CAPÍTULO 12 - Agrupamento (clusterização) - 183

    12.1 K-means - 183

    12.2 Exemplos - 184

    12.3 Exemplo real - 187



    CAPÍTULO 13 - Deep learning - 193

    13.1 Técnicas e configuração - 193

    13.1.1 Artificial Neural Network - 193

    13.1.2 Função de ativação - 194

    13.1.3 Camadas - 197

    13.1.4 Pesos e bias - 198

    13.1.5 Função de erro (ou de perda) - 199

    13.1.6 Algoritmos de otimização - 200

    13.1.7 Convolutional Neural Network - 200

    13.1.8 Recurrent Neural Networks - 201

    13.2 TensorFlow - 202

    13.2.1 Playground - 202

    13.2.2 Turbo prime - 204

    13.2.3 Variáveis e Placeholders - 204

    13.2.4 Nós - 205

    13.2.5 Função de perda - 205

    13.2.6 Taxa de aprendizado - 206

    13.2.7 Otimizador - 206

    13.2.8 Epochs e o problema do mínimo local - 206

    13.2.9 Onde estão os neurônios? - 208

    13.2.10 Usando o Estimator Framework - 209

    13.3 API Keras - 213

    13.3.1 Bibliotecas - 214



    CAPÍTULO 14 - Big Data - 217

    14.1 Caso de uso - 218

    14.2 Ambiente de Big Data - 221

    14.2.1 Hadoop - 221

    14.2.1 Spark - 223

    14.2.2 Index / Search engines - 223

    14.2.3 Acessórios - 223

    14.3 Experiências práticas - 224

    14.3.1 DCEP de saúde - 224

    14.3.2 Análise de sentimentos de Tweets - 227

    14.4 Usando o Spark - 229

    14.4.1 Dados climáticos - 229

    14.4.2 Instalação do Spark - 230

    14.4.3 O dataset - 233

    14.4.4 Primeiro programa - 233

    14.4.5 RDD - 236

    14.4.6 Cluster - 237

    14.4.7 Algoritmo

    - 241 no Spark - 238

    14.4.8 Outras operações

    Informações Técnicas

    Nº de páginas:256
    Origem:Nacional
    Editora:Editora Ciência Moderna
    Idioma:Português
    Edição:1ª Edição
    Ano:2018
    ISBN:9788539909933
    Encadernação:Brochura
    Autor:Cleuton Sampaio
  • Informações

Avaliação técnica sobre o livro

Não encontrou seu produto? Deixe aqui sua Sugestão para novos produtos!

Enviar sugestão

Políticas

Informações

Atendimento

(21) 2262-3111

(21) 2262-3111

Pague com

Visa, mastercard, Diners, Boleto, American Express , VisaElectron, Discover , Elo , Maestro

Segurança e certificados

© 2015 Livraria Ciência Moderna Ltda - Avenida Rio Branco 156 – subsolo 126 – Centro – RJ – Cep:20040-003 | Cnpj :33.412.271/0001-03 | Inscrição Estadual: 85.853.198 *Os preços e condições de pagamento podem ser exclusivos para compras via internet , o que quer dizer que podem variar das lojas físicas. Vendas Sujeitas á analise e confirmação de dados.
VTEXOriginal Media

Olá! Seja Bem Vindo (a)!

Eu sou o Moderninho , o Mascote da Ciência Moderna Online!
Além de bonito, o novo site tem Minhas Dicas :) #ficaadica

A 1ª Dica é -> Deixe aqui seu contato para receber nossas
NOVIDADES, PROMOÇÕES E CUPONS DE DESCONTOS ;)

Navegue SEM Moderação!