• Entrega Imediata

Livro Impresso

Ciência de Dados - Fundamentos e Aplicações

  • ISBN:

    9788521638759

  • Edição: 1|2024
  • Editora: LTC

André C. P. L. F de Carvalho, Ângelo G. Menezes, Robson P. Bonidia

R$  159,00
In stock
SKU
42201589
ou em até 7x de R$ 22,71
< >
Introdução à Ciência de Dados descomplicada, incluindo conceitos, exemplos de aplicação e de códigos escritos na linguagem Python.
  • Formato: Impresso
  • Páginas: 376
  • Publicação: 05/03/2024
  • Capa: Brochura
  • Peso: 0,61 kg
  • Dimensões: 17 X 24

Inédito no mercado, Ciência de Dados – Fundamentos e Aplicações foi  desenvolvido para apresentar e desvendar os conceitos essenciais à compreensão e à utilização de algoritmos e técnicas específicos da área. Por seu caráter introdutório, é indicado para graduandos, pós-graduandos e profissionais de qualquer área que busquem especialização, podendo também ser utilizado por aqueles que atuam em projetos colaborativos de Ciência de Dados.

A obra apresenta os seguintes destaques:

  • histórico e evolução da Ciência de Dados, incluindo exemplos de aplicações;
  • introdução à linguagem de programação Python – a mais utilizada para estudo e desenvolvimento de soluções baseadas em Ciência de Dados;
  • conceitos introdutórios de Estatística;
  • principais abordagens para exploração de dados;
  • tratamento e manipulação de dados para torná-los úteis e relevantes;
  • extração de modelos a partir de dados por diferentes abordagens;
  • tópicos avançados, tendências e orientações para trabalhar com Ciência de Dados de modo ético e responsável.

Para ilustrar o uso dos conceitos apresentados e oferecer uma experiência prática, o livro traz inúmeros exemplos de códigos escritos na linguagem Python, que estão disponíveis também on-line – em uma página exclusiva, disponibilizada pelos autores – para consolidar o conhecimento adquirido.

Ciência de Dados – Fundamentos e Aplicações concentra o conteúdo indispensável para o início dessa jornada em prol da formação de estudantes e da especialização de profissionais que desejam se desenvolver nessa fascinante e crescente área que, sistematicamente, demanda cada vez mais mão de obra qualificada.

Parte I Conceitos Gerais sobre Ciência de Dados

Capítulo 1 Introdução à Ciência de Dados

1.1 Big Data

1.2 Formatos e Papéis dos Dados

1.3 Bancos de Dados

1.4 História da Ciência de Dados

1.5 O que é Ciência de Dados?

1.6 Considerações Finais

Capítulo 2 Ciência de Dados na Prática

2.1 Etapas de um Projeto de Ciência de Dados

2.2 Ciclo de Vida dos Dados

2.3 Lago de Dados

2.4 Governança de Dados

2.5 Curadoria de Dados

2.6 Práticas para Trabalho em Equipe

2.7 Aplicações de Ciência de Dados

2.8 Considerações Finais

Capítulo 3 Conceitos Gerais da Linguagem Python

3.1 A Linguagem Python

3.2 Tipos Básicos e Variáveis

3.3 Expressões

3.4 Comandos

3.4.1 Comandos Condicionais

3.4.2 Comandos de Repetição

3.5 Estruturas de Dados

3.5.1 Listas

3.5.2 Tuplas

3.5.3 Conjuntos

3.5.4 Dicionários

3.6 Funções

3.6.1 Formato de Funções em Python

3.6.2 Funções de Entrada e Saída

3.7 Considerações Finais

Capítulo 4 Python para Ciência de Dados

4.1 Manipulação de Dados Tabulares com Pandas

4.2 Funções Básicas

4.2.1 Tipos de Dados com Pandas

4.2.2 Renomeando Colunas

4.2.3 Selecionando Linhas e Colunas

4.2.4 Adicionando e Removendo Colunas

4.3 Operações Básicas

4.3.1 Consultas

4.3.2 Ordenação

4.3.3 Combinando DataFrames

4.3.4 Salvando DataFrames

4.4 Considerações Finais

Parte II Exploração de Dados

Capítulo 5 Estatística para Exploração de Dados

5.1 Escalas de Medidas

5.2 Conceitos Importantes

5.3 Estatística Descritiva e Teoria das Probabilidades

5.4 Estatística Descritiva

5.4.1 Análise Univariada

5.4.2 Análise Multivariada

5.5 Considerações Finais

Capítulo 6 Visualização para Exploração de Dados

6.1 Métodos de Visualização Disponíveis em Python

6.2 Gráficos de Barras ou Colunas

6.2.1 Análise Univariada

6.2.2 Análise Multivariada

6.3 Gráfico de Setor

6.4 Gráficos de Dispersão

6.4.1 Análise Bivariada

6.4.2 Análise Multivariada

6.5 Gráficos de Linhas

6.6 Gráficos de Radar

6.7 Gráficos de Coordenadas Paralelas

6.8 Histogramas

6.9 Gráfico de Caixa – Boxplot

6.10 Gráficos de Violino

6.11 Nuvens de Palavras

6.12 Mapas de Calor

6.13 Desafios para a Visualização de Dados

6.14 Considerações Finais

Parte III Engenharia de Dados

Capítulo 7 Qualidade de Dados

7.1 Valores Ausentes

7.1.1 Mecanismos de Ausência de Dados

7.1.2 Técnicas para Lidar com Ausência de Dados

7.2 Valores Redundantes

7.3 Valores Inconsistentes

7.4 Valores com Ruídos

7.5 Valores Outliers

7.6 Dados Enviesados

7.7 Considerações Finais

Capítulo 8 Transformação de Dados

8.1 Anonimização de Dados

8.1.1 Anonimização de Identificadores

8.1.2 Anonimização de Atributos

8.2 Conversão de Valores entre Diferentes Tipos

8.2.1 Qualitativos para Quantitativos

8.2.2 Quantitativos para Qualitativos

8.3 Transformação de Valores Numéricos

8.3.1 Funções Matemáticas Simples

8.3.2 Normalização

8.3.3 Quando Normalizar

8.3.4 Tradução de Valores de Atributos

8.4 Considerações Finais

Capítulo 9 Engenharia de Características

9.1 Definição e Criação de Características

9.2 Extração de Características

9.3 Redução de Dimensionalidade

9.4 Agregação de Atributos

9.5 Seleção de Atributos

9.5.1 Seleção por Ordenação

9.5.2 Seleção por Complementaridade

9.6 Considerações Finais

Parte IV Modelagem de Dados

Capítulo 10 Amostras de Dados para Experimentos

10.1 Amostragem

10.1.1 Representatividade de uma Amostra

10.1.2 Variabilidade de Valores

10.1.3 Procedimentos de Amostragem

10.2 Procedimentos para Reamostragem de Dados

10.3 Vieses em Dados e Modelos

10.4 Conjuntos de Dados Desbalanceados

10.5 Considerações Finais

Capítulo 11 Modelagem de Dados

11.1 Aprendizado de Máquina

11.2 Tarefas de Modelagem

11.3 Algoritmos de Modelagem

11.3.1 Algoritmos Baseados em Proximidade: K-vizinhos mais Próximos e K-médias

11.3.2 Algoritmos Baseados em Otimização: Perceptron e Backpropagation

11.3.3 Algoritmos Baseados em Estatística: Regressão Linear e Regressão Logística

11.3.4 Algoritmos Baseados em Procura: Indução de Árvores de Classificação e de Regressão

11.4 Comitês de Modelos

11.4.1 Abordagens

11.4.2 Aplicação dos Algoritmos de Modelagem: Python

11.5 Viés e Variância

11.6 Modelos Discriminativos e Generativos

11.7 Aprendizado de Máquina Automatizado (AutoML)

11.7.1 Otimização

11.7.2 Meta-aprendizado

11.8 Considerações Finais

Capítulo 12 Avaliação, Ajuste e Seleção de Modelos

12.1 Avaliação de Modelos Preditivos

12.1.1 Avaliação para Regressão

12.1.2 Avaliação para Classificação

12.2 Avaliação de Modelos Descritivos

12.2.1 Ajuste de Hiperparâmetros de Algoritmos

12.3 Seleção e Testes de Hipóteses

12.4 Interpretação e Explicação de Modelos

12.5 Considerações Finais

Parte V Tópicos Avançados em Ciência de Dados

Capítulo 13 Dados Não Estruturados

13.1 Análise de Sequências Biológicas

13.1.1 Coleta de Sequências Biológicas

13.1.2 Transformação em Conjuntos de Dados Estruturados

13.1.3 Engenharia de Características de Sequências Biológicas

13.1.4 Exemplo de Aplicação Utilizando Python

13.2 Análise de Imagens

13.2.1 Coleta de Imagens

13.2.2 Tratamento de Imagens

13.2.3 Transformação em Conjuntos de Dados Estruturados

13.2.4 Engenharia de Característica de Imagens

13.2.5 Exemplo de Aplicação Utilizando Python

13.3 Análise de Textos

13.3.1 Coleta de Textos

13.3.2 Tratamento dos Textos

13.3.3 Transformação em Conjuntos de Dados Estruturados

13.3.4 Engenharia de Características de Textos

13.3.5 Exemplo de Aplicação Utilizando Python

13.4 Considerações Finais

Capítulo 14 Ciência de Dados Responsável

14.1 Ciência de Dados Ética

14.2 Ciência de Dados Justa

14.3 Ciência de Dados com Proteção e Privacidade

14.3.1 Práticas de Informações Justas

14.3.2 Legislação

14.4 Ciência de Dados Reproduzível

14.5 Ciência de Dados Transparente

14.6 IA Centrada nos Dados

14.7 Considerações Finais

Apêndice

Bibliografia

Índice Alfabético

André Carlos Ponce de Leon Ferreira de Carvalho é graduado e Mestre em Ciência da Computação pela Universidade Federal de Pernambuco (UFPE) e Doutor em Electronic Engineering pela University of Kent, na Inglaterra. Atua como professor titular e diretor do Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP), campus São Carlos, e coordena uma das unidades da Empresa Brasileira de Pesquisa e Inovação Industrial (EMBRAPII) na área de Ciência de Dados. Liderou projetos em Ciência de Dados em diversas empresas e órgãos públicos. É um dos autores de Inteligência Artificial – Uma Abordagem de Aprendizado de Máquina, do GEN | LTC, vencedor de Prêmio Jabuti.

Angelo Garangau Menezes é graduado em Engenharia Mecatrônica pela Universidade Tiradentes (Unit), com estágio na Lakehead University, no Canadá, Mestre em Ciência da Computação pela Universidade Federal de Sergipe (UFS) e Doutor em Ciência da Computação e Matemática Computacional pela USP, com estágio na Università di Pisa, na Itália. Possui experiência em Ciência de Dados, Aprendizado de Máquina e Visão Computacional, tendo executado diversos projetos nessas áreas em empresas nacionais e multinacionais. Atualmente, trabalha como engenheiro de software na Google.

Robson Parmezan Bonidia é graduado em Tecnologia em Segurança da Informação pela Faculdade de Tecnologia de Ourinhos (Fatec Ourinhos), Especialista em Redes de Computadores e Mestre em Bioinformática pela Universidade Tecnológica Federal do Paraná (UTFPR), e Doutor em Ciência da Computação e Matemática Computacional pela USP. Recebeu o Latin America Research Awards da Google e foi finalista do Falling Walls Lab Brasil 2022, promovido pelo Centro Alemão de Ciência e Inovação. Possui vasta experiência em Computação, com ênfase em Biologia Computacional, Inteligência Artificial, Reconhecimento de Padrões, Meta-heurísticas e Mineração de Dados. Atualmente, é professor na UTFPR – campus Cornélio Procópio.