Manual Prático de Data Science

✅ Linguagem fácil de entender para quem está começando.

✅ Baseado em mais de 1.000 horas de projetos entregues com sucesso para empresas das Américas, Europa e Ásia.

O que Você vai Aprender
Capítulo 1: Definição do Problema
O maior erro que você pode cometer na hora de iniciar um projeto. (Pág. 4)
Como encontrar o problema certo para resolver e não criar expectativas acima da realidade. (Pág. 7)

A melhor maneira de documentar o desenvolvimento dos modelos. (Pág. 16)

Capítulo 2: Preparação dos Dados
O perigo de usar dados históricos sem o devido cuidado. (Pág. 20)

Quais são os problemas que seus dados podem ter. (Pág. 24)

O que fazer quando estão faltando dados, eles têm valores absurdos ou duplicados. (Pág. 29)
Capítulo 3: Modelagem
Como definir qual é o alvo mais adequado para modelar, prever mais de um deles ao mesmo tempo e escolher a abordagem certa. (Pág. 39)
Porque small data é um problema maior que big data para a modelagem e o que fazer para solucionar. (Pág. 48)
Quatro maneiras de criar modelos diversificados para ensembles e como combiná-los. (Pág. 98)
Capítulo 4: Deploy
O que fazer ao terminar a modelagem para colocar o modelo para rodar em produção. (Pág. 107)
Como testar seu modelo afetando o mínimo possível de usuários. (Pág. 111)
Os cuidados que você deve tomar na hora de atualizar o modelo. (Pág. 115)
Capítulo 5: Monitoramento
O que você deve medir para saber se a solução foi implementada corretamente. (Pág. 117)
Quais são as métricas mais importantes nesse momento. (Pág. 121)