Escola Data Science

O início de sua carreira em Data Science pode acontecer por diversos caminhos, desde a profissionalização do uso do Excel, da organização e limpeza de dados de bases SQL e NoSQL até a aplicação de análise exploratória e estatística para obter insights com business intelligence. O último passo seria conseguir predizer comportamentos com machine learning e inteligência artificial.

Apesar de todos esses assuntos serem cobertos pelo guarda-chuva da ciência de dados, podemos dividi-los nessasgrandes áreas:

• Ciência de dados: é a responsável por trazer insights. Dado um conjunto de dados (o data set), como a geolocalização do comércio de um bairro, o que podemos concluir sobre a localização dos restaurantes com mais tempo de vida? Isso pode ser feito com dados em um arquivo do Excel, além de macros VBAs, mas normalmente estamos falando de uma grande quantidade de dados, a tal Big Data.

• Análise exploratória de dados: são os métodos usados para visualizar nossos dados ([data visualization](data visualization)) e começar a fazer perguntas, utilizando testes de hipótese.

• Machine Learning: é quando criamos modelos treinados para prever alguma ação, fazer uma previsão. Depois que conhecemos bem um dataset, esses modelos nascem para poder nos auxiliar em tomadas de decisão. Um exemplo: já sabemos onde estão os restaurantes com mais longo tempo de vida do nosso bairro, será possível desenvolver um modelo para predizer o tempo de vida de um restaurante em um novo ponto?

Aprendizado supervisionado e não supervisionado, redes neurais, regressões lineares e algoritmos genéticos são passos que aparecem mais a frente, junto com um entendimento essencial de estatística. Você pode ouvir o nosso podcast sobre data science para entender mais sobre a diferença entre todas essas opções!