Ciencia de dados |
||
|
Name |
DOWNLOAD Copy Link | |
|
Total Size |
26.8 GB |
|
|
Total Files |
327 |
|
|
Last Seen |
2024-10-03 00:48 |
|
|
Hash |
8D8A1E3E1928C5B3153BB16ACE7E17B33F146B32 |
|
/.../2. Apresentando os principais conceitos da aprendizagem não supervisionada/ |
|
|
|
248.1 MB |
|
/.../5. Como acessar a apostila/ |
|
|
|
19.8 MB |
|
/.../6. Como funciona a garantia/ |
|
|
|
20.4 MB |
|
/7. Suporte Hashtag/ |
|
|
|
39.1 MB |
|
/.../8. Como o curso está dividido/ |
|
|
|
153.1 MB |
|
/.../9. Grupo de Alunos Ciência de Dados Impressionador/ |
|
|
|
52.3 MB |
|
/.../1. Explicando a Ciência de Dados/ |
|
|
|
144.1 MB |
|
/.../2. Aplicações práticas de Ciência de Dados/ |
|
|
|
205.3 MB |
|
/.../3. A definição de Ciência de Dados/ |
|
|
|
114.0 MB |
|
/.../4. O que é Ciência de Dados#/ |
|
|
|
58.7 MB |
|
/.../5. O que eu quero responder#/ |
|
|
|
26.2 MB |
|
/.../6. Os pilares da Ciência de Dados/ |
|
|
|
93.9 MB |
|
/.../7. QUIZ 1 - O que é Ciência de Dados#/ |
|
|
|
4.2 MB |
|
/.../1. O que é Aprendizado de Máquinas (Machine Learning)#/ |
|
|
|
148.6 MB |
|
/.../10. Calculando a regressão linear com Scikit-Learn utilizando Preço Original e Desconto/ |
|
|
|
75.2 MB |
|
/.../11. Usando o sklearn.metrics para calcular os erros de cada um dos modelos/ |
|
|
|
73.6 MB |
|
/.../12. A descrição estatística do Pandas/ |
|
|
|
107.0 MB |
|
/.../13. A variância e o desvio padrão (medidas de dispersão)/ |
|
|
|
122.0 MB |
|
/.../14. Separatrizes# entendendo os quartis/ |
|
|
|
67.0 MB |
|
/.../2. O aprendizado de máquinas no Instagram/ |
|
|
|
124.4 MB |
|
/.../3. Explicando o Aprendizado de Máquinas/ |
|
|
|
100.8 MB |
|
/.../4. Caso Real# Uso do Aprendizado de Máquinas pelo Walmart/ |
|
|
|
87.1 MB |
|
/.../5. Como funciona um modelo de Aprendizado de Máquinas#/ |
|
|
|
76.0 MB |
|
/.../6. O erro no processo de aprendizado/ |
|
|
|
160.3 MB |
|
/.../7. O Aprendizado de Máquinas no Python/ |
|
|
|
97.0 MB |
|
/.../8. Regressão Linear no Scikit-Learn# importanto, tratando e entendendo os dados/ |
|
|
|
85.6 MB |
|
/.../9. Usando Regressão Linear do Scikit-Learn para calcular a Venda utilizando apenas o Preço/ |
|
|
|
73.3 MB |
|
/.../1. Os tipos de aprendizado de máquinas# aprendizado supervisionado e não supervisionado/ |
|
|
|
134.7 MB |
|
/.../2. Os tipos de aprendizado de máquinas# aprendizado semi supervisionado e por reforço/ |
|
|
|
91.4 MB |
|
/.../3. A diferença entre aprender e decorar/ |
|
|
|
109.1 MB |
|
/.../4. Considerações importantes para o Aprendizado de Máquinas/ |
|
|
|
136.9 MB |
|
/.../1. Entendendo e importando o dataset iris do scikit-learn/ |
|
|
|
68.2 MB |
|
/.../2. Tratando os dados do dataset e transformando em um DataFrame do pandas/ |
|
|
|
82.8 MB |
|
/.../3. Escolhendo visualmente quais colunas da base iremos usar no modelo/ |
|
|
|
73.7 MB |
|
/.../4. Criando uma reta capaz de separar os dados do modelo/ |
|
|
|
41.4 MB |
|
/.../5. Classificando um novo ponto usando o modelo visual que acabamos de criar/ |
|
|
|
51.9 MB |
|
/.../6. Criando uma função em Python para classificar um novo ponto no modelo/ |
|
|
|
75.0 MB |
|
/.../7. Entendendo o Perceptron e usando esse algoritmo nos nossos dados/ |
|
|
|
67.8 MB |
|
/.../8. Usando o Perceptron para criar um modelo de aprendizado de máquinas/ |
|
|
|
72.1 MB |
|
/.../1. Revisando a importação da base usando o pandas/ |
|
|
|
44.8 MB |
|
/.../10. Calculando acurácia, precisão e recall no Scikit-Learn (avaliando modelos de classificação)/ |
|
|
|
53.8 MB |
|
/.../11. Avaliando os dados de TREINO do modelo que criamos/ |
|
|
|
65.0 MB |
|
/.../12. Avaliando os dados de TESTE do modelo que criamos/ |
|
|
|
53.6 MB |
|
/.../13. Usando o train_test_split do Scikit-Learn para separar os dados em treino e teste/ |
|
|
|
83.7 MB |
|
/.../14. Usando o train_test_split e avaliando o modelo criado/ |
|
|
|
73.6 MB |
|
/.../15. Explicando o que é uma Árvore de Decisão/ |
|
|
|
91.1 MB |
|
/.../16. Entendendo a classificação dos dados utilizando a Árvore de Decisão/ |
|
|
|
113.8 MB |
|
/.../17. Importando e tratando os dados do projeto 3 (iris) para aplicarmos diferentes modelos de classificação/ |
|
|
|
87.4 MB |
|
/.../18. Separando em treino e teste e analisando os dados de TREINO/ |
|
|
|
46.5 MB |
|
/.../19. Traçando uma reta capaz de separar os dados de TREINO/ |
|
|
|
82.0 MB |
|
/.../2. Revisando a visualização do scatter plot com o matplotlib/ |
|
|
|
35.9 MB |
|
/.../20. Criando uma árvore de decisão capaz de separar os dados de TREINO/ |
|
|
|
45.1 MB |
|
/.../21. Avaliando os dados de TESTE para os dois modelos criados/ |
|
|
|
165.4 MB |
|
/.../3. Criando uma reta capaz de separar os dados em 2 classes diferentes/ |
|
|
|
69.6 MB |
|
/.../4. (Opcional) Entendendo a reta criada para classificar os pontos/ |
|
|
|
52.4 MB |
|
/.../5. Criando uma função que classfica os dados usando a reta gerada pelo scatter plot/ |
|
|
|
73.2 MB |
|
/.../6. Avaliando um modelo de classificação/ |
|
|
|
138.8 MB |
|
/.../7. A matriz de confusão para um modelo de classificação/ |
|
|
|
145.6 MB |
|
/.../8. Acurácia, precisão e recall em um modelo de classificação/ |
|
|
|
166.0 MB |
|
/.../9. Gerando a matriz de confusão no Scikit-Learn (avaliando modelos de classificação)/ |
|
|
|
84.1 MB |
|
/.../1. Explicando a Análise Exploratória e a base que vamos usar (dataset do Titanic)/ |
|
|
|
43.6 MB |
|
/.../10. Criando um mapa de calor da correlação entre as variáveis/ |
|
|
|
63.3 MB |
|
/.../11. Tratando valores vazios e outliers/ |
|
|
|
76.1 MB |
|
/.../12. O Pandas Profiling/ |
|
|
|
90.1 MB |
|
/.../13. (Opcional) Corrigindo o erro ao carregar o Pandas Profiling/ |
|
|
|
24.0 MB |
|
/.../14. Apresentando sua análise exploratória de forma executiva/ |
|
|
|
111.9 MB |
|
/.../2. Importando e entendendo a base do Titanic/ |
|
|
|
62.3 MB |
|
/.../3. Analisando as informações da base e o resumo estatístico/ |
|
|
|
67.1 MB |
|
/.../4. Entendendo a cardinalidade de uma base/ |
|
|
|
89.9 MB |
|
/.../5. Visualizando os dados de forma gráfica/ |
|
|
|
59.5 MB |
|
/.../6. Gerando um boxplot usando o matplotlib/ |
|
|
|
55.1 MB |
|
/7. Interpretando o boxplot/ |
|
|
|
62.1 MB |
|
/.../8. Outras opções de gráficos/ |
|
|
|
58.2 MB |
|
/.../9. Correlação entre as variáveis e o KDE (Kernel Density Estimation)/ |
|
|
|
81.4 MB |
|
/.../1. Apresentando a documentação do Scikit-Learn/ |
|
|
|
151.3 MB |
|
/.../10. Classificação no Scikit-Learn# adicionando novos algoritmos (Regressão Logística) e melhorando o resultado do Perceptron/ |
|
|
|
76.7 MB |
|
/.../11. A equação da reta/ |
|
|
|
201.2 MB |
|
/.../12. Entendendo a regressão linear/ |
|
|
|
79.7 MB |
|
/.../13. O erro na regressão linear/ |
|
|
|
87.9 MB |
|
/.../14. A regressão linear no Scikit-Learn/ |
|
|
|
71.3 MB |
|
/.../15. Regressão no Scikit-Learn# explicando o problema e importando a base/ |
|
|
|
77.3 MB |
|
/.../16. Regressão no Scikit-Learn# utilizando regressão linear simples para prever o volume de ações/ |
|
|
|
42.5 MB |
|
/.../17. Regressão no Scikit-Learn# utilizando regressão linear múltipla/ |
|
|
|
127.2 MB |
|
/.../18. Regressão no Scikit-Learn# tratando a variável de data e utilizando no modelo/ |
|
|
|
60.5 MB |
|
/.../2. Importando o dataset iris do Scikit-Learn e transformando em um DataFrame do pandas/ |
|
|
|
71.6 MB |
|
/.../3. O Perceptron no Scikit-Learn/ |
|
|
|
61.6 MB |
|
/.../4. Entendendo o resultado gerado pelo perceptron/ |
|
|
|
60.4 MB |
|
/.../5. A árvore de decisão no Scikit-Learn/ |
|
|
|
69.4 MB |
|
/.../6. Classificação no Scikit-Learn# entendendo o dataset e criando os classificadores/ |
|
|
|
31.7 MB |
|
/.../7. Classificação no Scikit-Learn# Avaliando erros de classificação/ |
|
|
|
94.9 MB |
|
/.../8. (Opcional) O average no precision_score/ |
|
|
|
98.3 MB |
|
/.../9. Classificação no Scikit-Learn# separando os dados em treino e teste e avaliando o modelo/ |
|
|
|
53.9 MB |
|
/.../1. Explicando o projeto e importando a base de casas da Califórnia/ |
|
|
|
113.2 MB |
|
/.../10. A Regressão Linear Múltipla/ |
|
|
|
53.7 MB |
|
/.../11. Utilizando o for para escolher o melhor par de variáveis na Regressão Linear Múltipla/ |
|
|
|
69.0 MB |
|
/.../12. Utilizando Árvore de Regressão e Support Vector Regression nos dados/ |
|
|
|
56.0 MB |
|
/.../13. Concluindo o projeto e visualizando os resultados de forma gráfica/ |
|
|
|
98.1 MB |
|
/.../2. Visualizando os dados de maneira gráfica/ |
|
|
|
66.9 MB |
|
/.../3. Entendendo a base, verificando valores duplicados e tratando outliers/ |
|
|
|
58.0 MB |
|
/.../4. Separando a base em treino e teste e usando Regressão Linear Simples/ |
|
|
|
80.7 MB |
|
/.../5. Utilizando o for para fazer a regressão de todas as colunas da base/ |
|
|
|
29.4 MB |
|
/.../6. Entendendo o coeficiente de determinação (r quadrado)/ |
|
|
|
91.6 MB |
|
/.../7. Métricas de erro para regressão/ |
|
|
|
151.3 MB |
|
/.../8. Avaliando o erro na regressão com Scikit-Learn/ |
|
|
|
96.3 MB |
|
/.../9. Avaliando os erros do nosso modelo e escolhendo o melhor modelo de Regressão Linear Simples/ |
|
|
|
33.5 MB |
|
/1. Apresentando o sqlite3/ |
|
|
|
73.4 MB |
|
/.../10. Utilizando subquery no SQL/ |
|
|
|
53.2 MB |
|
/.../11. Outros filtros no SQL (IN e LIKE)/ |
|
|
|
63.9 MB |
|
/.../12. Bases de dados com mais de 1 tabela/ |
|
|
|
72.8 MB |
|
/.../13. Revisando o merge do pandas/ |
|
|
|
97.5 MB |
|
/.../14. Unindo duas bases no SQL utilizando o JOIN/ |
|
|
|
92.8 MB |
|
/.../15. O UNION e o FULL JOIN no SQL/ |
|
|
|
92.9 MB |
|
/.../2. Transformando dados do SQL em um DataFrame do pandas/ |
|
|
|
82.2 MB |
|
/.../3. Selecionando (SELECT) dados de um banco de dados com SQL/ |
|
|
|
105.7 MB |
|
/.../4. Utilizando o WHERE para filtrar a nossa tabela/ |
|
|
|
159.1 MB |
|
/.../5. (Opcional) Revisando o SELECT utilizando o sqlite3/ |
|
|
|
71.0 MB |
|
/.../6. (Opcional) Revisando o SELECT DISTINCT e o WHERE (AND, OR e NOT)/ |
|
|
|
90.8 MB |
|
/.../7. Utilizando o GROUP BY e o ORDER BY no SQL/ |
|
|
|
94.0 MB |
|
/.../LIMIT e usando o HAVING para filtrar a tabela/ |
|
|
|
110.0 MB |
|
/.../9. Definindo condicionais no SQL com o CASE/ |
|
|
|
78.6 MB |
|
/.../1. Apresentando a base de dados que vamos utilizar nesse módulo/ |
|
|
|
62.2 MB |
|
/.../10. (Opcional) Inserindo dados em uma tabela utilizando o to_sql e o INSERT/ |
|
|
|
62.5 MB |
|
/.../11. (Opcional) Atualizando e deletando registros em uma tabela utilizando UPDATE e DELETE/ |
|
|
|
79.5 MB |
|
/.../12. Usando a biblioteca os para visualizar os arquivos que iremos transformar em tabelas/ |
|
|
|
44.7 MB |
|
/.../13. Criando um banco de dados e a nossa primeira tabela/ |
|
|
|
50.0 MB |
|
/.../14. Adicionando todos os arquivos da pasta como tabelas no banco de dados/ |
|
|
|
123.7 MB |
|
/.../15. Ajustando as colunas de datas e usando o if_exists para substituir tabelas em uma banco/ |
|
|
|
84.5 MB |
|
/.../16. Criando uma função para automatizar as consultas no nosso banco de dados/ |
|
|
|
119.9 MB |
|
/.../17. Apresentando o banco de dados de vendas/ |
|
|
|
112.8 MB |
|
/.../18. Exercício# Melhorando a satisfação do cliente/ |
|
|
|
37.9 MB |
|
/.../19. Criando uma história com seus dados/ |
|
|
|
142.4 MB |
|
/.../2. Usando a biblioteca os para buscar os arquivos da nossa base de dados/ |
|
|
|
72.1 MB |
|
/.../20. Dicas para uma boa apresentação de dados/ |
|
|
|
155.0 MB |
|
/.../21. A estrutura de uma história/ |
|
|
|
236.1 MB |
|
/.../22. Resolução - O problema realmente existe# Conectando ao banco e começando a analisar a tabela de pedidos/ |
|
|
|
85.5 MB |
|
/.../23. Resolução - Tratando as colunas de data que estão como texto (usando o to_datetime do pandas)/ |
|
|
|
64.4 MB |
|
/.../24. Resolução - Calculando o atraso na entrega e verificando a média de atraso utilizando o datetime/ |
|
|
|
84.1 MB |
|
/.../25. Resolução - Utilizando o to_period para calcular a média do atraso em cada um dos meses/ |
|
|
|
107.7 MB |
|
/.../26. Resolução - Analisando o máximo e mínimo do atraso e visualizando graficamente utilizando o matplotlib/ |
|
|
|
57.5 MB |
|
/.../27. Resolução - Criando uma função para contar o número de pedidos atrasados (usando apply e lambda function)/ |
|
|
|
108.5 MB |
|
/.../28. (Opcional) Formatando o gráfico de pedidos atrasados no matplotlib/ |
|
|
|
189.1 MB |
|
/.../29. Resolução - Relação da avaliação com o atraso (Analisando a tabela de avaliações e a tabela de pedidos)/ |
|
|
|
76.2 MB |
|
/.../3. Importando todas as bases de dados para o pandas/ |
|
|
|
125.6 MB |
|
/.../30. Resolução - Entendendo a relação entre a tabela de pedidos e a de avaliações (pedidos sem avaliação e pedidos com mais de uma avaliação)/ |
|
|
|
119.0 MB |
|
/.../31. Resolução - Avaliando a média e o máximo das notas para pedidos com mais de uma avaliação/ |
|
|
|
94.7 MB |
|
/.../32. Resolução - Finalizando o tratamento da base e analisando o impacto de utilizar o máximo ao invés da média das notas para pedidos com mais de uma avaliação/ |
|
|
|
83.2 MB |
|
/.../33. Resolução - Entendendo a relação entre o atraso e a avaliação dos clientes/ |
|
|
|
90.8 MB |
|
/.../34. Resolução - Calculando a média da avaliação por cada período de atraso e apresentando graficamente essa informação/ |
|
|
|
123.6 MB |
|
/.../35. (Opcional) Formatando o gráfico de atraso no pedido x avaliação/ |
|
|
|
167.8 MB |
|
/.../36. Resolução - Avaliando os comentários de pedidos atrasados/ |
|
|
|
68.2 MB |
|
/.../37. Resolução - Usando o wordcloud para verificar as palavras mais frequentes nas reclamações/ |
|
|
|
91.9 MB |
|
/.../38. Resolução - Melhorando a núvem de palavras (wordcloud) e criando uma núvem de frases/ |
|
|
|
68.2 MB |
|
/.../39. Criando uma história com os dados gerados na nossa análise/ |
|
|
|
194.0 MB |
|
/.../4. Analisando a base de ordens, itens e pagamentos para iniciar o entendimento dos dados/ |
|
|
|
86.5 MB |
|
/.../5. Utilizando o groupby do pandas para analisar as ordens com mais de 1 item/ |
|
|
|
122.5 MB |
|
/.../6. Fazendo o pivot (pivotando) da tabela para analisar diferentes itens na mesma ordem/ |
|
|
|
111.6 MB |
|
/.../7. Finalizando o entendimento da base analisando pagamentos, vendedores e review/ |
|
|
|
133.8 MB |
|
/.../8. (Opcional) Criando um banco de dados utilizando a documentação do sqlite3/ |
|
|
|
87.6 MB |
|
/.../9. (Opcional) Criando uma tabela utilizando um DataFrame do pandas/ |
|
|
|
62.9 MB |
|
/.../1. Mostrando a base desse módulo e apresentando o Kaggle e a sua importância para nossos projetos de ciência de dados/ |
|
|
|
71.3 MB |
|
/.../10. Explicando o RandomOverSampler do imblearn/ |
|
|
|
76.8 MB |
|
/.../11. Usando o shrinkage do RandomOverSampler e visualizando graficamente os novos dados/ |
|
|
|
59.4 MB |
|
/.../12. Utilizando SMOTE e ADASYM para realizar o oversampling/ |
|
|
|
58.6 MB |
|
/.../13. Realizando o undersampling com o RandomUnderSampler na base de transações e analisando a acurácia e o recall/ |
|
|
|
113.9 MB |
|
/.../14. Fazendo o oversampling com o RandomOverSampler para essa mesma base e comparando os resultados/ |
|
|
|
55.3 MB |
|
/.../15. Utilizando o ClusterCentroids e o NearMiss para o undersampling para o modelo de classificação de fraude/ |
|
|
|
101.8 MB |
|
/.../16. Utilizando SMOTE e ADASYM para o oversampling e testando combinar os métodos para o modelo de classificação de fraude/ |
|
|
|
61.2 MB |
|
/.../17. Revisando as métricas de avaliação para modelos de classificação/ |
|
|
|
108.3 MB |
|
/.../18. Explicando a curva ROC/ |
|
|
|
87.6 MB |
|
/.../19. Traçando a curva ROC utilizando a árvore de decisão para um classificador perfeito/ |
|
|
|
73.1 MB |
|
/.../2. Entendendo a base de transações e analisando a relação entre fraude e não fraude/ |
|
|
|
85.8 MB |
|
/.../20. Comparando a curva ROC da árvore de decisão com a da regressão logísitca/ |
|
|
|
148.8 MB |
|
/.../21. Explicando a curva de precisão x recall/ |
|
|
|
54.3 MB |
|
/.../22. (Opcional) Visualizando graficamente como as curvas ROC e precisão x recall são geradas/ |
|
|
|
107.4 MB |
|
/.../23. Criando diferentes modelos para classificar nossos pontos (Regressão Logística, KNN, SVM, Random Forest)/ |
|
|
|
139.5 MB |
|
/.../24. Usando a área abaixo da curva de precisão x recall e comparando os diferentes modelos/ |
|
|
|
137.5 MB |
|
/.../25. Melhorando a escala dos dados e selecionando os melhores modelos para classificar os dados/ |
|
|
|
129.5 MB |
|
/.../26. Selecionando os melhores hiperparâmetros para o modelo de Regressão Logística/ |
|
|
|
101.2 MB |
|
/.../27. (Opcional) Criando manualmente um código para testar diferentes hiperparâmetros no modelo/ |
|
|
|
145.7 MB |
|
/.../28. Usando o GridSearchCV para selecionar os melhores hiperparâmetros para a Regressão Logística/ |
|
|
|
140.7 MB |
|
/.../29. Usando o GridSearchCV para o Support Vector Classifier (SVC#/SVM)/ |
|
|
|
99.3 MB |
|
/.../3. Criando um modelo de classificação de fraude usando a base desbalanceada e analisando a acurácia, precisão e recall desse modelo/ |
|
|
|
145.6 MB |
|
/.../30. Usando o GridSearchCV para o Random Forest/ |
|
|
|
78.4 MB |
|
/.../31. (Opcional) Usando o GridSearchCV para o KNN/ |
|
|
|
56.6 MB |
|
/.../32. (Opcional) Revisando tudo que fizemos até agora/ |
|
|
|
58.8 MB |
|
/.../33. Testando novas melhorias no modelo# Adicionando novos parâmetros no GridSearchCV da Regressão Logística/ |
|
|
|
72.0 MB |
|
/.../34. Testando novas melhorias no modelo# Testando outras formas de realizar o undersampling/ |
|
|
|
85.9 MB |
|
/.../35. Testando novas melhorias no modelo# Mudando o scoring do GridSearchCV e discutindo sobre o oversampling/ |
|
|
|
115.5 MB |
|
/.../4. Apresentando o imbalanced-learn e utilizando o undersampling e o oversampling para os nossos dados de crédito/ |
|
|
|
92.3 MB |
|
/.../5. (Opcional) Importando e visualizando a base de transações/ |
|
|
|
30.0 MB |
|
/.../6. Revisando o undersampling e o oversampling do imbalanced-learn e visualizando de forma gráfica as novas bases geradas/ |
|
|
|
90.8 MB |
|
/.../7. Explicando o RandomUnderSampler do imblearn/ |
|
|
|
97.5 MB |
|
/.../8. Apresentando de forma visual o funcionamento do RandomUnderSampling/ |
|
|
|
46.7 MB |
|
/.../9. Utilizando o ClusterCentroids e o NearMiss para realizar o undersampling/ |
|
|
|
90.7 MB |
|
/.../1. O que é ser um cientista#/ |
|
|
|
36.9 MB |
|
/.../2. Uma framework para Ciência de Dados (Parte 1)/ |
|
|
|
115.2 MB |
|
/.../3. Uma framework para Ciência de Dados (Parte 2)/ |
|
|
|
78.5 MB |
|
/.../4. Resumindo ciência de dados/ |
|
|
|
24.4 MB |
|
/.../5. Python como ferramenta de Data Science/ |
|
|
|
95.2 MB |
|
/.../6. O mercado de trabalho para um Cientista de Dados/ |
|
|
|
86.9 MB |
|
/.../7. QUIZ 2 - Introdução a Ciência de Dados/ |
|
|
|
1.7 MB |
|
/.../1. Criando um modelo de Regressão Linear passo a passo/ |
|
|
|
72.4 MB |
|
|
0.1 KB |
|
/.../10. Criando uma tela para o usuário utilizar o nosso modelo com o Streamlit/ |
|
|
|
37.9 MB |
|
/.../11. (Opcional) Explicando o predict/ |
|
|
|
43.6 MB |
|
/.../2. Persistindo o modelo (usando o dump e load do joblib)/ |
|
|
|
64.1 MB |
|
/.../3. (Opcional) Utilizando o modelo nos mesmos dados para provar que temos exatamente o mesmo modelo/ |
|
|
|
46.5 MB |
|
/.../4. Utilizando o modelo criado em dados de produção/ |
|
|
|
67.8 MB |
|
/.../5. Colocando nosso modelo em produção utilizando um arquivo do Jupyter Notebook/ |
|
|
|
72.1 MB |
|
/.../6. Utilizando um arquivo .py para colocar o modelo em produção/ |
|
|
|
24.9 MB |
|
/.../7. Criando um executável para realizar a previsão utilizando o modelo criado/ |
|
|
|
97.2 MB |
|
/.../8. Apresentando o Streamlit para criarmos uma tela para o usuário acessar o modelo/ |
|
|
|
43.6 MB |
|
/.../9. Criando campos de entrada para os valores numéricos de preço e desconto e o botão de #PREVER##/ |
|
|
|
41.0 MB |
|
/.../1. Explicando a importância da limpeza dos dados e importando a base/ |
|
|
|
50.4 MB |
|
/.../2. Buscando na base por valores nulos e linhas duplicadas/ |
|
|
|
58.5 MB |
|
/.../3. Procurando na base alguns problemas que podem ter sido gerados por erros humanos/ |
|
|
|
62.4 MB |
|
/.../4. Quanto tempo demora pra fazer o curso/ |
|
|
|
80.8 MB |
|
/.../1. Explicando esse módulo/ |
|
|
|
30.3 MB |
|
/3. Python Básico/10. Comparadores/ |
|
|
|
32.2 MB |
|
/.../11. And e Or/ |
|
|
|
62.8 MB |
|
/.../12. Índice e Tamanho de String/ |
|
|
|
20.5 MB |
|
/.../13. Índice Negativo e Pedaço de String/ |
|
|
|
52.9 MB |
|
/.../14. Métodos de String - Apresentação/ |
|
|
|
82.4 MB |
|
/.../15. Listas em Python/ |
|
|
|
23.8 MB |
|
/.../16. Índices em Lista, Consultando e Modificando Valores/ |
|
|
|
48.4 MB |
|
/.../17. Estrutura de Repetição For/ |
|
|
|
45.0 MB |
|
/.../18. For each - Percorrer cada item de uma lista/ |
|
|
|
30.5 MB |
|
/.../19. For e If/ |
|
|
|
43.6 MB |
|
/.../2. Instalando o Python no Windows/ |
|
|
|
34.9 MB |
|
/.../20. Estrutura While/ |
|
|
|
55.9 MB |
|
/.../21. Loop Infinito no While/ |
|
|
|
64.2 MB |
|
/3. Python Básico/22. Tuplas/ |
|
|
|
30.7 MB |
|
/.../23. Unpacking em Tuplas/ |
|
|
|
53.5 MB |
|
/.../24. Dicionários em Python/ |
|
|
|
49.7 MB |
|
/.../25. Pegar item Dicionário e Verificar Item Dicionário/ |
|
|
|
61.6 MB |
|
/3. Python Básico/26. Range/ |
|
|
|
58.1 MB |
|
/.../27. Functions no Python/ |
|
|
|
41.6 MB |
|
/.../28. Retornar um valor na Function/ |
|
|
|
43.4 MB |
|
/.../29. Argumentos e Parâmetros numa Function/ |
|
|
|
42.7 MB |
|
/.../3. Problemas na Instalação - Resolvido/ |
|
|
|
99.6 MB |
|
/.../30. (Opcional) Aplicação em um Exemplo de argumento/ |
|
|
|
73.5 MB |
|
/.../31. O que são Módulos e qual a importância/ |
|
|
|
50.9 MB |
|
/.../32. Alterações Incrementais de Variáveis (Importante)/ |
|
|
|
53.9 MB |
|
/.../33. QUIZ 3 - Python Básico/ |
|
|
|
2.7 MB |
|
/.../4. Mac, Linux e Google Colab/ |
|
|
|
21.5 MB |
|
/.../5. Criando seu Primeiro Programa/ |
|
|
|
43.1 MB |
|
/3. Python Básico/6. Variáveis/ |
|
|
|
21.2 MB |
|
/.../7. Tipos de Variáveis/ |
|
|
|
41.2 MB |
|
/.../8. Estrutura do if - Condições no Python/ |
|
|
|
71.3 MB |
|
/3. Python Básico/9. Elif/ |
|
|
|
48.6 MB |
|
/.../1. Apresentando as bibliotecas NumPy e Pandas/ |
|
|
|
78.7 MB |
|
/.../10. Realizando operações com arrays (soma, média, mediana, potência, etc)/ |
|
|
|
77.5 MB |
|
/.../11. (Opcional) Entendendo a documentação do Pandas/ |
|
|
|
188.3 MB |
|
/.../12. Introdução ao Pandas# Importando e visualizando uma base/ |
|
|
|
44.9 MB |
|
/.../13. Introdução ao Pandas# DataFrame e Series/ |
|
|
|
34.0 MB |
|
/.../14. Introdução ao Pandas# tipos de dados, valores nulos e seleção de colunas/ |
|
|
|
58.5 MB |
|
/.../15. Introdução ao Pandas# informações estatísticas e filtros na base/ |
|
|
|
85.4 MB |
|
/.../16. Introdução ao Pandas# criando gráficos/ |
|
|
|
41.2 MB |
|
/.../17. QUIZ 4 - Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/ |
|
|
|
2.4 MB |
|
/.../2. Comparando o Pandas com o Excel/ |
|
|
|
143.3 MB |
|
/.../3. Comparando o Pandas com o Excel NA PRÁTICA (Parte 1)/ |
|
|
|
112.1 MB |
|
/.../4. Comparando o Pandas com o Excel NA PRÁTICA (Parte 2)/ |
|
|
|
143.3 MB |
|
/.../5. Apresentando o NumPy e explicando o que é um array (diferença entre arrays e listas)/ |
|
|
|
79.5 MB |
|
/.../6. Entendendo a importância do array (comparando arrays e listas em operações matemáticas)/ |
|
|
|
97.5 MB |
|
/.../7. As propriedades de um array/ |
|
|
|
96.1 MB |
|
/.../8. Criando nossos próprios arrays (np.array, np.arange, np.linspace)/ |
|
|
|
83.7 MB |
|
/.../9. Buscando elementos e filtrando valores em um array/ |
|
|
|
53.9 MB |
|
/1. Explicando o projeto/ |
|
|
|
30.1 MB |
|
/.../2. Importando e tratando a base com Pandas/ |
|
|
|
79.1 MB |
|
/.../3. Tratando valores nulos da coluna Carrossel/ |
|
|
|
39.9 MB |
|
/.../4. Analisando informações estatísticas e as 5 melhores#/5 piores publicações/ |
|
|
|
79.7 MB |
|
|
79.7 MB |
|
/.../5. O group by (groupby) no pandas e a análise do engajamento/ |
|
|
|
156.1 MB |
|
/.../6. Analisando Tags# Separando valores de uma coluna em linhas diferentes (split e explode)/ |
|
|
|
64.2 MB |
|
/.../7. Analisando Tags# Analisando o engajamento por Tags/ |
|
|
|
67.1 MB |
|
/.../8. Analisando Tags# Finalizando a análise da nossa base (analisando tag, pessoas e campanhas)/ |
|
|
|
45.3 MB |
|
/.../1. Introdução a Estatística e Estatística Descritiva/ |
|
|
|
93.5 MB |
|
/.../2. Tabela de frequência e histograma/ |
|
|
|
100.9 MB |
|
/.../3. Entendendo o conceito da média/ |
|
|
|
113.6 MB |
|
/.../4. Mediana e sua relação com a média/ |
|
|
|
77.3 MB |
|
/.../5. Usando Python para entender a relação entre média e mediana/ |
|
|
|
119.6 MB |
|
/.../6. Média, mediana e moda/ |
|
|
|
100.2 MB |
|
/.../7. Entendendo de forma prática a relação entre média, mediana e moda/ |
|
|
|
184.3 MB |
|
/.../8. QUIZ 5 - Introdução a Estatística/ |
|
|
|
2.2 MB |
|
/1. Apresentando o Matplotlib/ |
|
|
|
64.2 MB |
|
/.../10. (Opcional) Revisando o datetime e o astype/ |
|
|
|
114.6 MB |
|
/.../11. (Opcional) Adicionando rótulo para as cores de um scatter plot/ |
|
|
|
75.8 MB |
|
/.../2. Introdução ao Matplotlib/ |
|
|
|
52.8 MB |
|
/.../3. Usando a documentação para criar nosso primeiro gráfico (gráfico de linha)/ |
|
|
|
65.3 MB |
|
/.../4. (Opcional) Entendendo a documentação do Matplotlib/ |
|
|
|
130.7 MB |
|
/.../5. Usando gráficos (de linha) para entender os dados (máximo, mínimo e média mensal de curtidas)/ |
|
|
|
88.2 MB |
|
/.../6. Filtrando a base usando o contains (e fillna para tratar valores vazios)/ |
|
|
|
67.0 MB |
|
/.../7. Criando e ajustando o visual (rotacionando o eixo x) de um gráfico de barras/ |
|
|
|
51.2 MB |
|
/.../8. Usando o annotate para adicionar rótulos de dados no gráfico/ |
|
|
|
83.0 MB |
|
/.../9. Criando um scatter plot usando apenas a documentação/ |
|
|
|
41.2 MB |
|
/.../1. Introdução aos conceitos básicos de apresentação de dados/ |
|
|
|
117.7 MB |
|
/.../10. Boas práticas de visualização no Python# Separando em dois gráficos e alterando o tipo de gráfico/ |
|
|
|
60.6 MB |
|
/.../11. Boas práticas de visualização no Python# Ajustando as barras e adicionando rótulo de dados nos gráficos de barra e de linha/ |
|
|
|
88.5 MB |
|
/.../12. Boas práticas de visualização no Python# Melhorando o visual do gráfico de linhas e separando realizado x projetado/ |
|
|
|
66.6 MB |
|
/.../2. Reduzindo o esforço para entender sua apresentação (eixo Y começando no zero e eixos secundários)/ |
|
|
|
205.1 MB |
|
/.../3. Melhorando o seu visual (Proximidade e Similaridade)/ |
|
|
|
204.6 MB |
|
/.../4. Melhorando o seu visual (Acercamento, Fechamento, Continuidade e Conexão)/ |
|
|
|
210.8 MB |
|
/.../5. Contraste e atributos pré-atentivos/ |
|
|
|
179.7 MB |
|
/.../6. Visualização de dados no Python# Passo a passo para melhorar seus visuais no matplotlib/ |
|
|
|
48.1 MB |
|
/.../7. Visualização de dados no Python# Ajustando o plot e colocando barras lado a lado em um gráfico de barras/ |
|
|
|
49.2 MB |
|
/.../8. Visualização de dados no Python# Adicionando rótulo nos dados (annotate)/ |
|
|
|
61.6 MB |
|
/.../9. Visualização de dados no Python# Retirando as bordas, ajustando os eixos e separando realizado x projetado/ |
|
|
|
82.4 MB |
|
/1. Apresentando o projeto/ |
|
|
|
43.2 MB |
|
/.../10. Adicionando todos os anos no gráfico de barras e colocando rótulo nos dados/ |
|
|
|
72.9 MB |
|
/.../11. Mudando os rótulos do eixo x e finalizando o visual da venda por mês/ |
|
|
|
62.1 MB |
|
/.../12. Respondendo qual foi a categoria mais vendida/ |
|
|
|
121.0 MB |
|
/.../13. Criando um gráfico de barras horizontais para o top N itens/ |
|
|
|
104.7 MB |
|
/.../14. Usando o merge para unir 2 bases no pandas/ |
|
|
|
64.1 MB |
|
/.../15. Usando o merge para criar a relação de top N itens pelos anos/ |
|
|
|
63.9 MB |
|
/.../16. Criando o gráfico de barras horizontais do top N itens pelos anos/ |
|
|
|
119.6 MB |
|
/.../17. Concluindo o projeto e respondendo as informações do negócio/ |
|
|
|
61.9 MB |
|
/.../18. Apresentando as informações em um PowerPoint/ |
|
|
|
86.3 MB |
|
/.../19. Corrigindo o erro na transformação da data/ |
|
|
|
62.5 MB |
|
/.../2. Importando e analisando a base/ |
|
|
|
88.5 MB |
|
/.../caíram as vendas/ |
|
|
|
180.4 MB |
|
/.../3. Tratando valores vazios/ |
|
|
|
43.3 MB |
|
/.../4. Usando o datetime para tratar datas/ |
|
|
|
65.1 MB |
|
/.../5. Criando um gráfico de barras no matplotlib/ |
|
|
|
60.0 MB |
|
/.../6. Adicionando título no gráfico e ajustando o eixo x/ |
|
|
|
48.8 MB |
|
/.../7. Adicionando e formatando rótulo de dados, ajustando o eixo y e retirando bordas/ |
|
|
|
73.2 MB |
|
/.../8. Vendas por mês e transformando índices em colunas com o reset_index/ |
|
|
|
47.1 MB |
|
/.../9. Entendendo o deslocamento das barras em um gráfico de barras horizontais/ |
|
|
|
68.3 MB |
|
Total files 327 |
|
Copyright © 2024 FileMood.com