Índice

1. 1. O que é Ciência de Dados?
   • 1.1. Introdução
     • 1.1.1. Ferramentas Computacionais
     • 1.1.2. Técnicas Estatísticas
   • 1.2. Por que Ciência de Dados?
   • 1.3. Traçando os Clássicos
     • 1.3.1. Personagens Literários
     • 1.3.2. Outro Tipo de Personagem
2. 2. Causalidade e Experimentos
   • 2.1. John Snow e a Bomba da Broad Street
   • 2.2. O “Grande Experimento” de Snow
   • 2.3. Estabelecendo Causalidade
   • 2.4. Randomização
   • 2.5. Notas Finais
3. 3. Progamando em Python
   • 3.1. Expressões
   • 3.2. Nomes
     • 3.2.1. Exemplo: Taxas de Crescimento
   • 3.3. Chamadas
   • 3.4. Introdução às Tabelas
4. 4. Tipos de Dados
   • 4.1. Números
   • 4.2. Strings
     • 4.2.1. Métodos de Strings
   • 4.3. Comparações
5. 5. Sequências
   • 5.1. Arrays
   • 5.2. Ranges
   • 5.3. Mais sobre Arrays
6. 6. Tabelas
   • 6.1. Ordenando Linhas
   • 6.2. Selecionando Linhas
   • 6.3. Exemplo: Tendências Populacionais
   • 6.4. Examplo: Proporções de Sexos
7. 7. Visualização
   • 7.1. Visualizando Distribuições
     Categóricas
   • 7.2. Visualizando Distribuições Numéricas
   • 7.3. Gráficos Sobrepostos
8. 8. Funções e Tabelas
   • 8.1. Aplicando Função a uma Coluna
   • 8.2. Classificando por uma Variável
   • 8.3. Classificação Cruzada
   • 8.4. Unindo Tabelas por Colunas
   • 8.5. Compartilhamento de Bicicletas
9. 9. Aleatoriedade
   • 9.1. Declarações Condicionais
   • 9.2. Iteração
   • 9.3. Simulação
   • 9.4. O Problema de Monty Hall
   • 9.5. Encontrando Probabilidades
10. 10. Amostragem e Distribuições Empíricas
    • 10.1. Distribuições Empíricas
    • 10.2. Amostragem de uma População
    • 10.3. Distribuição Empírica de uma
      Estatística
    • 10.4. Amostragem Aleatória em Python
11. 11. Testando Hipóteses
    • 11.1. Avaliando um Modelo
    • 11.2. Múltiplas Categorias
    • 11.3. Decisões e Incertezas
    • 11.4. Probabilidades de Erro
12. 12. Comparando Duas Amostras
    • 12.1. Teste A/B
    • 12.2. Causalidade
    • 12.3. Esvaziar
13. 13. Estimação
    • 13.1. Percentis
    • 13.2. O Bootstrap
    • 13.3. Intervalos de Confiança
    • 13.4. Usando Intervalos de Confiança
14. 14. Por que a Média é Importante
    • 14.1. Propriedades da Média
    • 14.2. Variabilidade
    • 14.3. O DP e a Curva Normal
    • 14.4. Teorema Central do Limite
    • 14.5. Variabilidade da Média da Amostra
    • 14.6. Escolhendo um Tamanho de Amostra
15. 15. Previsão
    • 15.1. Correlação
    • 15.2. Linha de Regressão
    • 15.3. Método dos Mínimos Quadrados
    • 15.4. Regressão de Mínimos Quadrados
    • 15.5. Diagnósticos Visuais
    • 15.6. Diagnóstico Numérico

Introdução

Os dados são descrições do mundo que nos rodeia, recolhidos através da observação e armazenados em computadores. Os computadores permitem-nos inferir propriedades do mundo a partir destas descrições. Ciência de dados é a disciplina que tira conclusões de dados usando computação. Existem três aspectos principais da análise de dados eficaz: exploração, predição e inferência. Este texto desenvolve uma abordagem consistente para todos os três, introduzindo ideias estatísticas e ideias fundamentais na ciência da computação simultaneamente. Nós nos concentramos em um conjunto mínimo de técnicas básicas que podem ser aplicadas a uma vasta gama de aplicações do mundo real. Uma base em ciência de dados requer não apenas a compreensão de técnicas estatísticas e computacionais, mas também o reconhecimento de como elas se aplicam a cenários reais.

Para qualquer aspecto do mundo que desejemos estudar – seja o clima da Terra, os mercados mundiais, as pesquisas políticas ou a mente humana – os dados que coletamos normalmente oferecem uma descrição incompleta do assunto em questão. Um desafio central da ciência de dados é tirar conclusões confiáveis ​​usando essas informações parciais.

Nesta empreitada, combinaremos duas ferramentas essenciais: computação e randomização. Por exemplo, podemos querer compreender as tendências das alterações climáticas utilizando observações de temperatura. Os computadores nos permitirão usar todas as informações disponíveis para tirar conclusões. Em vez de nos concentrarmos apenas na temperatura média de uma região, consideraremos toda a gama de temperaturas em conjunto para construir uma análise mais matizada. A aleatoriedade nos permitirá considerar as muitas maneiras diferentes pelas quais informações incompletas podem ser completadas. Em vez de assumir que as temperaturas variam de uma forma particular, aprenderemos a usar a aleatoriedade como forma de imaginar muitos cenários possíveis, todos consistentes com os dados que observamos.

Aplicar esta abordagem requer aprender a programar um computador e, portanto, este texto intercala uma introdução completa à programação que não pressupõe nenhum conhecimento prévio. Os leitores com experiência em programação descobrirão que cobrimos vários tópicos de computação que não aparecem em um currículo introdutório típico de ciência da computação. A ciência de dados também exige um raciocínio cuidadoso sobre quantidades numéricas, mas este texto não pressupõe qualquer formação em matemática ou estatística além da álgebra básica. Você encontrará muito poucas equações neste texto. Em vez disso, as técnicas são descritas aos leitores na mesma linguagem em que são descritas aos computadores que as executam – uma linguagem de programação.