MLD101 · O fluxo de trabalho em ciência de dados e a definição do problema
Sobre o curso
Entenda como os projetos de ciência de dados funcionam de verdade, de uma pergunta de negócio vaga até um problema bem definido, com alvo, decisão, métrica e referência.
Para quem é
Analistas, gestores e iniciantes que querem iniciar ou patrocinar trabalhos de ciência de dados que respondam a perguntas reais do negócio.
Pré-requisitos
Não é preciso programar; familiaridade com planilhas ajuda.
O que você será capaz de fazer
- Descrever cada fase do fluxo CRISP-DM e o que ela produz
- Transformar uma pergunta de negócio em um problema de ciência de dados com alvo, unidade de análise e decisão
- Escolher uma métrica de sucesso e uma referência simples que o modelo precisa superar
- Avaliar um conjunto de dados quanto a disponibilidade, qualidade, viés e riscos de privacidade antes de modelar
Aulas
- Aula 1 · O fluxo de trabalho em ciência de dados
- Aula 2 · Da pergunta de negócio ao problema de ciência de dados
- Aula 3 · Métricas, referências e prontidão dos dados
- Aula 4 · Laboratório e atividade
Laboratório: Definindo um problema de cancelamento de clientes
Você vai pegar um pedido vago de uma pequena academia, "queremos saber quem vai cancelar", e transformá-lo em um problema bem definido. Com um conjunto de dados de matrículas de exemplo, vai definir o alvo, verificar a disponibilidade dos dados e calcular uma referência simples que qualquer modelo futuro precisará superar.
Ferramentas gratuitas: JupyterLite no navegador ou Google Colab (gratuito), com um conjunto de dados de assinaturas de exemplo
Atividade avaliada
Escreva um documento de duas páginas definindo o problema para um pequeno negócio real ou realista, como uma padaria que quer prever a demanda diária ou uma corretora de seguros que quer prever renovações. Inclua a pergunta de negócio, a decisão e quem a toma, o alvo e a unidade de análise, os dados disponíveis e suas lacunas, a métrica de sucesso com um valor-meta, uma referência simples e seu desempenho medido ou estimado e os principais riscos, inclusive de privacidade e de justiça. Termine com uma recomendação de seguir ou não com a construção de um modelo.
| Critério | Peso | Como é um trabalho excelente |
|---|---|---|
| Enquadramento de negócio | 30% | Decisão, usuário e valor específicos, com uma pergunta que pode ser respondida com dados. |
| Definição técnica | 25% | Alvo, unidade de análise e momento da previsão precisos, com riscos de vazamento identificados. |
| Métrica e referência | 25% | A métrica reflete os custos da decisão e a referência é concreta e medida quando os dados permitem. |
| Riscos e recomendação | 20% | Riscos de qualidade dos dados, viés e privacidade realistas, e a recomendação decorre das evidências. |
Peça de portfólio
Um documento profissional de definição do problema, com um notebook de referência, que pode abrir qualquer projeto de ciência de dados.
Próximo passo
Continue com MLD102 · Python e pandas para análise de dados · 4 horas · R$ 40,00
Conteúdo do curso
MLD101 · O fluxo de trabalho em ciência de dados e a definição do problema (4 h)
-
Aula 1 · O fluxo de trabalho em ciência de dados
-
Aula 2 · Da pergunta de negócio ao problema de ciência de dados
-
Aula 3 · Métricas, referências e prontidão dos dados
-
Aula 4 · Laboratório e atividade
-
MLD101 Avaliação · O fluxo de trabalho em ciência de dados e a definição do problema