Oficinas em Ciência de Dados

MÓDULO 0

Fundamentos Práticos para Ciência de Dados

Prepare seu ambiente e suas ferramentas essenciais para a jornada na ciência de dados, cobrindo a instalação e configuração do WSL, Docker, Git, GitHub, e uma introdução à linguagem Python.

Instalando o WSL no Windows

Aprenda a configurar o Windows Subsystem for Linux (WSL), habilitando um ambiente Linux integrado ao Windows para otimizar seu fluxo de trabalho em ciência de dados.

Instalando o Docker no Linux (WSL)

Descubra como instalar e configurar o Docker em seu ambiente Linux (via WSL), uma ferramenta crucial para criar, gerenciar e implantar aplicações em contêineres.

Instalação do VS Code e Integração com WSL

Aprenda a instalar o VS Code no Windows e a configurá-lo para uma experiência de desenvolvimento fluida e integrada com o WSL, utilizando o poder do Linux no Windows.

Git, GitHub, Github Flow e Conventional Commits

Domine o essencial do versionamento de projetos com Git e GitHub. Aprenda a organizar seu trabalho com Github Flow e a escrever mensagens de commit claras e padronizadas usando Conventional Commits, facilitando a colaboração e o acompanhamento do histórico do seu projeto.

Ambientes Virtuais, Dev Containers e Introdução ao Python

Descubra como o Docker pode simplificar a criação de ambientes de desenvolvimento consistentes através de dev containers. Explore o gerenciamento de dependências em Python (com UV), e tenha um primeiro contato prático com essas linguagens.

MÓDULO 1

Introdução à Ciência de Dados

Explore o universo da Ciência de Dados, desde seus conceitos básicos e ciclo de vida até as ferramentas essenciais e considerações éticas.

MÓDULO 2

Análise Exploratória de Dados (AED) com Python

Mergulhe na arte de investigar dados. Aprenda a importar, limpar, transformar, resumir e visualizar informações para extrair insights valiosos e contar histórias com dados usando Python.

Fundamentos da AED e Tidy Data

Construa a base da sua análise. Entenda o processo de Análise Exploratória de Dados, domine os princípios de "Tidy Data" para organizar seus dados de forma eficaz e aprenda a importar diferentes formatos de arquivo (CSV, Excel, JSON) com Pandas.

Transformação e Limpeza de Dados com Pandas

Enfrente os desafios de dados do mundo real. Aprenda a tratar valores ausentes, remover duplicatas, corrigir tipos de dados, padronizar texto e criar novas variáveis (feature engineering) usando o poder da biblioteca Pandas.

Estatísticas Descritivas

Traduza dados em conhecimento. Calcule e interprete medidas de tendência central (média, mediana, moda), dispersão (desvio padrão, variância) e posição (quartis, percentis).

Princípios da Visualização e a Gramática dos Gráficos

Pense como um designer de visualização. Aprenda por que visualizar dados é crucial (com o Quarteto de Anscombe), entenda os princípios da percepção visual e domine a "Gramática dos Gráficos", o framework que estrutura a criação de qualquer visualização.

Visualização Interativa com Plotly

Crie gráficos interativos e sofisticados com código intuitivo. Domine a sintaxe do Plotly para produzir desde gráficos básicos (barras, linhas, dispersão) até visualizações complexas e interativas, como histogramas, boxplots e dashboards dinâmicos.

Dashboards Interativos com Shiny for Python

Transforme suas análises em aplicações web dinâmicas. Aprenda a estrutura de uma aplicação Shiny (UI e Server), explore a programação reativa e crie dashboards interativos para que outros possam explorar seus dados e insights de forma independente.

MÓDULO 3

Inferência Estatística

Aprenda a construir e interpretar intervalos de confiança, aplicar testes de hipóteses e utilizar a análise de variância (ANOVA) para tomar decisões embasadas com dados, utilizando o Python como ferramenta prática.

Intervalos de Confiança

Entenda o conceito de intervalo de confiança, como interpretá-lo corretamente e como construí-lo no Python com exemplos práticos e visualização de dados.

Testes de Hipóteses

Explore os fundamentos dos testes de hipótese, entenda o valor-p e a lógica estatística por trás da rejeição de hipóteses, e aplique testes como t-teste, Mann-Whitney e Wilcoxon no Python.

Análise de Variância (ANOVA)

Aprenda a aplicar a ANOVA para comparar médias de três ou mais grupos, entender seus pressupostos e interpretar resultados estatísticos com auxílio do teste de Tukey.

MÓDULO 4

Modelagem Estatística

Aprenda a ajustar modelos estatísticos, supervisionados e não-supervisionados, e a interpretar seus resultados.

Regressão Linear Simples e Múltipla

Entenda o que é um modelo de regressão (Simples e Múltipla), para que ele pode ser usado, como interpretá-lo corretamente e como construí-lo no Python com exemplos práticos e visualização.

Regressão Logística

Descubra o que é a regressão logística, para que ela serve, como interpretar seus resultados e como construí-la no Python com exemplos práticos, diagnósticos e visualizações.

Clusterização com K-médias

Explore o aprendizado não supervisionado com K-médias. Aprenda como o algoritmo funciona, como escolher o número ideal de clusters e como avaliar a qualidade da clusterização com métricas como Silhouette Score.

Redução de Dimensionalidade com PCA

Aprenda a simplificar dados complexos mantendo as informações mais importantes. Descubra como o PCA encontra as direções de maior variação nos dados e aplique essa técnica poderosa nos dados dos pinguins de Palmer.

MÓDULO 5

Processamento de Linguagem Natural

Explore o universo do Processamento de Linguagem Natural (NLP), desde conceitos fundamentais até técnicas avançadas com LLMs, agentes inteligentes e sistemas RAG para criar soluções de IA conversacional.

Introdução ao NLP

Descubra os fundamentos do Processamento de Linguagem Natural, seus objetivos principais e as técnicas de pré-processamento essenciais como tokenização, stemização e lematização.

LLM - Aplicação Direta

Aprenda a trabalhar diretamente com Large Language Models (LLMs), utilizando bibliotecas essenciais como OpenAI e LangChain para criar suas primeiras aplicações de IA.

Tipos de Prompt

Domine diferentes estratégias de prompt engineering, desde zero-shot e few-shot até chain-of-thought prompting, para obter respostas mais precisas e consistentes dos LLMs.

Agentes, Tools, Memória e ReAct

Construa agentes inteligentes capazes de usar ferramentas externas, manter memória de conversação e tomar decisões usando o protocolo ReAct para resolver problemas complexos.

RAG - Retrieval Augmented Generation

Implemente sistemas RAG para combinar recuperação de informações com geração de texto, permitindo que LLMs acessem conhecimento específico e forneçam respostas mais precisas e atualizadas.

Avaliação e Evals

Aprenda a avaliar a qualidade e performance de sistemas de IA baseados em LLMs e RAG, utilizando métricas específicas e frameworks como Ragas para garantir confiabilidade.

APRESENTAÇÕES

Slides das Oficinas

Acesse as apresentações utilizadas durante as oficinas para revisão e consulta.