Ciencia de dados

1. 23. O Aprendizado Não Supervisionado/2. Apresentando os principais conceitos da aprendizagem não supervisionada/ext1.mp4236.61MB
2. 0. Introdução (Assista antes de começar)/5. Como acessar a apostila/ext1.mp418.87MB
3. 0. Introdução (Assista antes de começar)/6. Como funciona a garantia/ext1.mp419.43MB
4. 0. Introdução (Assista antes de começar)/7. Suporte Hashtag/ext1.mp437.26MB
5. 0. Introdução (Assista antes de começar)/8. Como o curso está dividido/ext1.mp4146.01MB
6. 0. Introdução (Assista antes de começar)/9. Grupo de Alunos Ciência de Dados Impressionador/ext1.mp449.91MB
7. 1. O que é Ciência de Dados/1. Explicando a Ciência de Dados/ext1.mp4137.39MB
8. 1. O que é Ciência de Dados/2. Aplicações práticas de Ciência de Dados/ext1.mp4195.78MB
9. 1. O que é Ciência de Dados/3. A definição de Ciência de Dados/ext1.mp4108.73MB
10. 1. O que é Ciência de Dados/4. O que é Ciência de Dados#/ext1.mp455.97MB
11. 1. O que é Ciência de Dados/5. O que eu quero responder#/ext1.mp424.98MB
12. 1. O que é Ciência de Dados/6. Os pilares da Ciência de Dados/ext1.mp489.58MB
13. 1. O que é Ciência de Dados/7. QUIZ 1 - O que é Ciência de Dados#/ext1.mp44.03MB
14. 10. Introdução ao Aprendizado de Máquinas/1. O que é Aprendizado de Máquinas (Machine Learning)#/ext1.mp4141.69MB
15. 10. Introdução ao Aprendizado de Máquinas/10. Calculando a regressão linear com Scikit-Learn utilizando Preço Original e Desconto/ext1.mp471.75MB
16. 10. Introdução ao Aprendizado de Máquinas/11. Usando o sklearn.metrics para calcular os erros de cada um dos modelos/ext1.mp470.2MB
17. 10. Introdução ao Aprendizado de Máquinas/12. A descrição estatística do Pandas/ext1.mp4102.04MB
18. 10. Introdução ao Aprendizado de Máquinas/13. A variância e o desvio padrão (medidas de dispersão)/ext1.mp4116.33MB
19. 10. Introdução ao Aprendizado de Máquinas/14. Separatrizes# entendendo os quartis/ext1.mp463.86MB
20. 10. Introdução ao Aprendizado de Máquinas/2. O aprendizado de máquinas no Instagram/ext1.mp4118.6MB
21. 10. Introdução ao Aprendizado de Máquinas/3. Explicando o Aprendizado de Máquinas/ext1.mp496.09MB
22. 10. Introdução ao Aprendizado de Máquinas/4. Caso Real# Uso do Aprendizado de Máquinas pelo Walmart/ext1.mp483.04MB
23. 10. Introdução ao Aprendizado de Máquinas/5. Como funciona um modelo de Aprendizado de Máquinas#/ext1.mp472.52MB
24. 10. Introdução ao Aprendizado de Máquinas/6. O erro no processo de aprendizado/ext1.mp4152.91MB
25. 10. Introdução ao Aprendizado de Máquinas/7. O Aprendizado de Máquinas no Python/ext1.mp492.46MB
26. 10. Introdução ao Aprendizado de Máquinas/8. Regressão Linear no Scikit-Learn# importanto, tratando e entendendo os dados/ext1.mp481.61MB
27. 10. Introdução ao Aprendizado de Máquinas/9. Usando Regressão Linear do Scikit-Learn para calcular a Venda utilizando apenas o Preço/ext1.mp469.91MB
28. 11. Como as máquinas aprendem#/1. Os tipos de aprendizado de máquinas# aprendizado supervisionado e não supervisionado/ext1.mp4128.5MB
29. 11. Como as máquinas aprendem#/2. Os tipos de aprendizado de máquinas# aprendizado semi supervisionado e por reforço/ext1.mp487.18MB
30. 11. Como as máquinas aprendem#/3. A diferença entre aprender e decorar/ext1.mp4104.05MB
31. 11. Como as máquinas aprendem#/4. Considerações importantes para o Aprendizado de Máquinas/ext1.mp4130.59MB
32. 12. Projeto 3 - Criando um modelo de classificação/1. Entendendo e importando o dataset iris do scikit-learn/ext1.mp465MB
33. 12. Projeto 3 - Criando um modelo de classificação/2. Tratando os dados do dataset e transformando em um DataFrame do pandas/ext1.mp478.93MB
34. 12. Projeto 3 - Criando um modelo de classificação/3. Escolhendo visualmente quais colunas da base iremos usar no modelo/ext1.mp470.26MB
35. 12. Projeto 3 - Criando um modelo de classificação/4. Criando uma reta capaz de separar os dados do modelo/ext1.mp439.45MB
36. 12. Projeto 3 - Criando um modelo de classificação/5. Classificando um novo ponto usando o modelo visual que acabamos de criar/ext1.mp449.5MB
37. 12. Projeto 3 - Criando um modelo de classificação/6. Criando uma função em Python para classificar um novo ponto no modelo/ext1.mp471.57MB
38. 12. Projeto 3 - Criando um modelo de classificação/7. Entendendo o Perceptron e usando esse algoritmo nos nossos dados/ext1.mp464.64MB
39. 12. Projeto 3 - Criando um modelo de classificação/8. Usando o Perceptron para criar um modelo de aprendizado de máquinas/ext1.mp468.79MB
40. 13. Utilizando o Aprendizado de Máquinas/1. Revisando a importação da base usando o pandas/ext1.mp442.77MB
41. 13. Utilizando o Aprendizado de Máquinas/10. Calculando acurácia, precisão e recall no Scikit-Learn (avaliando modelos de classificação)/ext1.mp451.34MB
42. 13. Utilizando o Aprendizado de Máquinas/11. Avaliando os dados de TREINO do modelo que criamos/ext1.mp461.95MB
43. 13. Utilizando o Aprendizado de Máquinas/12. Avaliando os dados de TESTE do modelo que criamos/ext1.mp451.09MB
44. 13. Utilizando o Aprendizado de Máquinas/13. Usando o train_test_split do Scikit-Learn para separar os dados em treino e teste/ext1.mp479.84MB
45. 13. Utilizando o Aprendizado de Máquinas/14. Usando o train_test_split e avaliando o modelo criado/ext1.mp470.17MB
46. 13. Utilizando o Aprendizado de Máquinas/15. Explicando o que é uma Árvore de Decisão/ext1.mp486.87MB
47. 13. Utilizando o Aprendizado de Máquinas/16. Entendendo a classificação dos dados utilizando a Árvore de Decisão/ext1.mp4108.49MB
48. 13. Utilizando o Aprendizado de Máquinas/17. Importando e tratando os dados do projeto 3 (iris) para aplicarmos diferentes modelos de classificação/ext1.mp483.36MB
49. 13. Utilizando o Aprendizado de Máquinas/18. Separando em treino e teste e analisando os dados de TREINO/ext1.mp444.3MB
50. 13. Utilizando o Aprendizado de Máquinas/19. Traçando uma reta capaz de separar os dados de TREINO/ext1.mp478.23MB
51. 13. Utilizando o Aprendizado de Máquinas/2. Revisando a visualização do scatter plot com o matplotlib/ext1.mp434.25MB
52. 13. Utilizando o Aprendizado de Máquinas/20. Criando uma árvore de decisão capaz de separar os dados de TREINO/ext1.mp442.98MB
53. 13. Utilizando o Aprendizado de Máquinas/21. Avaliando os dados de TESTE para os dois modelos criados/ext1.mp4157.78MB
54. 13. Utilizando o Aprendizado de Máquinas/3. Criando uma reta capaz de separar os dados em 2 classes diferentes/ext1.mp466.37MB
55. 13. Utilizando o Aprendizado de Máquinas/4. (Opcional) Entendendo a reta criada para classificar os pontos/ext1.mp449.98MB
56. 13. Utilizando o Aprendizado de Máquinas/5. Criando uma função que classfica os dados usando a reta gerada pelo scatter plot/ext1.mp469.81MB
57. 13. Utilizando o Aprendizado de Máquinas/6. Avaliando um modelo de classificação/ext1.mp4132.34MB
58. 13. Utilizando o Aprendizado de Máquinas/7. A matriz de confusão para um modelo de classificação/ext1.mp4138.87MB
59. 13. Utilizando o Aprendizado de Máquinas/8. Acurácia, precisão e recall em um modelo de classificação/ext1.mp4158.29MB
60. 13. Utilizando o Aprendizado de Máquinas/9. Gerando a matriz de confusão no Scikit-Learn (avaliando modelos de classificação)/ext1.mp480.24MB
61. 14. Análise Exploratória de dados/1. Explicando a Análise Exploratória e a base que vamos usar (dataset do Titanic)/ext1.mp441.56MB
62. 14. Análise Exploratória de dados/10. Criando um mapa de calor da correlação entre as variáveis/ext1.mp460.34MB
63. 14. Análise Exploratória de dados/11. Tratando valores vazios e outliers/ext1.mp472.59MB
64. 14. Análise Exploratória de dados/12. O Pandas Profiling/ext1.mp485.89MB
65. 14. Análise Exploratória de dados/13. (Opcional) Corrigindo o erro ao carregar o Pandas Profiling/ext1.mp422.92MB
66. 14. Análise Exploratória de dados/14. Apresentando sua análise exploratória de forma executiva/ext1.mp4106.75MB
67. 14. Análise Exploratória de dados/2. Importando e entendendo a base do Titanic/ext1.mp459.39MB
68. 14. Análise Exploratória de dados/3. Analisando as informações da base e o resumo estatístico/ext1.mp464MB
69. 14. Análise Exploratória de dados/4. Entendendo a cardinalidade de uma base/ext1.mp485.74MB
70. 14. Análise Exploratória de dados/5. Visualizando os dados de forma gráfica/ext1.mp456.78MB
71. 14. Análise Exploratória de dados/6. Gerando um boxplot usando o matplotlib/ext1.mp452.5MB
72. 14. Análise Exploratória de dados/7. Interpretando o boxplot/ext1.mp459.21MB
73. 14. Análise Exploratória de dados/8. Outras opções de gráficos/ext1.mp455.48MB
74. 14. Análise Exploratória de dados/9. Correlação entre as variáveis e o KDE (Kernel Density Estimation)/ext1.mp477.61MB
75. 15. O Scikit-Learn/1. Apresentando a documentação do Scikit-Learn/ext1.mp4144.31MB
76. 15. O Scikit-Learn/10. Classificação no Scikit-Learn# adicionando novos algoritmos (Regressão Logística) e melhorando o resultado do Perceptron/ext1.mp473.17MB
77. 15. O Scikit-Learn/11. A equação da reta/ext1.mp4191.91MB
78. 15. O Scikit-Learn/12. Entendendo a regressão linear/ext1.mp475.96MB
79. 15. O Scikit-Learn/13. O erro na regressão linear/ext1.mp483.81MB
80. 15. O Scikit-Learn/14. A regressão linear no Scikit-Learn/ext1.mp467.95MB
81. 15. O Scikit-Learn/15. Regressão no Scikit-Learn# explicando o problema e importando a base/ext1.mp473.72MB
82. 15. O Scikit-Learn/16. Regressão no Scikit-Learn# utilizando regressão linear simples para prever o volume de ações/ext1.mp440.5MB
83. 15. O Scikit-Learn/17. Regressão no Scikit-Learn# utilizando regressão linear múltipla/ext1.mp4121.3MB
84. 15. O Scikit-Learn/18. Regressão no Scikit-Learn# tratando a variável de data e utilizando no modelo/ext1.mp457.7MB
85. 15. O Scikit-Learn/2. Importando o dataset iris do Scikit-Learn e transformando em um DataFrame do pandas/ext1.mp468.27MB
86. 15. O Scikit-Learn/3. O Perceptron no Scikit-Learn/ext1.mp458.78MB
87. 15. O Scikit-Learn/4. Entendendo o resultado gerado pelo perceptron/ext1.mp457.65MB
88. 15. O Scikit-Learn/5. A árvore de decisão no Scikit-Learn/ext1.mp466.16MB
89. 15. O Scikit-Learn/6. Classificação no Scikit-Learn# entendendo o dataset e criando os classificadores/ext1.mp430.19MB
90. 15. O Scikit-Learn/7. Classificação no Scikit-Learn# Avaliando erros de classificação/ext1.mp490.54MB
91. 15. O Scikit-Learn/8. (Opcional) O average no precision_score/ext1.mp493.78MB
92. 15. O Scikit-Learn/9. Classificação no Scikit-Learn# separando os dados em treino e teste e avaliando o modelo/ext1.mp451.38MB
93. 16. Projeto 4 - Criando um algoritmo de regressão/1. Explicando o projeto e importando a base de casas da Califórnia/ext1.mp4107.92MB
94. 16. Projeto 4 - Criando um algoritmo de regressão/10. A Regressão Linear Múltipla/ext1.mp451.24MB
95. 16. Projeto 4 - Criando um algoritmo de regressão/11. Utilizando o for para escolher o melhor par de variáveis na Regressão Linear Múltipla/ext1.mp465.8MB
96. 16. Projeto 4 - Criando um algoritmo de regressão/12. Utilizando Árvore de Regressão e Support Vector Regression nos dados/ext1.mp453.44MB
97. 16. Projeto 4 - Criando um algoritmo de regressão/13. Concluindo o projeto e visualizando os resultados de forma gráfica/ext1.mp493.57MB
98. 16. Projeto 4 - Criando um algoritmo de regressão/2. Visualizando os dados de maneira gráfica/ext1.mp463.84MB
99. 16. Projeto 4 - Criando um algoritmo de regressão/3. Entendendo a base, verificando valores duplicados e tratando outliers/ext1.mp455.31MB
100. 16. Projeto 4 - Criando um algoritmo de regressão/4. Separando a base em treino e teste e usando Regressão Linear Simples/ext1.mp477MB
101. 16. Projeto 4 - Criando um algoritmo de regressão/5. Utilizando o for para fazer a regressão de todas as colunas da base/ext1.mp428.07MB
102. 16. Projeto 4 - Criando um algoritmo de regressão/6. Entendendo o coeficiente de determinação (r quadrado)/ext1.mp487.39MB
103. 16. Projeto 4 - Criando um algoritmo de regressão/7. Métricas de erro para regressão/ext1.mp4144.26MB
104. 16. Projeto 4 - Criando um algoritmo de regressão/8. Avaliando o erro na regressão com Scikit-Learn/ext1.mp491.86MB
105. 16. Projeto 4 - Criando um algoritmo de regressão/9. Avaliando os erros do nosso modelo e escolhendo o melhor modelo de Regressão Linear Simples/ext1.mp431.91MB
106. 17. Conceitos básicos de SQL para Ciência de Dados/1. Apresentando o sqlite3/ext1.mp469.99MB
107. 17. Conceitos básicos de SQL para Ciência de Dados/10. Utilizando subquery no SQL/ext1.mp450.71MB
108. 17. Conceitos básicos de SQL para Ciência de Dados/11. Outros filtros no SQL (IN e LIKE)/ext1.mp460.93MB
109. 17. Conceitos básicos de SQL para Ciência de Dados/12. Bases de dados com mais de 1 tabela/ext1.mp469.47MB
110. 17. Conceitos básicos de SQL para Ciência de Dados/13. Revisando o merge do pandas/ext1.mp492.95MB
111. 17. Conceitos básicos de SQL para Ciência de Dados/14. Unindo duas bases no SQL utilizando o JOIN/ext1.mp488.46MB
112. 17. Conceitos básicos de SQL para Ciência de Dados/15. O UNION e o FULL JOIN no SQL/ext1.mp488.6MB
113. 17. Conceitos básicos de SQL para Ciência de Dados/2. Transformando dados do SQL em um DataFrame do pandas/ext1.mp478.38MB
114. 17. Conceitos básicos de SQL para Ciência de Dados/3. Selecionando (SELECT) dados de um banco de dados com SQL/ext1.mp4100.77MB
115. 17. Conceitos básicos de SQL para Ciência de Dados/4. Utilizando o WHERE para filtrar a nossa tabela/ext1.mp4151.71MB
116. 17. Conceitos básicos de SQL para Ciência de Dados/5. (Opcional) Revisando o SELECT utilizando o sqlite3/ext1.mp467.67MB
117. 17. Conceitos básicos de SQL para Ciência de Dados/6. (Opcional) Revisando o SELECT DISTINCT e o WHERE (AND, OR e NOT)/ext1.mp486.57MB
118. 17. Conceitos básicos de SQL para Ciência de Dados/7. Utilizando o GROUP BY e o ORDER BY no SQL/ext1.mp489.61MB
119. 17. Conceitos básicos de SQL para Ciência de Dados/8. Limitando a base com o TOP#/ LIMIT e usando o HAVING para filtrar a tabela/ext1.mp4104.86MB
120. 17. Conceitos básicos de SQL para Ciência de Dados/9. Definindo condicionais no SQL com o CASE/ext1.mp474.92MB
121. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/1. Apresentando a base de dados que vamos utilizar nesse módulo/ext1.mp459.3MB
122. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/10. (Opcional) Inserindo dados em uma tabela utilizando o to_sql e o INSERT/ext1.mp459.56MB
123. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/11. (Opcional) Atualizando e deletando registros em uma tabela utilizando UPDATE e DELETE/ext1.mp475.85MB
124. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/12. Usando a biblioteca os para visualizar os arquivos que iremos transformar em tabelas/ext1.mp442.63MB
125. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/13. Criando um banco de dados e a nossa primeira tabela/ext1.mp447.67MB
126. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/14. Adicionando todos os arquivos da pasta como tabelas no banco de dados/ext1.mp4117.94MB
127. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/15. Ajustando as colunas de datas e usando o if_exists para substituir tabelas em uma banco/ext1.mp480.56MB
128. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/16. Criando uma função para automatizar as consultas no nosso banco de dados/ext1.mp4114.31MB
129. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/17. Apresentando o banco de dados de vendas/ext1.mp4107.61MB
130. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/18. Exercício# Melhorando a satisfação do cliente/ext1.mp436.12MB
131. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/19. Criando uma história com seus dados/ext1.mp4135.77MB
132. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/2. Usando a biblioteca os para buscar os arquivos da nossa base de dados/ext1.mp468.8MB
133. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/20. Dicas para uma boa apresentação de dados/ext1.mp4147.77MB
134. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/21. A estrutura de uma história/ext1.mp4225.2MB
135. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/22. Resolução - O problema realmente existe# Conectando ao banco e começando a analisar a tabela de pedidos/ext1.mp481.57MB
136. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/23. Resolução - Tratando as colunas de data que estão como texto (usando o to_datetime do pandas)/ext1.mp461.38MB
137. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/24. Resolução - Calculando o atraso na entrega e verificando a média de atraso utilizando o datetime/ext1.mp480.23MB
138. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/25. Resolução - Utilizando o to_period para calcular a média do atraso em cada um dos meses/ext1.mp4102.7MB
139. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/26. Resolução - Analisando o máximo e mínimo do atraso e visualizando graficamente utilizando o matplotlib/ext1.mp454.85MB
140. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/27. Resolução - Criando uma função para contar o número de pedidos atrasados (usando apply e lambda function)/ext1.mp4103.5MB
141. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/28. (Opcional) Formatando o gráfico de pedidos atrasados no matplotlib/ext1.mp4180.34MB
142. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/29. Resolução - Relação da avaliação com o atraso (Analisando a tabela de avaliações e a tabela de pedidos)/ext1.mp472.65MB
143. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/3. Importando todas as bases de dados para o pandas/ext1.mp4119.76MB
144. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/30. Resolução - Entendendo a relação entre a tabela de pedidos e a de avaliações (pedidos sem avaliação e pedidos com mais de uma avaliação)/ext1.mp4113.51MB
145. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/31. Resolução - Avaliando a média e o máximo das notas para pedidos com mais de uma avaliação/ext1.mp490.33MB
146. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/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/ext1.mp479.33MB
147. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/33. Resolução - Entendendo a relação entre o atraso e a avaliação dos clientes/ext1.mp486.62MB
148. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/34. Resolução - Calculando a média da avaliação por cada período de atraso e apresentando graficamente essa informação/ext1.mp4117.85MB
149. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/35. (Opcional) Formatando o gráfico de atraso no pedido x avaliação/ext1.mp4160.02MB
150. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/36. Resolução - Avaliando os comentários de pedidos atrasados/ext1.mp465.03MB
151. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/37. Resolução - Usando o wordcloud para verificar as palavras mais frequentes nas reclamações/ext1.mp487.67MB
152. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/38. Resolução - Melhorando a núvem de palavras (wordcloud) e criando uma núvem de frases/ext1.mp465.05MB
153. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/39. Criando uma história com os dados gerados na nossa análise/ext1.mp4185.05MB
154. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/4. Analisando a base de ordens, itens e pagamentos para iniciar o entendimento dos dados/ext1.mp482.51MB
155. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/5. Utilizando o groupby do pandas para analisar as ordens com mais de 1 item/ext1.mp4116.87MB
156. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/6. Fazendo o pivot (pivotando) da tabela para analisar diferentes itens na mesma ordem/ext1.mp4106.4MB
157. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/7. Finalizando o entendimento da base analisando pagamentos, vendedores e review/ext1.mp4127.62MB
158. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/8. (Opcional) Criando um banco de dados utilizando a documentação do sqlite3/ext1.mp483.55MB
159. 18. Técnicas de storytelling com dados# Utilizando o SQL com dados reais de venda/9. (Opcional) Criando uma tabela utilizando um DataFrame do pandas/ext1.mp459.97MB
160. 19. Projeto 5 - Criando um modelo de identificação de fraude/1. Mostrando a base desse módulo e apresentando o Kaggle e a sua importância para nossos projetos de ciência de dados/ext1.mp467.95MB
161. 19. Projeto 5 - Criando um modelo de identificação de fraude/10. Explicando o RandomOverSampler do imblearn/ext1.mp473.28MB
162. 19. Projeto 5 - Criando um modelo de identificação de fraude/11. Usando o shrinkage do RandomOverSampler e visualizando graficamente os novos dados/ext1.mp456.65MB
163. 19. Projeto 5 - Criando um modelo de identificação de fraude/12. Utilizando SMOTE e ADASYM para realizar o oversampling/ext1.mp455.93MB
164. 19. Projeto 5 - Criando um modelo de identificação de fraude/13. Realizando o undersampling com o RandomUnderSampler na base de transações e analisando a acurácia e o recall/ext1.mp4108.66MB
165. 19. Projeto 5 - Criando um modelo de identificação de fraude/14. Fazendo o oversampling com o RandomOverSampler para essa mesma base e comparando os resultados/ext1.mp452.71MB
166. 19. Projeto 5 - Criando um modelo de identificação de fraude/15. Utilizando o ClusterCentroids e o NearMiss para o undersampling para o modelo de classificação de fraude/ext1.mp497.11MB
167. 19. Projeto 5 - Criando um modelo de identificação de fraude/16. Utilizando SMOTE e ADASYM para o oversampling e testando combinar os métodos para o modelo de classificação de fraude/ext1.mp458.37MB
168. 19. Projeto 5 - Criando um modelo de identificação de fraude/17. Revisando as métricas de avaliação para modelos de classificação/ext1.mp4103.27MB
169. 19. Projeto 5 - Criando um modelo de identificação de fraude/18. Explicando a curva ROC/ext1.mp483.51MB
170. 19. Projeto 5 - Criando um modelo de identificação de fraude/19. Traçando a curva ROC utilizando a árvore de decisão para um classificador perfeito/ext1.mp469.76MB
171. 19. Projeto 5 - Criando um modelo de identificação de fraude/2. Entendendo a base de transações e analisando a relação entre fraude e não fraude/ext1.mp481.83MB
172. 19. Projeto 5 - Criando um modelo de identificação de fraude/20. Comparando a curva ROC da árvore de decisão com a da regressão logísitca/ext1.mp4141.9MB
173. 19. Projeto 5 - Criando um modelo de identificação de fraude/21. Explicando a curva de precisão x recall/ext1.mp451.74MB
174. 19. Projeto 5 - Criando um modelo de identificação de fraude/22. (Opcional) Visualizando graficamente como as curvas ROC e precisão x recall são geradas/ext1.mp4102.42MB
175. 19. Projeto 5 - Criando um modelo de identificação de fraude/23. Criando diferentes modelos para classificar nossos pontos (Regressão Logística, KNN, SVM, Random Forest)/ext1.mp4133.04MB
176. 19. Projeto 5 - Criando um modelo de identificação de fraude/24. Usando a área abaixo da curva de precisão x recall e comparando os diferentes modelos/ext1.mp4131.13MB
177. 19. Projeto 5 - Criando um modelo de identificação de fraude/25. Melhorando a escala dos dados e selecionando os melhores modelos para classificar os dados/ext1.mp4123.46MB
178. 19. Projeto 5 - Criando um modelo de identificação de fraude/26. Selecionando os melhores hiperparâmetros para o modelo de Regressão Logística/ext1.mp496.48MB
179. 19. Projeto 5 - Criando um modelo de identificação de fraude/27. (Opcional) Criando manualmente um código para testar diferentes hiperparâmetros no modelo/ext1.mp4138.9MB
180. 19. Projeto 5 - Criando um modelo de identificação de fraude/28. Usando o GridSearchCV para selecionar os melhores hiperparâmetros para a Regressão Logística/ext1.mp4134.2MB
181. 19. Projeto 5 - Criando um modelo de identificação de fraude/29. Usando o GridSearchCV para o Support Vector Classifier (SVC#/ SVM)/ext1.mp494.68MB
182. 19. Projeto 5 - Criando um modelo de identificação de fraude/3. Criando um modelo de classificação de fraude usando a base desbalanceada e analisando a acurácia, precisão e recall desse modelo/ext1.mp4138.9MB
183. 19. Projeto 5 - Criando um modelo de identificação de fraude/30. Usando o GridSearchCV para o Random Forest/ext1.mp474.81MB
184. 19. Projeto 5 - Criando um modelo de identificação de fraude/31. (Opcional) Usando o GridSearchCV para o KNN/ext1.mp453.99MB
185. 19. Projeto 5 - Criando um modelo de identificação de fraude/32. (Opcional) Revisando tudo que fizemos até agora/ext1.mp456.1MB
186. 19. Projeto 5 - Criando um modelo de identificação de fraude/33. Testando novas melhorias no modelo# Adicionando novos parâmetros no GridSearchCV da Regressão Logística/ext1.mp468.65MB
187. 19. Projeto 5 - Criando um modelo de identificação de fraude/34. Testando novas melhorias no modelo# Testando outras formas de realizar o undersampling/ext1.mp481.95MB
188. 19. Projeto 5 - Criando um modelo de identificação de fraude/35. Testando novas melhorias no modelo# Mudando o scoring do GridSearchCV e discutindo sobre o oversampling/ext1.mp4110.18MB
189. 19. Projeto 5 - Criando um modelo de identificação de fraude/4. Apresentando o imbalanced-learn e utilizando o undersampling e o oversampling para os nossos dados de crédito/ext1.mp487.98MB
190. 19. Projeto 5 - Criando um modelo de identificação de fraude/5. (Opcional) Importando e visualizando a base de transações/ext1.mp428.57MB
191. 19. Projeto 5 - Criando um modelo de identificação de fraude/6. Revisando o undersampling e o oversampling do imbalanced-learn e visualizando de forma gráfica as novas bases geradas/ext1.mp486.57MB
192. 19. Projeto 5 - Criando um modelo de identificação de fraude/7. Explicando o RandomUnderSampler do imblearn/ext1.mp492.95MB
193. 19. Projeto 5 - Criando um modelo de identificação de fraude/8. Apresentando de forma visual o funcionamento do RandomUnderSampling/ext1.mp444.5MB
194. 19. Projeto 5 - Criando um modelo de identificação de fraude/9. Utilizando o ClusterCentroids e o NearMiss para realizar o undersampling/ext1.mp486.5MB
195. 2. Introdução a Ciência de Dados/1. O que é ser um cientista#/ext1.mp435.19MB
196. 2. Introdução a Ciência de Dados/2. Uma framework para Ciência de Dados (Parte 1)/ext1.mp4109.85MB
197. 2. Introdução a Ciência de Dados/3. Uma framework para Ciência de Dados (Parte 2)/ext1.mp474.91MB
198. 2. Introdução a Ciência de Dados/4. Resumindo ciência de dados/ext1.mp423.24MB
199. 2. Introdução a Ciência de Dados/5. Python como ferramenta de Data Science/ext1.mp490.82MB
200. 2. Introdução a Ciência de Dados/6. O mercado de trabalho para um Cientista de Dados/ext1.mp482.89MB
201. 2. Introdução a Ciência de Dados/7. QUIZ 2 - Introdução a Ciência de Dados/ext1.mp41.59MB
202. 20. Subindo seu modelo para produção (Deploy)/10. Criando uma tela para o usuário utilizar o nosso modelo com o Streamlit/ext1.mp436.16MB
203. 20. Subindo seu modelo para produção (Deploy)/11. (Opcional) Explicando o predict/ext1.mp441.54MB
204. 20. Subindo seu modelo para produção (Deploy)/2. Persistindo o modelo (usando o dump e load do joblib)/ext1.mp461.11MB
205. 20. Subindo seu modelo para produção (Deploy)/3. (Opcional) Utilizando o modelo nos mesmos dados para provar que temos exatamente o mesmo modelo/ext1.mp444.32MB
206. 20. Subindo seu modelo para produção (Deploy)/4. Utilizando o modelo criado em dados de produção/ext1.mp464.69MB
207. 20. Subindo seu modelo para produção (Deploy)/5. Colocando nosso modelo em produção utilizando um arquivo do Jupyter Notebook/ext1.mp468.76MB
208. 20. Subindo seu modelo para produção (Deploy)/6. Utilizando um arquivo .py para colocar o modelo em produção/ext1.mp423.75MB
209. 20. Subindo seu modelo para produção (Deploy)/7. Criando um executável para realizar a previsão utilizando o modelo criado/ext1.mp492.67MB
210. 20. Subindo seu modelo para produção (Deploy)/8. Apresentando o Streamlit para criarmos uma tela para o usuário acessar o modelo/ext1.mp441.59MB
211. 20. Subindo seu modelo para produção (Deploy)/9. Criando campos de entrada para os valores numéricos de preço e desconto e o botão de #PREVER##/ext1.mp439.09MB
212. 21. Ajustando os dados para o modelo (Data Cleaning)/1. Explicando a importância da limpeza dos dados e importando a base/ext1.mp448.08MB
213. 21. Ajustando os dados para o modelo (Data Cleaning)/2. Buscando na base por valores nulos e linhas duplicadas/ext1.mp455.79MB
214. 21. Ajustando os dados para o modelo (Data Cleaning)/3. Procurando na base alguns problemas que podem ter sido gerados por erros humanos/ext1.mp459.47MB
215. 0. Introdução (Assista antes de começar)/4. Quanto tempo demora pra fazer o curso/ext1.mp477.03MB
216. 3. Python Básico/1. Explicando esse módulo/ext1.mp428.87MB
217. 3. Python Básico/10. Comparadores/ext1.mp430.72MB
218. 3. Python Básico/11. And e Or/ext1.mp459.94MB
219. 3. Python Básico/12. Índice e Tamanho de String/ext1.mp419.56MB
220. 3. Python Básico/13. Índice Negativo e Pedaço de String/ext1.mp450.48MB
221. 3. Python Básico/14. Métodos de String - Apresentação/ext1.mp478.54MB
222. 3. Python Básico/15. Listas em Python/ext1.mp422.69MB
223. 3. Python Básico/16. Índices em Lista, Consultando e Modificando Valores/ext1.mp446.15MB
224. 3. Python Básico/17. Estrutura de Repetição For/ext1.mp442.87MB
225. 3. Python Básico/18. For each - Percorrer cada item de uma lista/ext1.mp429.05MB
226. 3. Python Básico/19. For e If/ext1.mp441.62MB
227. 3. Python Básico/2. Instalando o Python no Windows/ext1.mp433.25MB
228. 3. Python Básico/20. Estrutura While/ext1.mp453.3MB
229. 3. Python Básico/21. Loop Infinito no While/ext1.mp461.24MB
230. 3. Python Básico/22. Tuplas/ext1.mp429.3MB
231. 3. Python Básico/23. Unpacking em Tuplas/ext1.mp451.04MB
232. 3. Python Básico/24. Dicionários em Python/ext1.mp447.42MB
233. 3. Python Básico/25. Pegar item Dicionário e Verificar Item Dicionário/ext1.mp458.75MB
234. 3. Python Básico/26. Range/ext1.mp455.38MB
235. 3. Python Básico/27. Functions no Python/ext1.mp439.68MB
236. 3. Python Básico/28. Retornar um valor na Function/ext1.mp441.38MB
237. 3. Python Básico/29. Argumentos e Parâmetros numa Function/ext1.mp440.72MB
238. 3. Python Básico/3. Problemas na Instalação - Resolvido/ext1.mp494.97MB
239. 3. Python Básico/30. (Opcional) Aplicação em um Exemplo de argumento/ext1.mp470.08MB
240. 3. Python Básico/31. O que são Módulos e qual a importância/ext1.mp448.51MB
241. 3. Python Básico/32. Alterações Incrementais de Variáveis (Importante)/ext1.mp451.4MB
242. 3. Python Básico/33. QUIZ 3 - Python Básico/ext1.mp42.58MB
243. 3. Python Básico/4. Mac, Linux e Google Colab/ext1.mp420.53MB
244. 3. Python Básico/5. Criando seu Primeiro Programa/ext1.mp441.1MB
245. 3. Python Básico/6. Variáveis/ext1.mp420.24MB
246. 3. Python Básico/7. Tipos de Variáveis/ext1.mp439.27MB
247. 3. Python Básico/8. Estrutura do if - Condições no Python/ext1.mp468MB
248. 3. Python Básico/9. Elif/ext1.mp446.36MB
249. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/1. Apresentando as bibliotecas NumPy e Pandas/ext1.mp475.03MB
250. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/10. Realizando operações com arrays (soma, média, mediana, potência, etc)/ext1.mp473.93MB
251. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/11. (Opcional) Entendendo a documentação do Pandas/ext1.mp4179.57MB
252. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/12. Introdução ao Pandas# Importando e visualizando uma base/ext1.mp442.85MB
253. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/13. Introdução ao Pandas# DataFrame e Series/ext1.mp432.47MB
254. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/14. Introdução ao Pandas# tipos de dados, valores nulos e seleção de colunas/ext1.mp455.74MB
255. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/15. Introdução ao Pandas# informações estatísticas e filtros na base/ext1.mp481.47MB
256. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/16. Introdução ao Pandas# criando gráficos/ext1.mp439.32MB
257. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/17. QUIZ 4 - Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/ext1.mp42.28MB
258. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/2. Comparando o Pandas com o Excel/ext1.mp4136.69MB
259. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/3. Comparando o Pandas com o Excel NA PRÁTICA (Parte 1)/ext1.mp4106.95MB
260. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/4. Comparando o Pandas com o Excel NA PRÁTICA (Parte 2)/ext1.mp4136.62MB
261. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/5. Apresentando o NumPy e explicando o que é um array (diferença entre arrays e listas)/ext1.mp475.83MB
262. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/6. Entendendo a importância do array (comparando arrays e listas em operações matemáticas)/ext1.mp492.96MB
263. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/7. As propriedades de um array/ext1.mp491.69MB
264. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/8. Criando nossos próprios arrays (np.array, np.arange, np.linspace)/ext1.mp479.87MB
265. 4. Pandas e Numpy# As bibliotecas básicas para Ciência de Dados/9. Buscando elementos e filtrando valores em um array/ext1.mp451.41MB
266. 5. Projeto 1 - Analisando o engajamento do Instagram/1. Explicando o projeto/ext1.mp428.73MB
267. 5. Projeto 1 - Analisando o engajamento do Instagram/2. Importando e tratando a base com Pandas/ext1.mp475.47MB
268. 5. Projeto 1 - Analisando o engajamento do Instagram/3. Tratando valores nulos da coluna Carrossel/ext1.mp438.09MB
269. 5. Projeto 1 - Analisando o engajamento do Instagram/4. Analisando informações estatísticas e as 5 melhores#/ 5 piores publicações/ext1.mp476.02MB
270. 5. Projeto 1 - Analisando o engajamento do Instagram/4. Analisando informações estatísticas e as 5 melhores#/5 piores publicações/ext1.mp476.02MB
271. 5. Projeto 1 - Analisando o engajamento do Instagram/5. O group by (groupby) no pandas e a análise do engajamento/ext1.mp4148.88MB
272. 5. Projeto 1 - Analisando o engajamento do Instagram/6. Analisando Tags# Separando valores de uma coluna em linhas diferentes (split e explode)/ext1.mp461.27MB
273. 5. Projeto 1 - Analisando o engajamento do Instagram/7. Analisando Tags# Analisando o engajamento por Tags/ext1.mp464MB
274. 5. Projeto 1 - Analisando o engajamento do Instagram/8. Analisando Tags# Finalizando a análise da nossa base (analisando tag, pessoas e campanhas)/ext1.mp443.18MB
275. 6. Introdução a Estatística/1. Introdução a Estatística e Estatística Descritiva/ext1.mp489.13MB
276. 6. Introdução a Estatística/2. Tabela de frequência e histograma/ext1.mp496.22MB
277. 6. Introdução a Estatística/3. Entendendo o conceito da média/ext1.mp4108.34MB
278. 6. Introdução a Estatística/4. Mediana e sua relação com a média/ext1.mp473.7MB
279. 6. Introdução a Estatística/5. Usando Python para entender a relação entre média e mediana/ext1.mp4114.11MB
280. 6. Introdução a Estatística/6. Média, mediana e moda/ext1.mp495.57MB
281. 6. Introdução a Estatística/7. Entendendo de forma prática a relação entre média, mediana e moda/ext1.mp4175.78MB
282. 6. Introdução a Estatística/8. QUIZ 5 - Introdução a Estatística/ext1.mp42.09MB
283. 7. Matplotlib# Criando gráficos em Python/1. Apresentando o Matplotlib/ext1.mp461.26MB
284. 7. Matplotlib# Criando gráficos em Python/10. (Opcional) Revisando o datetime e o astype/ext1.mp4109.3MB
285. 7. Matplotlib# Criando gráficos em Python/11. (Opcional) Adicionando rótulo para as cores de um scatter plot/ext1.mp472.26MB
286. 7. Matplotlib# Criando gráficos em Python/2. Introdução ao Matplotlib/ext1.mp450.36MB
287. 7. Matplotlib# Criando gráficos em Python/3. Usando a documentação para criar nosso primeiro gráfico (gráfico de linha)/ext1.mp462.31MB
288. 7. Matplotlib# Criando gráficos em Python/4. (Opcional) Entendendo a documentação do Matplotlib/ext1.mp4124.66MB
289. 7. Matplotlib# Criando gráficos em Python/5. Usando gráficos (de linha) para entender os dados (máximo, mínimo e média mensal de curtidas)/ext1.mp484.12MB
290. 7. Matplotlib# Criando gráficos em Python/6. Filtrando a base usando o contains (e fillna para tratar valores vazios)/ext1.mp463.88MB
291. 7. Matplotlib# Criando gráficos em Python/7. Criando e ajustando o visual (rotacionando o eixo x) de um gráfico de barras/ext1.mp448.85MB
292. 7. Matplotlib# Criando gráficos em Python/8. Usando o annotate para adicionar rótulos de dados no gráfico/ext1.mp479.18MB
293. 7. Matplotlib# Criando gráficos em Python/9. Criando um scatter plot usando apenas a documentação/ext1.mp439.25MB
294. 8. Boas práticas para apresentação de dados/1. Introdução aos conceitos básicos de apresentação de dados/ext1.mp4112.24MB
295. 8. Boas práticas para apresentação de dados/10. Boas práticas de visualização no Python# Separando em dois gráficos e alterando o tipo de gráfico/ext1.mp457.77MB
296. 8. Boas práticas para apresentação de dados/11. Boas práticas de visualização no Python# Ajustando as barras e adicionando rótulo de dados nos gráficos de barra e de linha/ext1.mp484.39MB
297. 8. Boas práticas para apresentação de dados/12. Boas práticas de visualização no Python# Melhorando o visual do gráfico de linhas e separando realizado x projetado/ext1.mp463.5MB
298. 8. Boas práticas para apresentação de dados/2. Reduzindo o esforço para entender sua apresentação (eixo Y começando no zero e eixos secundários)/ext1.mp4195.57MB
299. 8. Boas práticas para apresentação de dados/3. Melhorando o seu visual (Proximidade e Similaridade)/ext1.mp4195.13MB
300. 8. Boas práticas para apresentação de dados/4. Melhorando o seu visual (Acercamento, Fechamento, Continuidade e Conexão)/ext1.mp4200.99MB
301. 8. Boas práticas para apresentação de dados/5. Contraste e atributos pré-atentivos/ext1.mp4171.37MB
302. 8. Boas práticas para apresentação de dados/6. Visualização de dados no Python# Passo a passo para melhorar seus visuais no matplotlib/ext1.mp445.89MB
303. 8. Boas práticas para apresentação de dados/7. Visualização de dados no Python# Ajustando o plot e colocando barras lado a lado em um gráfico de barras/ext1.mp446.89MB
304. 8. Boas práticas para apresentação de dados/8. Visualização de dados no Python# Adicionando rótulo nos dados (annotate)/ext1.mp458.79MB
305. 8. Boas práticas para apresentação de dados/9. Visualização de dados no Python# Retirando as bordas, ajustando os eixos e separando realizado x projetado/ext1.mp478.58MB
306. 9. Projeto 2 - Criando uma Apresentação Executiva/1. Apresentando o projeto/ext1.mp441.16MB
307. 9. Projeto 2 - Criando uma Apresentação Executiva/10. Adicionando todos os anos no gráfico de barras e colocando rótulo nos dados/ext1.mp469.56MB
308. 9. Projeto 2 - Criando uma Apresentação Executiva/11. Mudando os rótulos do eixo x e finalizando o visual da venda por mês/ext1.mp459.27MB
309. 9. Projeto 2 - Criando uma Apresentação Executiva/12. Respondendo qual foi a categoria mais vendida/ext1.mp4115.43MB
310. 9. Projeto 2 - Criando uma Apresentação Executiva/13. Criando um gráfico de barras horizontais para o top N itens/ext1.mp499.86MB
311. 9. Projeto 2 - Criando uma Apresentação Executiva/14. Usando o merge para unir 2 bases no pandas/ext1.mp461.14MB
312. 9. Projeto 2 - Criando uma Apresentação Executiva/15. Usando o merge para criar a relação de top N itens pelos anos/ext1.mp460.9MB
313. 9. Projeto 2 - Criando uma Apresentação Executiva/16. Criando o gráfico de barras horizontais do top N itens pelos anos/ext1.mp4114.09MB
314. 9. Projeto 2 - Criando uma Apresentação Executiva/17. Concluindo o projeto e respondendo as informações do negócio/ext1.mp458.99MB
315. 9. Projeto 2 - Criando uma Apresentação Executiva/18. Apresentando as informações em um PowerPoint/ext1.mp482.3MB
316. 9. Projeto 2 - Criando uma Apresentação Executiva/19. Corrigindo o erro na transformação da data/ext1.mp459.57MB
317. 9. Projeto 2 - Criando uma Apresentação Executiva/2. Importando e analisando a base/ext1.mp484.44MB
318. 9. Projeto 2 - Criando uma Apresentação Executiva/20. (Opcional) Criando um ranking com os produtos que mais aumentaram#/ caíram as vendas/ext1.mp4172.05MB
319. 9. Projeto 2 - Criando uma Apresentação Executiva/3. Tratando valores vazios/ext1.mp441.3MB
320. 9. Projeto 2 - Criando uma Apresentação Executiva/4. Usando o datetime para tratar datas/ext1.mp462.1MB
321. 9. Projeto 2 - Criando uma Apresentação Executiva/5. Criando um gráfico de barras no matplotlib/ext1.mp457.19MB
322. 9. Projeto 2 - Criando uma Apresentação Executiva/6. Adicionando título no gráfico e ajustando o eixo x/ext1.mp446.56MB
323. 9. Projeto 2 - Criando uma Apresentação Executiva/7. Adicionando e formatando rótulo de dados, ajustando o eixo y e retirando bordas/ext1.mp469.85MB
324. 9. Projeto 2 - Criando uma Apresentação Executiva/8. Vendas por mês e transformando índices em colunas com o reset_index/ext1.mp444.96MB
325. 9. Projeto 2 - Criando uma Apresentação Executiva/9. Entendendo o deslocamento das barras em um gráfico de barras horizontais/ext1.mp465.11MB