Bootcamp de Data Science com Python [+250 Exercícios][A-Z]

Aprenda Data Science com Python na prática, a partir de mais de 250 exercícios!

What you'll learn:

• Fundamentos da biblioteca NumPy para Data Science
• Álgebra Linear com NumPy
• Módulo Random do NumPy
• Criação de DataFrames e Series
• Inspeção de dados com Pandas
• Seleção de linhas e colunas (loc e iloc)
• Seleção booleana de dados
• Aplicação de funções
• Iteração em DataFrames e Series
• Limpeza de dados com Pandas
• Manipulação de dados com Pandas
• Funções de data e horas
• Transformação de dados com Pandas
• GroupBy, Merging/Joining e Concatenação de dados
• Tratamento de missing
• Estatística descritiva
• Leitura e escrita de arquivos com Pandas
• Matplotlib
• Seaborn
• Visualização de dados com Pandas
• Introdução à Machine Learning

Esse é um curso completo para a formação de Cientista de Dados, com mais de 250 exercícios de A-Z, abordando desde os conceitos mais básicos até os mais avançados. Foca em metodologias ativas, onde o aluno é protagonista nesse processo, assim, trazemos diversos exercícios resolvidos, notebooks de resumo dos conteúdos e muito mais, com o foco na aprendizagem da programação baseada na prática e simulação de problemas reais (como limpeza de dados, tratamento de missings, separação de dados em treino e teste, agrupamento e junção de datasets, dentre outros).

Neste sentido, o curso possui exercícios resolvidos sobre as principais bibliotecas do Python para Data Science:NumPy, Pandas, Matplotlib e Seaborn. Além do que, busca resgatar conceitos elementares da Álgebra Linear, por meio da biblioteca NumPy.

Em linhas gerais, o curso apresenta exercícios que englobam as principais funções do NumPy para Data Science, como funções de agregação, definição de matrizes, operações matricias, dentre outras. Quanto ao Pandas, busca-se oferecer um panorama geralpartindo da definição de Series e DataFrames, inspeção de datasets, seleção booleana, filtro de linhas de colunas, remoção de linhas e colunas, tratamento de dados ausentes, funções de agrupamento e junção, abertura e escrita de arquivos, funções de estatística descritiva, dentre outros tópicos.

Por fim, apresentam-se diversos problemas relacionados a visualização de dados, com as bibliotecas Matplotlib e Seaborn, a partir de datasets clássicos. Noções de Séries temporais e Finanças também são introduzidas. Há ainda exemplos de como preparar um dataset para um projeto de Machine Learning.

O curso possui ainda um E-book de fundamentos de Python, abordando os seguintes tópicos:

• Primeiros passos com Python!

• Declaração de variáveis e tipos primitivos

• Strings

• Operadores

• Estruturas condicionais

• Estruturas de repetição

• Estruturas de dados