c:ciencia_de_dados
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anteriorRevisão anteriorPróxima revisão | Revisão anterior | ||
| c:ciencia_de_dados [2022/08/27 18:46] – padronização da formatação Pedro Folloni Pesserl | c:ciencia_de_dados [2022/09/12 20:37] (atual) – [Grandes Nomes] João Pedro Ramalho | ||
|---|---|---|---|
| Linha 1: | Linha 1: | ||
| + | ====== Ciência de Dados ====== | ||
| + | ===== Visão Geral ===== | ||
| + | |||
| + | A ciência de dados é uma área interdisciplinar, | ||
| + | |||
| + | ===== As Origens ===== | ||
| + | A partir dos anos 1970 a nossa capacidade de processamento passou a crescer em uma escala de progressão geométrica, | ||
| + | Atualmente a ciência de dados é amplamente utilizada em diversas áreas, desde na tomada de decisões empresariais até no descobrimento de padrões em diagnóstico de pacientes. | ||
| + | |||
| + | ===== Grandes Nomes ===== | ||
| + | Ao longo de da história houveram muitos nomes que colaboraram para o seu desenvolvimento. Dentre eles vale destacar: | ||
| + | {{ : | ||
| + | Figura 1.: John Eckert e John Mauchly; | ||
| + | * John Eckert e John Mauchly: dupla de engenheiros que criaram o primeiro computador do mundo (Eniac), cujas ideias são utilizadas até hoje. Foram elas que permitiram que os computadores fossem programados através de programas - função essencial para a história da Ciência de Dados e para o trabalho do cientista de dados. | ||
| + | |||
| + | {{ : | ||
| + | Figura 2.: Ada Lovelace; | ||
| + | * Ada Lovelace: foi a primeira programadora da história, cuja colaboração consistiu no desenvolvimento | ||
| + | {{ : | ||
| + | Figura 3.: William Cleveland; | ||
| + | * William Cleveland: professor que estava a frente de seu tempo e percebeu a importância de aumentar as áreas técnicas da Estatística com foco no analista de dados - por isso começou a treinar esses profissionais para o que ele chamava de “necessidades do futuro”. | ||
| + | |||
| + | Além disso, fica aqui alguns cientistas atuais da área, para que os interessados possam acompanhá-los: | ||
| + | * Fei-Fei Li: professora de Ciência da Computação na Universidade de Stanford University considerada uma das figuras mais importantes em Inteligência Artificial (IA), machine learning e neurociência cognitiva. | ||
| + | * Nando de Freitas: principal cientista do Google DeepMind, cujo trabalho vem auxiliando a organização no objetivo da utilização de tecnologias para benefício público, assegurando a plena segurança e ética de trabalho. | ||
| + | * Mine Çetinkaya-Rundel: | ||
| + | |||
| + | [Referências: | ||
| + | ===== Explorando Dados ===== | ||
| + | A análise e processamento de dados consiste em uma série de etapas a serem seguidas para se chegar em uma conclusão a partir dos fatos analisados. Tais etapas consistem em: | ||
| + | - Perguntar: ir atrás do problema que queremos resolver para poder entendê-lo melhor; | ||
| + | - Planejar: organizar e administrar como os dados serão coletados; | ||
| + | - Processar: de fato processar as informações capturadas e reorganizá-las conforme aspectos semelhantes apareçam; | ||
| + | - Analisar: analisar os dados obtidos e descartar os que foram considerados enviesados e/ou irrelevantes; | ||
| + | - Agir: elaborar uma conclusão das informações obtidas e colocar em prática o plano de resolução do problema - formado a partir dos dados; | ||
| + | |||
| + | [Referências: | ||
| + | ===== Aplicações ===== | ||
| + | Como mencionado anteriormente, | ||
| + | * Setor Financeiro: quando se está falando de finanças o objetivo principal é sempre o mesmo - quanto menor o risco, melhor - e é justamente isso o que os cientistas de dados querem como objetivo. Por meio de análises preditivas, áreas do segmento financeiro tem conseguido analisar riscos de maneira mais assertiva, porque é somente através da aplicação do pensamento técnico analítico que, com base nos dados do passado, conseguimos predizer situações futuras. | ||
| + | * Setor de Marketing: O Data Science também tem importância para otimizar os resultados do trabalho de comunicação. Afinal, identificar e reconhecer padrões de comportamento não é útil apenas para a previsão financeira, mas também é super valioso para as ações de marketing digital. No marketing, a analise de dados resulta em um maior entendimento do gosto dos cliente, o que possibilita desenvolver técnicas de venda eficazes para o público alvo. | ||
| + | |||
| + | [Referências: | ||
| + | ===== Impacto Social ===== | ||
| + | A ciência de dados é equivalente a uma faca de dois gumes, pois pode influenciar tanto positivamente como negativamente. Pelo lado positivo ela contribui para a melhora na qualidade de vida e corrobora para a solução de problemas do cotidiano - um exemplo é a iniciativa do movimento "Data Good" (para saber mais acesse o Link na seção de referências). Contudo, pelo outro lado ela abriu os olhos para o mar de dados que as redes proporcionam, | ||
| + | |||
| + | ===== Desafios ===== | ||
| + | Como qualquer outra profissão, os cientistas de dados enfrentam uma série de percalços durante a vida profissional, | ||
| + | Esses desafios abrangem principalmente o período inicial das carreiras de um cientista de dados e podem ser solucionados com uma graduação vasta e aplicada, ou seja, basta ir atrás dos assuntos, ser curioso e antenado às novidades na área. Contudo, há uma série de desafios que englobam mais o mercado de trabalho e para os quais se deve estar mais atento: lidar com o crescimento dos dados; gerar insights em tempo hábil; integrar fontes de dados díspares; validação dos dados. | ||
| + | |||
| + | ===== Referências ===== | ||
| + | * Figura 1: [[https:// | ||
| + | * Figura 2: [[https:// | ||
| + | * Figura 3: [[https:// | ||
| + | * Link: [[https:// | ||
| + | * Info sobre Grandes Nomes na área: https:// | ||