A área de “Business Analytics” cresce exponencialmente nas empresas, ela possui espaço para diversas atividades e contempla pelo menos três ou quatro importantes cargos: engenheiro de dados, cientista de dados, analista de dados e "data strategy".

O intuito do acompanhamento através de consultorias ou aulas particulares é auxiliar você nesse universo caso tenha um curso que você esteja com dificuldades em acompanhar, ou problemas do seu trabalho que você gostaria de alguém para discutir e resolver junto.

APRESENTAÇÃO DO CONSULTOR E PROFESSOR

Sou bacharel em Física pela USP, MBA em Ciência de Dados. Trabalhei por seis anos no mercado financeiro em fundos locais (onshore) e fora do país (offshore) com estatística aplicada, backoffice e análise de Risco.

Empreendo com projetos em Big Data, sou consultor e cientista de dados no Grupo Boticário.

METODOLOGIA
A AULA PARTICULAR e a CONSULTORIA são encontros individuais de duração aproximada de 1 hora e meia  sob demanda.

Aulas online, com tela compartilhada, com material disponibilizado para você. Fica melhor se tiver duas telas e assim compartilhamos simultaneamente e podemos programarmos juntos.

Durante a aula ou consultoria discutimos soluções, acompanhamos um problema e auxilio você através de  exemplos reais. Você terá acesso à códigos, teoria matemática e um universo de conteúdo para entender seu uso e impacto em diferentes negócios.

Atendo pessoas de todas as áreas e auxilio empreendedores em MBAs,  plano de negócio e desenvolvimento de ideias com analytics.

A Mentoria em Python para Ciência de Dados é inspirada no Programa de cursos integrados Ciência de dados aplicada com Python da Universidade de Michigan da plataforma Coursera, complementado com estudos que realizei, processos seletivos que passei e os livros mais importantes da área.

 

APRESENTAÇÃO DO MENTOR

Sou bacharel em Física pela USP, MBA em Ciência de Dados. Trabalhei por seis anos no mercado financeiro em fundos locais (onshore) e fora do país (offshore) com estatística aplicada, backoffice e análise de Risco.

Empreendo com projetos em Big Data, sou consultor e cientista de dados no Grupo Boticário.

 

METODOLOGIA DE TRABALHO

A MENTORIA é um acompanhamento de 1 hora e meia por semana durante 4 meses com a participação de até 10 pessoas.

Online, em tempo real, com as aulas gravadas e disponibilizadas no lab.estudodedados.com.br . Você terá acesso à um conjunto enorme de códigos e modelos já prontos e eu vou ensinar do zero, como criar uma rotina de análise de dados e as melhores estratégias para construir modelos de machine learning.

Exemplifico com aplicações práticas em negócio e aplicativos que utilizam analytics como raiz do seu funcionamento.

Você também terá acesso à uma infinidade de recursos, códigos, artigos, canais no youtube e materiais de estudo para complementar o seu estudo.

Atendo pessoas e empresas de todas as áreas.

 

 

“O sucesso na criação da IA ​​seria o maior evento da história da humanidade. Infelizmente, também pode ser o último.” Stephen Hawking

 

As palavras desse conhecido físico, apesar de apocalíticas,  contém uma mensagem importante. Usamos ML para vender mais, conhecer comportamento de compra e investimento prever mais o quanto uma pessoa vai amar ou não uma determinada marca ou produto, mas estamos longe da erradicação da guerra, doenças e pobrezas com o uso dessa tecnologia.
Como cientistas de dados estamos arranhando as costas do potencial das técnicas e irá demorar anos para que se entenda melhor os usos mais produtivos de toda essa tecnologia sendo criada. Porém ao passar essa onda sobre Machine Learning e quando seus conceitos estiverem bem difundidos, será mais e mais valorizado o profissional que souber contar a história que essas técnicas descrevem. Fiz o artigo para termos um resumo das técnicas mais importantes que precisamos conhecer sobre ML no início dos estudos nessa área. Novos artigos técnicos e não técnicos virão no futuro.
Caso você queira se aprofundar menos e entender mais como essas técnicas impactam as áreas de negócio, ou saiba comprar um projeto em Data Science, aconselho conhecer meu trabalho como mentor e professor particular nessa área e ler meus outros artigos.

Quem pode se beneficiar com esse post?
Eu estou fazendo um post para quem quer saber um pouco dos conceitos gerais, pessoas que querem iniciar na carreira e precisa de uma visão resumida do que se tratam as técnicas e como é a cara dos códigos que usamos (em Python 😉 ). Sempre vou avisar a quem vai ler meu artigo para quem direciono, então se você não entender algum, fique tranquilo! Sempre haverá uma maneira de explicar o que você quer entender, um pouco de paciência e continuar procurando.

No geral há 3 tipos de modelagens em Machine Learning

1. Aprendizado Supervisionado
Um problema em que variáveis dependentes (características ou features) que possuem relações entre si são levadas à um “alvo”, como exemplo são regressões multilineares ou modelos de classificação onde se ensina por exemplo uma máquina a separar o que é uva, maçã e laranja em uma esteira. Faz sentido entendermos acurácia e precisão nas classificações ou erro quadrático médio (R2) em regressões. Exemplos de Aprendizado supervisionado: prever venda no mês, prever a probabilidade de churn, classificar spam, reconhecimento de faces (face recognition).

2. Aprendizado Não Supervisionado
Problemas como redução dimensional de dados em alta dimensionalidade, ou entendimento de relações internas das variáveis que criam padrões. Modelos não supervisionados são aqueles onde não possuem uma variável alvo de treinamento, não há um valor de saída, um rótulo que eu possa comparar numa previsão, são modelos usados por exemplo em segmentações de grupos de pessoas ou lugares para criações de rótulos. Algumas técnicas são Multidimensional Scaling, Manifold Learning, PCA, t-SNE, Clustering como K-Means ou Dendogramas.
Há um um tipo também chamado Aprendizado Semi-Supervisionado onde há dados misturados, supervisionados e não supervisionados, porém não falarei dele nesse post.
Exemplos de uso do Aprendizado Não Supervisionado: segmentação de clientes, sistemas de recomendação, entender hábitos de compra.

3. Aprendizagem por Reforço
Neste método de aprendizagem existem basicamente três componentes que trabalham juntos: agente/máquina, ambiente e ação. Funciona assim: a máquina é exposta a um ambiente onde ela se treina continuamente usando tentativa e erro, interagindo com a componente ambiente. Esta máquina aprende com a experiência passada e tenta capturar o melhor conhecimento possível para tomar decisões de negócios precisas. Exemplos de Aprendizado por Reforço: Otimização de uso de eletricidade em máquinas industriais, automatização de uso de dados em servidores, ensinar uma máquina a jogar vídeo-game.

Tipos de Algorithmos em Machine Learning
Segue a lista de algoritmos que tratarei nos próximos artigos:
1. Regressões lineares e polinomiais
2. Regressão Logística
3. Árvore de Decisão
4. SVM
5. Naive Bayes
6. kNN
7. K-Means
8. Random Forest
9. Dimensionality Reduction Algorithms (PCA, MDS e t-SNE)
10. Algoritmo de “Gradient Boosting”

Códigos de todas essas técnicas, aplicações, fóruns de discussões e muito mais disponível no Meu Lab, ambiente virtual para aprender ciência de dados e machine learning que continuamente estou desenvolvendo. Nos vemos por lá! https://lab.estudodedados.com.br/

Até a próxima!