segunda-feira, 30 de janeiro de 2023

O que é a realidade?

 

Como analisar a realidade?
A realidade é uma síntese do mundo externo(objeto do conhecimento) e do mundo interno(sujeito do conhecimento). É preciso pensar segundo o contexto, segundo a mente daquele momento. Cada momento é um tempo peculiar e é ligado a uma série de acontecimentos.  A razão está na história, ela é a história. Quando criança pensava como criança, adulto penso como adulto. Analisar um dado é analisar seu contexto e sua história. Chegar a uma informação é chegar ao presentificar. É síntese presente de uma série de dados. Sua utilidade e seu uso.
#analisededados



quarta-feira, 25 de janeiro de 2023

Ciência de Dados

 

Por que a ciência de dados é importante?

A ciência de dados é importante porque combina ferramentas, métodos e tecnologia para gerar significado com base em dados. As organizações modernas são inundadas com dados; há uma proliferação de dispositivos que podem coletar e armazenar informações automaticamente. Sistemas online e portais de pagamento capturam mais dados nas áreas de comércio eletrônico, medicina, finanças e todos os outros aspectos da vida humana. Temos dados de texto, áudio, vídeo e imagem disponíveis em grandes quantidades.  



Para que serve a ciência de dados?

A ciência de dados é usada para estudar dados de quatro maneiras principais:

1. Análise descritiva

A análise descritiva analisa os dados para obter insights sobre o que aconteceu ou o que está acontecendo no ambiente de dados. Ela é caracterizada por visualizações de dados, como gráficos de pizza, gráficos de barras, gráficos de linhas, tabelas ou narrativas geradas. Por exemplo, um serviço de reserva de voos pode registrar dados como o número de bilhetes reservados a cada dia. A análise descritiva revelará picos de reservas, quedas nas reservas e meses de alta performance para este serviço.

2. Análise diagnóstica

A análise diagnóstica é uma análise aprofundada ou detalhada de dados para entender por que algo aconteceu. Ela é caracterizada por técnicas como drill-down, descoberta de dados, mineração de dados e correlações. Várias operações e transformações de dados podem ser realizadas em um determinado conjunto de dados para descobrir padrões exclusivos em cada uma dessas técnicas. Por exemplo, o serviço de voo pode fazer drill-down em um mês particularmente de alta performance para entender melhor o pico de reserva. Isso pode levar à descoberta de que muitos clientes visitam uma determinada cidade para assistir a um evento esportivo mensal.

3. Análise preditiva

A análise preditiva usa dados históricos para fazer previsões precisas sobre padrões de dados que podem ocorrer no futuro. Ela é caracterizada por técnicas como machine learning, previsão, correspondência de padrões e modelagem preditiva. Em cada uma dessas técnicas, os computadores são treinados para fazer engenharia reversa de conexões de causalidade nos dados. Por exemplo, a equipe de serviço de voo pode usar a ciência de dados para prever padrões de reserva de voo para o próximo ano no início de cada ano. O programa de computador ou algoritmo pode analisar dados anteriores e prever picos de reservas para determinados destinos em maio. Tendo previsto as futuras necessidades de viagem de seus clientes, a empresa poderia iniciar a publicidade direcionada para essas cidades a partir de fevereiro.

4. Análise prescritiva

A análise prescritiva leva os dados preditivos a um novo patamar. Ela não só prevê o que provavelmente acontecerá, mas também sugere uma resposta ideal para esse resultado. Ela pode analisar as potenciais implicações de diferentes escolhas e recomendar o melhor plano de ação. A análise prescritiva usa análise de gráficos, simulação, processamento de eventos complexos, redes neurais e mecanismos de recomendação de machine learning.         

Voltando ao exemplo de reserva de voo, a análise prescritiva pode analisar campanhas de marketing históricas para maximizar a vantagem do próximo pico de reservas. Um cientista de dados pode projetar resultados de reservas para diferentes níveis de gastos de marketing em vários canais de marketing. Essas previsões de dados dariam à empresa de reservas de voos mais confiança para tomar suas decisões de marketing.

Fonte: Amazon https://aws.amazon.com/pt/what-is/data-science/


terça-feira, 24 de janeiro de 2023

PYTHON FUNÇÃO E GRÁFICO




MINERAÇÃO DE DADOS


 MINERAÇÃO DE DADOS

O que é? 

Data Mining.  É o processo de explorar dados procurando padrões consistentes. Hoje com a evolução da computação, internet temos muitas informações que precisam ser separadas e classificadas de acordo com a necessidade. Transformar em conjuntos de dados padronizados. O uso da Tecnologia da Informação é primordial. Nesse processo há o uso de estatística,  inteligência artificial e reconhecimento de padrões. Mineração de dados é  um sistema de informações que recebe dados como insumo, processa-os de forma dinâmica devolvendo como informação relevante. 

Primeiro há a coleta de dados, a seleção do dados importantes, de acordo com o objetivo. Na fase de pré-processamento  é a limpeza de dados, remoção e até incorporação de dados faltantes. Na etapa de transformação busca-se dados mais consistentes e regulares. Outra etapa é o uso de algorítmos visando aprendizado de máquina para enquadramento de problemas. Também importante é a avaliação de todo processo e da implementação do algorítimo seu funcionamento e seus impactos positívos e negativos. Neste campo há uma grande necessidade de se desenvolver uma gráfico analítico chamado em avaliação de Árvore de Problemas que analisa causas e consequências do problema principal. 

domingo, 22 de janeiro de 2023

Livro Gratuito Marketing Digital e Indústria 4.00

BAIXE GRÁTIS O LIVRO MARKETING DIGITAL E INDÚSTRIA 4.0

Saiba mais sobre a tecnologia da atualidade e fique por dentro de suas técnicas:




Business Intelligence

 Arquitetura de projetos de analíticos (Business Intelligence)  

O sistema de BI possui um acervo de possibilidades e requer uma percepção bem apurada da situação em questão para sua correta implementação. O BI contém certa abstração em seu conceito, permitindo, assim, flexibilidade e adaptações a cada novo projeto. Sua estrutura final vai depender do contexto em que está inserida a solução. 

Em uma arquitetura genérica de BI, ou seja, naquela em que não aplicamos uma estrutura pensada exclusivamente para um caso, a composição é simples. Em uma visão macro, percebemos que o BI precisa necessariamente de três marcos:

Fonte de dados: toda e qualquer estrutura de BI deve possuir origem para os dados, pois não existe milagre ou mágica para geração das informações. Podem ser oriundas de várias fontes, mas com no mínimo uma. Lembre-se: tudo no BI possui uma origem.


Consolidação: uma solução de BI deve possuir uma fase de consolidação dos dados da origem, com processos de transformação e tratamento de acordo com as características intrínsecas, que o tornam consistente, estável, centralizado e à disposição das necessidades informacionais da organização.  

Decisão: todo sistema de BI possui como único e exclusivo objetivo auxiliar a decisão. Por isso, esse é o seu último marco. Se a solução ao final não contemplar o que dela mais se espera, de nada ela servirá.

Modelo de Business Intelligence:


BASE DE FONTE: UNESA

Preenchendo formulário automático

MR PYTHON 

AUTOMATIZANDO COM SELENIUM 

PREENCHIMENTO DE FORMULÁRIO

COM DADOS DE PLANILHA EXCEL




Importando planilhas e exportando csv


 

Importando Excel em Python

 


Postagem em destaque

Entrevista sobre Avaliação com a Professora Thereza Penna Firme

Entrevista sobre Avaliação com a Professora Thereza Penna Firme Entrevista sobre Avaliação com a Professora Thereza Penna Firme para ...