= Ciencia_de_Dados_Impressionador_HashTag_2022-001.

zip
== Arquivos
=== Módulo 01 - O que é Ciência de Dados
++++ 01. O que é ciência de dados - Material(1).pdf
++++ 01. O que é ciência de dados - Material(2).pptx
++++ 01. O que é ciência de dados - Material(3).pdf
++++ 01. O que é ciência de dados(Arquivos da aula.txt
++++ 02. O que eu quero responder - Material(1).pptx
++++ 03. Os pilares da Ciência de Dados - Material(1).pptx
++++ 04. QUIZ 1 - O que é Ciência de Dados(Arquivos da aula.txt
++++ 05. Banco de Vagas(Arquivos da aula.txt
++++ Introdução a Ciência de Dados.pptx.pptx

=== Módulo 02 - Introdução a Ciência de Dados

++++ 01. O que é ser um cientista(Arquivos da aula.txt
++++ 02. Um framework para Ciência de Dados - Material(1).pptx
++++ 02. Um framework para Ciência de Dados(Arquivos da aula.txt
++++ 03. Resumindo ciência de dados - Material(1).pptx
++++ 04. Python como ferramenta de Data Science - Material(1).pptx
++++ 05. O mercado de trabalho para um Cientista de Dados - Material(1).pptx
++++ 05. O mercado de trabalho para um Cientista de Dados(Arquivos da aula.txt
++++ 06. QUIZ 2 - Introdução a Ciência de Dados(Arquivos da aula.txt

=== Módulo 03 - Python Básico

++++ 02. Instalando o Python no Windows(Arquivos da aula.txt
++++ 03. Problemas na Instalação - Resolvido(Arquivos da aula.txt
++++ 04. Mac, Linux e Google Colab(Arquivos da aula.txt
++++ 05. Criando seu Primeiro Programa(Arquivos da aula.txt
++++ 06. Variáveis(Arquivos da aula.txt
++++ 07. Tipos de Variáveis(Arquivos da aula.txt
++++ 08. Estrutura do if - Condições no Python(Arquivos da aula.txt
++++ 09. Elif(Arquivos da aula.txt
++++ 10. Comparadores(Arquivos da aula.txt
++++ 11. And e Or(Arquivos da aula.txt
++++ 12. Listas em Python(Arquivos da aula.txt
++++ 13. Índices em Lista, Consultando e Modificando Valores(Arquivos da aula.txt
++++ 14. Alterações Incrementais de Variáveis (Importante)(Arquivos da aula.txt
++++ 15. Estrutura de Repetição For(Arquivos da aula.txt
++++ 16. For each - Percorrer cada item de uma lista(Arquivos da aula.txt
++++ 17. For e If(Arquivos da aula.txt
++++ 18. Estrutura While(Arquivos da aula.txt
++++ 19. Loop Infinito no While(Arquivos da aula.txt
++++ 20. Tuplas(Arquivos da aula.txt
++++ 21. Unpacking em Tuplas(Arquivos da aula.txt
++++ 22. Dicionários em Python(Arquivos da aula.txt
++++ 23. Pegar item Dicionário e Verificar Item Dicionário(Arquivos da aula.txt
++++ 24. Range(Arquivos da aula.txt
++++ 25. Functions no Python(Arquivos da aula.txt
++++ 26. Retornar um valor na Function(Arquivos da aula.txt
++++ 27. Argumentos e Parâmetros numa Function(Arquivos da aula.txt
++++ 28. (Opcional) Aplicação em um Exemplo de argumento(Arquivos da aula.txt
++++ 29. O que são Módulos e qual a importância(Arquivos da aula.txt
++++ 30. QUIZ 3 - Python Básico(Arquivos da aula.txt

=== Módulo 04 - Pandas e Numpy - As bibliotecas básicas para Ciência de Dados

++++ 01. Comparando Pandas e Excel(Arquivos da aula.txt
++++ 02. Comparando Pandas e Excel na prática(Arquivos da aula.txt
++++ 03. (Opcional) Entendendo a documentação do NumPy(Arquivos da aula.txt
++++ 04. Introdução ao NumPy - A importância do NumPy(Arquivos da aula.txt
++++ 05. Introdução ao NumPy - Propriedades de um array(Arquivos da aula.txt
++++ 06. Introdução ao NumPy - Trabalhando com um array(Arquivos da aula.txt
++++ 07. (Opcional) Entendendo a documentação do Pandas(Arquivos da aula.txt
++++ 08. Introdução ao Pandas - Importando e visualizando uma base(Arquivos da
aula.txt
++++ 09. Introdução ao Pandas - DataFrame e Series(Arquivos da aula.txt
++++ 10. Introdução ao Pandas - tipos de dados, valores nulos e seleção de
colunas(Arquivos da aula.txt
++++ 11. Introdução ao Pandas - informações estatísticas e filtros na base(Arquivos
da aula.txt
++++ 12. Introdução ao Pandas - criando gráficos(Arquivos da aula.txt
++++ 13. QUIZ 4 - NumPy e Pandas(Arquivos da aula.txt

=== Módulo 05 - Projeto 1 - Analisando o engajamento do Instagram

++++ 01. Explicando o projeto(Arquivos da aula.txt
++++ 02. Importando e tratando a base com Pandas(Arquivos da aula.txt
++++ 03. Tratando valores nulos da coluna Carrossel(Arquivos da aula.txt
++++ 04. Analisando informações estatísticas e as 5 melhores - 5 piores
publicações(Arquivos da aula.txt
++++ 05. O group by (groupby) no pandas e a análise do engajamento(Arquivos da
aula.txt
++++ 06. Analisando Tags - Separando valores de uma coluna em linhas diferentes
(split e explode)(Arquivos da aula.txt
++++ 07. Analisando Tags - Analisando o engajamento por Tags(Arquivos da aula.txt
++++ 08. Analisando Tags - Finalizando a análise da nossa base (analisando tag,
pessoas e campanhas)(Arquivos da aula.txt

=== Módulo 06 - Introdução a Estatística

++++ 01. Introdução a Estatística e Estatística Descritiva(Arquivos da aula.txt
++++ 02. Tabela de frequência e histograma(Arquivos da aula.txt
++++ 03. Entendendo o conceito da média(Arquivos da aula.txt
++++ 04. Mediana e sua relação com a média(Arquivos da aula.txt
++++ 05. Usando Python para entender a relação entre média e mediana(Arquivos da
aula.txt
++++ 06. Média, mediana e moda(Arquivos da aula.txt
++++ 07. Entendendo de forma prática a relação entre média, mediana e moda(Arquivos
da aula.txt
++++ 08. QUIZ 5 - Introdução a Estatística(Arquivos da aula.txt

=== Módulo 07 - Matplotlib - Criando gráficos em Python

++++ 01. Apresentando o Matplotlib(Arquivos da aula.txt
++++ 02. Introdução ao Matplotlib(Arquivos da aula.txt
++++ 03. Usando a documentação para criar nosso primeiro gráfico (gráfico de linha)
(Arquivos da aula.txt
++++ 04. (Opcional) Entendendo a documentação do Matplotlib(Arquivos da aula.txt
++++ 05. Usando gráficos (de linha) para entender os dados (máximo, mínimo e média
mensal de curtidas)(Arquivos da aula.txt
++++ 06. Filtrando a base usando o contains (e fillna para tratar valores vazios)
(Arquivos da aula.txt
++++ 07. Criando e ajustando o visual (rotacionando o eixo x) de um gráfico de
barras(Arquivos da aula.txt
++++ 08. Usando o annotate para adicionar rótulos de dados no gráfico(Arquivos da
aula.txt
++++ 09. Criando um scatter plot usando apenas a documentação(Arquivos da aula.txt
++++ 10. (Opcional) Revisando o datetime e o astype(Arquivos da aula.txt
++++ 11. (Opcional) Adicionando rótulo para as cores de um scatter plot(Arquivos da
aula.txt

=== Módulo 08 - Boas práticas para apresentação de dados

++++ 01. Introdução aos conceitos básicos de apresentação de dados -
Material(1).pptx
++++ 02. Reduzindo o esforço para entender sua apresentação (eixo Y começando no
zero e eixos secundários) - Material(1).pptx
++++ 03. Melhorando o seu visual (Proximidade e Similaridade) - Material(1).pptx
++++ 04. Melhorando o seu visual (Acercamento, Fechamento, Continuidade e Conexão)
- Material(1).pptx
++++ 05. Contraste e atributos pré-atentivos - Material(1).pptx
++++ 06. Visualização de dados no Python - Passo a passo para melhorar seus visuais
no matplotlib(Arquivos da aula.txt
++++ 07. Visualização de dados no Python - Ajustando o plot e colocando barras lado
a lado em um gráfico de barras(Arquivos da aula.txt
++++ 08. Visualização de dados no Python - Adicionando rótulo nos dados (annotate)
(Arquivos da aula.txt
++++ 09. Visualização de dados no Python - Retirando as bordas, ajustando os eixos
e separando realizado x projetado(Arquivos da aula.txt
++++ 10. Boas práticas de visualização no Python - Separando em dois gráficos e
alterando o tipo de gráfico(Arquivos da aula.txt
++++ 11. Boas práticas de visualização no Python - Ajustando as barras.txt
++++ 12. Boas práticas de visualização no Python - Melhorando o visual do gráfico
de linhas.txt

=== Módulo 09 - Projeto 2 - Criando uma Apresentação Executiva

++++ 01. Apresentando o projeto(Arquivos da aula.txt
++++ 02. Importando e analisando a base(Arquivos da aula.txt
++++ 03. Tratando valores vazios(Arquivos da aula.txt
++++ 04. Usando o datetime para tratar datas(Arquivos da aula.txt
++++ 05. Criando um gráfico de barras no matplotlib(Arquivos da aula.txt
++++ 06. Adicionando título no gráfico e ajustando o eixo x(Arquivos da aula.txt
++++ 07. Adicionando e formatando rótulo de dados, ajustando o eixo y e retirando
bordas(Arquivos da aula.txt
++++ 08. Vendas por mês e transformando índices em colunas com o
reset_index(Arquivos da aula.txt
++++ 09. Entendendo o deslocamento das barras em um gráfico de barras
horizontais(Arquivos da aula.txt
++++ 10. Adicionando todos os anos no gráfico de barras e colocando rótulo nos
dados(Arquivos da aula.txt
++++ 11. Mudando os rótulos do eixo x e finalizando o visual da venda por
mês(Arquivos da aula.txt
++++ 12. Respondendo qual foi a categoria mais vendida(Arquivos da aula.txt
++++ 13. Criando um gráfico de barras horizontais para o top N itens(Arquivos da
aula.txt
++++ 14. Usando o merge para unir 2 bases no pandas(Arquivos da aula.txt
++++ 15. Usando o merge para criar a relação de top N itens pelos anos(Arquivos da
aula.txt
++++ 16. Criando o gráfico de barras horizontais do top N itens pelos anos(Arquivos
da aula.txt
++++ 17. Concluindo o projeto e respondendo as informações do negócio(Arquivos da
aula.txt
++++ 18. Apresentando as informações em um PowerPoint - Material(1).pptx
++++ 18. Apresentando as informações em um PowerPoint - Material(2).pptx
++++ 18. Apresentando as informações em um PowerPoint(Arquivos da aula.txt
++++ 19. Corrigindo o erro na transformação da data(Arquivos da aula.txt
++++ 20. (Opcional) Criando um ranking com os produtos que mais aumentaram -
caíram as vendas(Arquivos da aula.txt

=== Módulo 10 - Introdução ao Aprendizado de Máquinas

++++ 01. O que é Aprendizado de Máquinas (Machine Learning) - Material(1).pptx
++++ 01. O que é Aprendizado de Máquinas (Machine Learning)(Arquivos da aula.txt
++++ 02. O aprendizado de máquinas no Instagram - Material(1).pptx
++++ 02. O aprendizado de máquinas no Instagram(Arquivos da aula.txt
++++ 03. Explicando o Aprendizado de Máquinas - Material(1).pptx
++++ 03. Explicando o Aprendizado de Máquinas(Arquivos da aula.txt
++++ 04. Caso Real - Uso do Aprendizado de Máquinas pelo Walmart - Material(1).pptx
++++ 04. Caso Real - Uso do Aprendizado de Máquinas pelo Walmart(Arquivos da
aula.txt
++++ 05. Como funciona um modelo de Aprendizado de Máquinas - Material(1).pptx
++++ 05. Como funciona um modelo de Aprendizado de Máquinas(Arquivos da aula.txt
++++ 06. O erro no processo de aprendizado - Material(1).pptx
++++ 06. O erro no processo de aprendizado(Arquivos da aula.txt
++++ 07. O Aprendizado de Máquinas no Python(Arquivos da aula.txt
++++ 08. Regressão Linear no Scikit-Learn - importanto, tratando e entendendo os
dados(Arquivos da aula.txt
++++ 09. Usando Regressão Linear do Scikit-Learn para calcular a Venda utilizando
apenas o Preço(Arquivos da aula.txt
++++ 10. Calculando a regressão linear com Scikit-Learn utilizando Preço Original e
Desconto(Arquivos da aula.txt
++++ 11. Usando o sklearn.metrics para calcular os erros de cada um dos
modelos(Arquivos da aula.txt
++++ 12. A descrição estatística do Pandas - Material(1).pptx
++++ 13. A variância e o desvio padrão (medidas de dispersão) - Material(1).pptx
++++ 14. Separatrizes - entendendo os quartis - Material(1).pptx

=== Módulo 11 - Como as máquinas aprendem

++++ 01. Os tipos de aprendizado de máquinas - aprendizado supervisionado e não
supervisionado - Material(1).pptx
++++ 02. Os tipos de aprendizado de máquinas - aprendizado semi supervisionado e
por reforço - Material(1).pptx
++++ 03. A diferença entre aprender e decorar - Material(1).pptx
++++ 04. Considerações importantes para o Aprendizado de Máquinas -
Material(1).pptx

=== Módulo 12 - Projeto 3 - Criando um modelo de classificação

++++ 01. Entendendo e importando o dataset iris do scikit-learn(Arquivos da
aula.txt
++++ 02. Tratando os dados do dataset e transformando em um DataFrame do
pandas(Arquivos da aula.txt
++++ 03. Escolhendo visualmente quais colunas da base iremos usar no
modelo(Arquivos da aula.txt
++++ 04. Criando uma reta capaz de separar os dados do modelo(Arquivos da aula.txt
++++ 05. Classificando um novo ponto usando o modelo visual que acabamos de
criar(Arquivos da aula.txt
++++ 06. Criando uma função em Python para classificar um novo ponto no
modelo(Arquivos da aula.txt
++++ 07. Entendendo o Perceptron e usando esse algoritmo nos nossos dados(Arquivos
da aula.txt
++++ 08. Usando o Perceptron para criar um modelo de aprendizado de
máquinas(Arquivos da aula.txt

=== Módulo 13 - Utilizando o Aprendizado de Máquinas

++++ 01. Revisando a imporação da base usando o pandas(Arquivos da aula.txt
++++ 02. Revisando a visualização do scatter plot com o matplotlib(Arquivos da
aula.txt
++++ 03. Criando uma reta capaz de separar os dados em 2 classes
diferentes(Arquivos da aula.txt
++++ 04. (Opcional) Entendendo a reta criada para classificar os pontos(Arquivos da
aula.txt
++++ 05. Criando uma função que classfica os dados usando a reta gerada pelo
scatter plot(Arquivos da aula.txt
++++ 06. Avaliando um modelo de classificação(Arquivos da aula.txt
++++ 07. A matriz de confusão para um modelo de classificação(Arquivos da aula.txt
++++ 08. Acurácia, precisão e recall em um modelo de classificação(Arquivos da
aula.txt
++++ 09. Gerando a matriz de confusão no Scikit-Learn (avaliando modelos de
classificação)(Arquivos da aula.txt
++++ 10. Calculando acurácia, precisão e recall no Scikit-Learn (avaliando modelos
de classificação)(Arquivos da aula.txt
++++ 11. Avaliando os dados de TREINO do modelo que criamos(Arquivos da aula.txt
++++ 12. Avaliando os dados de TESTE do modelo que criamos(Arquivos da aula.txt
++++ 13. Usando o train_test_split do Scikit-Learn para separar os dados em treino
e teste(Arquivos da aula.txt
++++ 14. Usando o train_test_split e avaliando o modelo criado(Arquivos da aula.txt
++++ 15. Explicando o que é uma Árvore de Decisão(Arquivos da aula.txt
++++ 16. Entendendo a classificação dos dados utilizando a Árvore de
Decisão(Arquivos da aula.txt
++++ 17. Importando e tratando os dados do projeto 3 (iris) para aplicarmos
diferentes modelos de classificação(Arquivos da aula.txt
++++ 18. Separando em treino e teste e analisando os dados de TREINO(Arquivos da
aula.txt
++++ 19. Traçando uma reta capaz de separar os dados de TREINO(Arquivos da aula.txt
++++ 20. Criando uma árvore de decisão capaz de separar os dados de TREINO(Arquivos
da aula.txt
++++ 21. Avaliando os dados de TESTE para os dois modelos criados(Arquivos da
aula.txt

=== Módulo 14 - Análise Exploratória de dados

++++ 01. Explicando a Análise Exploratória e a base que vamos usar (dataset do
Titanic)(Arquivos da aula.txt
++++ 02. Importando e entendendo a base do Titanic(Arquivos da aula.txt
++++ 03. Analisando as informações da base e o resumo estatístico(Arquivos da
aula.txt
++++ 04. Entendendo a cardinalidade de uma base(Arquivos da aula.txt
++++ 05. Visualizando os dados de forma gráfica(Arquivos da aula.txt
++++ 06. Gerando um boxplot usando o matplotlib(Arquivos da aula.txt
++++ 07. Interpretando o boxplot(Arquivos da aula.txt
++++ 08. Outras opções de gráficos(Arquivos da aula.txt
++++ 09. Correlação entre as variáveis e o KDE (Kernel Density Estimation)(Arquivos
da aula.txt
++++ 10. Criando um mapa de calor da correlação entre as variáveis(Arquivos da
aula.txt
++++ 11. Tratando valores vazios e outliers(Arquivos da aula.txt
++++ 12. O Pandas Profiling(Arquivos da aula.txt
++++ 13. (Opcional) Corrigindo o erro ao carregar o Pandas Profiling(Arquivos da
aula.txt
++++ 14. Apresentando sua análise exploratória de forma executiva(Arquivos da
aula.txt

=== Módulo 15 - O Scikit-Learn

++++ 01. Apresentando a documentação do Scikit-Learn(Arquivos da aula.txt
++++ 02. Importando o dataset iris do Scikit-Learn e transformando em um DataFrame
do pandas(Arquivos da aula.txt
++++ 03. O Perceptron no Scikit-Learn(Arquivos da aula.txt
++++ 04. Entendendo o resultado gerado pelo perceptron(Arquivos da aula.txt
++++ 05. A árvore de decisão no Scikit-Learn(Arquivos da aula.txt
++++ 06. Classificação no Scikit-Learn - entendendo o dataset e criando os
classificadores(Arquivos da aula.txt
++++ 07. Classificação no Scikit-Learn - Avaliando erros de classificação(Arquivos
da aula.txt
++++ 08. (Opcional) O average no precision_score(Arquivos da aula.txt
++++ 09. Classificação no Scikit-Learn - separando os dados em treino e teste e
avaliando o modelo(Arquivos da aula.txt
++++ 10. Classificação no Scikit-Learn - adicionando novos algoritmos (Regressão
Logística) e melhorando o resultado do Perceptron(Arquivos da aula.txt
++++ 11. A equação da reta(Arquivos da aula.txt
++++ 12. Entendendo a regressão linear(Arquivos da aula.txt
++++ 13. O erro na regressão linear(Arquivos da aula.txt
++++ 14. A regressão linear no Scikit-Learn(Arquivos da aula.txt
++++ 15. Regressão no Scikit-Learn - explicando o problema e importando a
base(Arquivos da aula.txt
++++ 16. Regressão no Scikit-Learn - utilizando regressão linear simples para
prever o volume de ações(Arquivos da aula.txt
++++ 17. Regressão no Scikit-Learn - utilizando regressão linear múltipla(Arquivos
da aula.txt
++++ 18. Regressão no Scikit-Learn - tratando a variável de data e utilizando no
modelo(Arquivos da aula.txt

=== Módulo 16 - Projeto 4 - Criando um algoritmo de regressão

++++ 01. Explicando o projeto e importando a base de casas da Califórnia(Arquivos
da aula.txt
++++ 02. Visualizando os dados de maneira gráfica(Arquivos da aula.txt
++++ 03. Entendendo a base, verificando valores duplicados e tratando
outliers(Arquivos da aula.txt
++++ 04. Separando a base em treino e teste e usando Regressão Linear
Simples(Arquivos da aula.txt
++++ 05. Utilizando o for para fazer a regressão de todas as colunas da
base(Arquivos da aula.txt
++++ 06. Entendendo o coeficiente de determinação (r quadrado)(Arquivos da aula.txt
++++ 07. Métricas de erro para regressão(Arquivos da aula.txt
++++ 08. Avaliando o erro na regressão com Scikit-Learn(Arquivos da aula.txt
++++ 09. Avaliando os erros do nosso modelo e escolhendo o melhor modelo de
Regressão Linear Simples(Arquivos da aula.txt
++++ 10. A Regressão Linear Múltipla(Arquivos da aula.txt
++++ 11. Utilizando o for para escolher o melhor par de variáveis na Regressão
Linear Múltipla(Arquivos da aula.txt
++++ 12. Utilizando Árvore de Regressão e Support Vector Regression nos
dados(Arquivos da aula.txt
++++ 13. Concluindo o projeto e visualizando os resultados de forma
gráfica(Arquivos da aula.txt

=== Módulo 17 - Conceitos básicos de SQL para Ciência de Dados

++++ 01. Apresentando o sqlite3(Arquivos da aula.txt
++++ 02. Transformando dados do SQL em um DataFrame do pandas(Arquivos da aula.txt
++++ 03. Selecionando (SELECT) dados de um banco de dados com SQL(Arquivos da
aula.txt
++++ 04. Utilizando o WHERE para filtrar a nossa tabela(Arquivos da aula.txt
++++ 05. (Opcional) Revisando o SELECT utilizando o sqlite3(Arquivos da aula.txt
++++ 06. (Opcional) Revisando o SELECT DISTINCT e o WHERE (AND, OR e NOT)(Arquivos
da aula.txt
++++ 07. Utilizando o GROUP BY e o ORDER BY no SQL(Arquivos da aula.txt
++++ 08. Limitando a base com o TOP - LIMIT e usando o HAVING para filtrar a
tabela(Arquivos da aula.txt
++++ 09. Definindo condicionais no SQL com o CASE(Arquivos da aula.txt
++++ 10. Utilizando subquery no SQL(Arquivos da aula.txt
++++ 11. Outros filtros no SQL (IN e LIKE)(Arquivos da aula.txt
++++ 12. Bases de dados com mais de 1 tabela(Arquivos da aula.txt
++++ 13. Revisando o merge do pandas(Arquivos da aula.txt
++++ 14. Unindo duas bases no SQL utilizando o JOIN(Arquivos da aula.txt
++++ 15. O UNION e o FULL JOIN no SQL(Arquivos da aula.txt

=== Módulo 18 - Utilizando o SQL com dados reais de venda

++++ 01. Apresentando a base de dados que vamos utilizar nesse módulo(Arquivos da
aula.txt
++++ 02. Usando a biblioteca os para buscar os arquivos da nossa base de
dados(Arquivos da aula.txt
++++ 03. Importando todas as bases de dados para o pandas(Arquivos da aula.txt
++++ 04. Analisando a base de ordens, itens e pagamentos para iniciar o
entendimento dos dados(Arquivos da aula.txt
++++ 05. Utilizando o groupby do pandas para analisar as ordens com mais de 1
item(Arquivos da aula.txt
++++ 06. Fazendo o pivot (pivotando) da tabela para analisar diferentes itens na
mesma ordem(Arquivos da aula.txt
++++ 07. Finalizando o entendimento da base analisando pagamentos, vendedores e
review(Arquivos da aula.txt
++++ 08. (Opcional) Criando um banco de dados utilizando a documentação do
sqlite3.txt
++++ 9. (Opcional) Criando uma tabela utilizando um DataFrame do pandas.txt
++++ 10. (Opcional) Inserindo dados em uma tabela utilizando o to_sql e o
INSERT.txt
++++ 11. (Opcional) Atualizando e deletando registros em uma tabela utilizando
UPDATE e DELETE.txt
++++ 12. Usando a biblioteca os para visualizar os arquivos que iremos transformar
em tabelas.txt
++++ 13. Criando um banco de dados e a nossa primeira tabela.txt
++++ 14. Adicionando todos os arquivos da pasta como tabelas no banco de dados.txt
++++ 15. Ajustando as colunas de datas e usando o if_exists para substituir tabelas
em uma banco.txt
++++ 16. Criando uma função para automatizar as consultas no nosso banco de
dados.txt
++++ 17. Apresentando o banco de dados de vendas.txt
++++ 18. Exercício Melhorando a satisfação do cliente.txt
++++ 19. Criando uma história com seus dados.txt
++++ 20. Dicas para uma boa apresentação de dados.txt
++++ 21. A estrutura de uma história.txt
++++ 22. Resolução - O problema realmente existe Conectando ao banco e começando a
analisar a tabela de pedidos.txt
++++ 23. Resolução - Tratando as colunas de data que estão como texto (usando o
to_datetime do pandas).txt
++++ 24. Resolução - Calculando o atraso na entrega e verificando a média de atraso
utilizando o datetime.txt
++++ 25. Resolução - Utilizando o to_period para calcular a média do atraso em cada
um dos meses.txt
++++ 26. Resolução - Analisando o máximo e mínimo do atraso e visualizando
graficamente utilizando o matplotlib.txt
++++ 27. Resolução - Criando uma função para contar o número de pedidos atrasados
(usando apply e lambda function).txt
++++ 28. (Opcional) Formatando o gráfico de pedidos atrasados no matplotlib.txt
++++ 29. Resolução - Relação da avaliação com o atraso (Analisando a tabela de
avaliações e a tabela de pedidos).txt
++++ 30. Resolução - Entendendo a relação entre a tabela de pedidos e a de
avaliações (pedidos sem avaliação e pedidos.txt
++++ 31. Resolução - Avaliando a média e o máximo das notas para pedidos com mais
de uma avaliação.txt
++++ 32. Resolução - Finalizando o tratamento da base e analisando o impacto de
utilizar o máximo ao invés da média da.txt
++++ 33. Resolução - Entendendo a relação entre o atraso e a avaliação dos
clientes.txt
++++ 34. Resolução - Calculando a média da avaliação por cada período de atraso e
apresentando graficamente essa infor.txt
++++ 35. (Opcional) Formatando o gráfico de atraso no pedido x avaliação.txt
++++ 36. Resolução - Avaliando os comentários de pedidos atrasados.txt
++++ 37. Resolução - Usando o wordcloud para verificar as palavras mais frequentes
nas reclamações.txt
++++ 38. Resolução - Melhorando a núvem de palavras (wordcloud) e criando uma núvem
de frases.txt
++++ 39. Criando uma história com os dados gerados na nossa análise.txt

=== Módulo 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 .txt
++++ 2. Entendendo a base de transações e analisando a relação entre fraude e não
fraude.txt
++++ 3. Criando um modelo de classificação de fraude usando a base desbalanceada e
analisando a acuráci.txt
++++ 4. Apresentando o imbalanced-learn e utilizando o undersampling e o
oversampling para os nossos da.txt
++++ 5. (Opcional) Importando e visualizando a base de transações.txt
++++ 6. Revisando o undersampling e o oversampling do imbalanced-learn e
visualizando de forma gráfica .txt
++++ 7. Explicando o RandomUnderSampler do imblearn.txt
++++ 8. Apresentando de forma visual o funcionamento do RandomUnderSampling.txt
++++ 9. Utilizando o ClusterCentroids e o NearMiss para realizar o
undersampling.txt
++++ 10. Explicando o RandomOverSampler do imblearn.txt
++++ 11. Usando o shrinkage do RandomOverSampler e visualizando graficamente os
novos dados.txt
++++ 12. Utilizando SMOTE e ADASYM para realizar o oversampling.txt
++++ 13. Realizando o undersampling com o RandomUnderSampler na base de transações
e analisando a acurá.txt
++++ 14. Fazendo o oversampling com o RandomOverSampler para essa mesma base e
comparando os resultado.txt
++++ 15. Utilizando o ClusterCentroids e o NearMiss para o undersampling para o
modelo de classificação.txt
++++ 16. Utilizando SMOTE e ADASYM para o oversampling e testando combinar os
métodos para o modelo de .txt

== Módulo 01 - O que é Ciência de Dados

+++ 01. O que é ciência de dados.mp4
+++ 02. O que eu quero responder.mp4
+++ 03. Os pilares da Ciência de Dados.mp4
+++ 04. Banco de Vagas.mp4

== Módulo 02 - Introdução à Ciência de Dados

+++ 01. O que é ser um cientista.mp4
+++ 02. Um framework para Ciência de Dados.mp4
+++ 3. Resumindo ciência de dados.mp4
+++ 04. Python como ferramenta de Data Science.mp4
+++ 05. O mercado de trabalho para um Cientista de Dados.mp4

== Módulo 03 - Python Básico

+++ 01. Explicando esse módulo.mp4
+++ 02. Instalando o Python no Windows.mp4
+++ 03. Problemas na Instalação - Resolvido.mp4
+++ 04. Mac, Linux e Google Colab.mp4
+++ 05. Criando seu Primeiro Programa.mp4
+++ 06. Variáveis.mp4
+++ 07. Tipos de Variáveis.mp4
+++ 08. Estrutura do if - Condições no Python.mp4
+++ 09. Elif.mp4
+++ 10. Comparadores.mp4
+++ 11. And e Or.mp4
+++ 12. Listas em Python.mp4
+++ 13. Índices em Lista, Consultando e Modificando Valores.mp4
+++ 14. Alterações Incrementais de Variáveis (Importante).mp4
+++ 15. Estrutura de Repetição For.mp4
+++ 16. For each - Percorrer cada item de uma lista.mp4
+++ 17. For e If.mp4
+++ 18. Estrutura While.mp4
+++ 19. Loop Infinito no While.mp4
+++ 20. Tuplas.mp4
+++ 21. Unpacking em Tuplas.mp4
+++ 22. Dicionários em Python.mp4
+++ 23. Pegar item Dicionário e Verificar Item Dicionário.mp4
+++ 24. Range.mp4
+++ 25. Functions no Python.mp4
+++ 26. Retornar um valor na Function.mp4
+++ 27. Argumentos e Parâmetros numa Function.mp4

= Ciencia_de_Dados_Impressionador_HashTag_2022-002.zip
== Módulo 03 - Python Básico
+++ 28. (Opcional) Aplicação em um Exemplo de argumento.mp4
+++ 29. O que são Módulos e qual a importância.mp4

== Módulo 04 - Pandas e Numpy - Bibliotecas Básicas para Ciência de Dados

+++ 01. Comparando Pandas e Excel.mp4
+++ 02. Comparando Pandas e Excel na prática.mp4
+++ 03. (Opcional) Entendendo a documentação do NumPy.mp4
+++ 04. Introdução ao NumPy - A importância do NumPy.mp4
+++ 05. Introdução ao NumPy - Propriedades de um array.mp4
+++ 06. Introdução ao NumPy - Trabalhando com um array.mp4
+++ 07. (Opcional) Entendendo a documentação do Pandas.mp4
+++ 08_Introdução_ao_Pandas_Importando_e_visualizando_uma_base.mp4
+++ 09. Introdução ao Pandas - DataFrame e Series.mp4
+++ 10_Introdução_ao_Pandas_tipos_de_dados,_valores_nulos_e_seleção.mp4
+++ 11_Introdução_ao_Pandas_informações_estatísticas_e_filtros_na_base.mp4
+++ 12. Introdução ao Pandas - criando gráficos.mp4

== Módulo 05 - Projeto 1 - Analisando o engajamento no Instagram

+++ 01. Explicando o projeto.mp4
+++ 02. Importando e tratando a base com Pandas.mp4
+++ 03. Tratando valores nulos da coluna Carrossel.mp4
+++ 04_Analisando_informações_estatísticas_e_as_5_melhores_5_piores.mp4
+++ 05_O_group_by_groupby_no_pandas_e_a_análise_do_engajamento.mp4
+++ 6. Analisando Tags Separando valores de uma coluna em linhas diferentes (split
e explode).mp4
+++ 07. Analisando Tags - Analisando o engajamento por Tags.mp4
+++ 08_Analisando_Tags_Finalizando_a_análise_da_nossa_base_analisando.mp4

== Módulo 06 - Introdução à Estatística

+++ 01. Introdução a Estatística e Estatística Descritiva.mp4
+++ 02. Tabela de frequência e histograma.mp4
+++ 03. Entendendo o conceito da média.mp4
+++ 04. Mediana e sua relação com a média.mp4
+++ 05_Usando_Python_para_entender_a_relação_entre_média_e_mediana.mp4
+++ 06. Média, mediana e moda.mp4
+++ 07_Entendendo_de_forma_prática_a_relação_entre_média,_mediana_e.mp4

== Módulo 07 - Matplotlib Criando gráficos em Python

+++ 01. Apresentando o Matplotlib.mp4
+++ 02. Introdução ao Matplotlib.mp4
+++ 03_Usando_a_documentação_para_criar_nosso_primeiro_gráfico_gráfico.mp4
+++ 04. (Opcional) Entendendo a documentação do Matplotlib.mp4
+++ 05_Usando_gráficos_de_linha_para_entender_os_dados_máximo,_mínimo.mp4
+++ 06_Filtrando_a_base_usando_o_contains_e_fillna_para_tratar_valores.mp4
+++ 07_Criando_e_ajustando_o_visual_rotacionando_o_eixo_x_de_um_gráfico.mp4
+++ 08_Usando_o_annotate_para_adicionar_rótulos_de_dados_no_gráfico.mp4

= Ciencia_de_Dados_Impressionador_HashTag_2022-003.zip
== Módulo 07 - Matplotlib Criando gráficos em Python
+++ 09. Criando um scatter plot usando apenas a documentação.mp4
+++ 10. (Opcional) Revisando o datetime e o astype.mp4
+++ 11_Opcional_Adicionando_rótulo_para_as_cores_de_um_scatter_plot.mp4

== Módulo 08 - Boas práticas para apresentação de Dados

+++ 01_Introdução_aos_conceitos_básicos_de_apresentação_de_dados.mp4
+++ 02_Reduzindo_o_esforço_para_entender_sua_apresentação_eixo_Y_começando.mp4
+++ 03. Melhorando o seu visual (Proximidade e Similaridade).mp4
+++ 04_Melhorando_o_seu_visual_Acercamento,_Fechamento,_Continuidade.mp4
+++ 05. Contraste e atributos pré-atentivos.mp4
+++ 06_Visualização de dados no Python_ Passo a passo para melhorar seus visuais no
matplotlib.mp4
+++ 07_Visualização de dados no Python_ Ajustando o plot e colocando barras lado a
lado em um gráfico de barras.mp4
+++ 08_Visualização de dados no Python_ Adicionando rótulo nos dados (annotate).mp4
+++ 09_Visualização de dados no Python_ Retirando as bordas, ajustando os eixos e
separando realizado x projetado.mp4
+++ 10_Boas práticas de visualização no Python_ Separando em dois gráficos e
alterando o tipo de gráfico.mp4
+++ 11_Boas práticas de visualização no Python_ Ajustando as barras e adicionando
rótulo de dados nos gráficos de barra e de linha.mp4
+++ 12_Boas práticas de visualização no Python_ Melhorando o visual do gráfico de
linhas e separando realizado x projetado.mp4

== Módulo 09 - Projeto 2 - Criando uma apresentação executiva

+++ 1. Apresentando o projeto.mp4
+++ 02. Importando e analisando a base.mp4
+++ 03. Tratando valores vazios.mp4
+++ 04. Usando o datetime para tratar datas.mp4
+++ 05. Criando um gráfico de barras no matplotlib.mp4
+++ 06. Adicionando título no gráfico e ajustando o eixo x.mp4
+++ 07. Adicionando e formatando rótulo de dados, ajustando o eixo y e retirando
bordas.mp4
+++ 08. Vendas por mês e transformando índices em colunas com o reset_index.mp4
+++ 09. Entendendo o deslocamento das barras em um gráfico de barras
horizontais.mp4
+++ 10. Adicionando todos os anos no gráfico de barras e colocando rótulo nos
dados.mp4
+++ 11. Mudando os rótulos do eixo x e finalizando o visual da venda por mês.mp4
+++ 12. Respondendo qual foi a categoria mais vendida.mp4
+++ 13. Criando um gráfico de barras horizontais para o top N itens.mp4
+++ 14. Usando o merge para unir 2 bases no pandas.mp4
+++ 15. Usando o merge para criar a relação de top N itens pelos anos.mp4
+++ 16. Criando o gráfico de barras horizontais do top N itens pelos anos.mp4
+++ 17. Concluindo o projeto e respondendo as informações do negócio.mp4
+++ 18. Apresentando as informações em um PowerPoint.mp4
+++ 19. Corrigindo o erro na transformação da data.mp4
+++ 20. (Opcional) Criando um ranking com os produtos que mais aumentaram _ caíram
as vendas.mp4

= Ciencia_de_Dados_Impressionador_HashTag_2022-004.zip
== Módulo 10 - Introdução ao Aprendizado de Máquinas
+++ 01. O que é Aprendizado de Máquinas (Machine Learning).mp4
+++ 02. O aprendizado de máquinas no Instagram.mp4
+++ 03. Explicando o Aprendizado de Máquinas.mp4
+++ 04. Caso Real - Uso do Aprendizado de Máquinas pelo Walmart.mp4
+++ 05. Como funciona um modelo de Aprendizado de Máquinas.mp4
+++ 06. O erro no processo de aprendizado.mp4
+++ 07. O Aprendizado de Máquinas no Python.mp4
+++ 08. Regressão Linear no Scikit-Learn_ importanto, tratando e entendendo os
dados.mp4
+++ 09. Usando Regressão Linear do Scikit-Learn para calcular a Venda utilizando
apenas o Preço.mp4
+++ 10. Calculando a regressão linear com Scikit-Learn utilizando Preço Original e
Desconto.mp4
+++ 11. Usando o sklearn.metrics para calcular os erros de cada um dos modelos.mp4
+++ 12. A descrição estatística do Pandas.mp4
+++ 13. A variância e o desvio padrão (medidas de dispersão).mp4
+++ 14. Separatrizes_ entendendo os quartis.mp4

== Módulo 11 - Como as máquinas aprendem

+++ 01. Os tipos de aprendizado de máquinas_ aprendizado supervisionado e não
supervisionado.mp4
+++ 02. Os tipos de aprendizado de máquinas_ aprendizado semi supervisionado e por
reforço.mp4
+++ 03. A diferença entre aprender e decorar.mp4
+++ 04. Considerações importantes para o Aprendizado de Máquinas.mp4

== Módulo 12 - Projeto 3 - Criando um modelo de classificação

+++ 01. Entendendo e importando o dataset iris do scikit-learn.mp4
+++ 02. Tratando os dados do dataset e transformando em um DataFrame do pandas.mp4
+++ 03. Escolhendo visualmente quais colunas da base iremos usar no modelo.mp4
+++ 04. Criando uma reta capaz de separar os dados do modelo.mp4
+++ 05. Classificando um novo ponto usando o modelo visual que acabamos de
criar.mp4
+++ 06. Criando uma função em Python para classificar um novo ponto no modelo.mp4
+++ 07. Entendendo o Perceptron e usando esse algoritmo nos nossos dados.mp4
+++ 08. Usando o Perceptron para criar um modelo de aprendizado de máquinas.mp4

== Módulo 13 - Utilizando o aprendizado de máquinas

+++ 01. Revisando a imporação da base usando o pandas.mp4
+++ 02_Revisando_a_visualização_do_scatter_plot_com_o_matplotlib.mp4
+++ 03_Criando_uma_reta_capaz_de_separar_os_dados_em_2_classes_diferentes.mp4
+++ 04_Opcional_Entendendo_a_reta_criada_para_classificar_os_pontos.mp4
+++ 05_Criando_uma_função_que_classfica_os_dados_usando_a_reta_gerada.mp4
+++ 06. Avaliando um modelo de classificação.mp4
+++ 07. A matriz de confusão para um modelo de classificação.mp4
+++ 08_Acurácia,_precisão_e_recall_em_um_modelo_de_classificação.mp4
+++ 09_Gerando_a_matriz_de_confusão_no_Scikit_Learn_avaliando_modelos.mp4
+++ 10. Calculando acurácia, precisão e recall no Scikit-Learn (avaliando modelos
de classificação).mp4
+++ 11. Avaliando os dados de TREINO do modelo que criamos.mp4
+++ 12. Avaliando os dados de TESTE do modelo que criamos.mp4
+++ 13_Usando_o_train_test_split_do_Scikit_Learn_para_separar_os_dados.mp4
+++ 14. Usando o train_test_split e avaliando o modelo criado.mp4
+++ 15. Explicando o que é uma Árvore de Decisão.mp4

= Ciencia_de_Dados_Impressionador_HashTag_2022-005.zip
== Módulo 13 - Utilizando o aprendizado de máquinas
+++ 16_Entendendo_a_classificação_dos_dados_utilizando_a_Árvore_de_Decisão.mp4
+++ 17. Importando e tratando os dados do projeto 3 (iris) para aplicarmos
diferentes modelos de classificação.mp4
+++ 18_Separando_em_treino_e_teste_e_analisando_os_dados_de_TREINO.mp4
+++ 19. Traçando uma reta capaz de separar os dados de TREINO.mp4
+++ 20_Criando_uma_árvore_de_decisão_capaz_de_separar_os_dados_de_TREINO.mp4
+++ 21. Avaliando os dados de TESTE para os dois modelos criados.mp4

== Módulo 14 - Análise Exploratória de Dados

+++ 01. Explicando a Análise Exploratória e a base que vamos usar (dataset do
Titanic).mp4
+++ 02. Importando e entendendo a base do Titanic.mp4
+++ 03_Analisando_as_informações_da_base_e_o_resumo_estatístico.mp4
+++ 04. Entendendo a cardinalidade de uma base.mp4
+++ 05. Visualizando os dados de forma gráfica.mp4
+++ 06. Gerando um boxplot usando o matplotlib.mp4
+++ 07. Interpretando o boxplot.mp4
+++ 08. Outras opções de gráficos.mp4
+++ 09. Correlação entre as variáveis e o KDE (Kernel Density Estimation).mp4
+++ 10. Criando um mapa de calor da correlação entre as variáveis.mp4
+++ 11. Tratando valores vazios e outliers.mp4
+++ 12. O Pandas Profiling.mp4
+++ 13_Opcional_Corrigindo_o_erro_ao_carregar_o_Pandas_Profiling.mp4
+++ 14_Apresentando_sua_análise_exploratória_de_forma_executiva.mp4

== Módulo 15 - O Scikit-Learn
+++ 01. Apresentando a documentação do Scikit-Learn.mp4
+++ 02. Importando o dataset iris do Scikit-Learn e transformando em um DataFrame
do pandas.mp4
+++ 03. O Perceptron no Scikit-Learn.mp4
+++ 04. Entendendo o resultado gerado pelo perceptron.mp4
+++ 05. A árvore de decisão no Scikit-Learn.mp4
+++ 06. Classificação no Scikit-Learn_ entendendo o dataset e criando os
classificadores.mp4
+++ 07_Classificação_no_Scikit_Learn_Avaliando_erros_de_classificação.mp4
+++ 08. (Opcional) O average no precision_score.mp4
+++ 09. Classificação no Scikit-Learn_ separando os dados em treino e teste e
avaliando o modelo.mp4
+++ 10. Classificação no Scikit-Learn_ adicionando novos algoritmos (Regressão
Logística) e melhorando o resultado do Perceptron.mp4
+++ 11. A equação da reta.mp4
+++ 12. Entendendo a regressão linear.mp4
+++ 13. O erro na regressão linear.mp4
+++ 14. A regressão linear no Scikit-Learn.mp4
+++ 15. Regressão no Scikit-Learn_ explicando o problema e importando a base.mp4
+++ 16. Regressão no Scikit-Learn_ utilizando regressão linear simples para prever
o volume de ações.mp4
+++ 17. Regressão no Scikit-Learn_ utilizando regressão linear múltipla.mp4
+++ 18. Regressão no Scikit-Learn_ tratando a variável de data e utilizando no
modelo.mp4

== Módulo 16 - Projeto 4 - Criando um algoritmo de regressão

+++ 01_Explicando_o_projeto_e_importando_a_base_de_casas_da_Califórnia.mp4
+++ 02. Visualizando os dados de maneira gráfica.mp4
+++ 3. Entendendo a base, verificando valores duplicados e tratando outliers.mp4
+++ 4. Separando a base em treino e teste e usando Regressão Linear Simples.mp4
+++ 05. Utilizando o for para fazer a regressão de todas as colunas da base.mp4
+++ 06. Entendendo o coeficiente de determinação (r quadrado).mp4
+++ 07. Métricas de erro para regressão.mp4
+++ 08. Avaliando o erro na regressão com Scikit-Learn.mp4
+++ 09_Avaliando_os_erros_do_nosso_modelo_e_escolhendo_o_melhor_modelo.mp4
+++ 10. A Regressão Linear Múltipla.mp4
+++ 11. Utilizando o for para escolher o melhor par de variáveis na Regressão
Linear Múltipla.mp4
+++ 12. Utilizando Árvore de Regressão e Support Vector Regression nos dados.mp4
+++ 13. Concluindo o projeto e visualizando os resultados de forma gráfica.mp4

== Módulo 17 - Conceitos básicos de SQL para Ciência de Dados

+++ 01. Apresentando o sqlite3.mp4
+++ 02. Transformando dados do SQL em um DataFrame do pandas.mp4
+++ 03. Selecionando (SELECT) dados de um banco de dados com SQL.mp4
+++ 04. Utilizando o WHERE para filtrar a nossa tabela.mp4
+++ 05. (Opcional) Revisando o SELECT utilizando o sqlite3.mp4
+++ 06_Opcional_Revisando_o_SELECT_DISTINCT_e_o_WHERE_AND,_OR_e_NOT.mp4
+++ 07. Utilizando o GROUP BY e o ORDER BY no SQL.mp4
+++ 08. Limitando a base com o TOP _ LIMIT e usando o HAVING para filtrar a
tabela.mp4
+++ 09. Definindo condicionais no SQL com o CASE.mp4
+++ 10. Utilizando subquery no SQL.mp4
+++ 11. Outros filtros no SQL (IN e LIKE).mp4
+++ 12. Bases de dados com mais de 1 tabela.mp4
+++ 13. Revisando o merge do pandas.mp4
+++ 14. Unindo duas bases no SQL utilizando o JOIN.mp4
+++ 15. O UNION e o FULL JOIN no SQL.mp4

== Módulo 18 - Utilizando o SQL com dados reais de venda

+++ 01. Apresentando_a_base_de_dados_que_vamos_utilizar_nesse_módulo.mp4
+++ 02. Usando_a_biblioteca_os_para_buscar_os_arquivos_da_nossa_base.mp4

= Ciencia_de_Dados_Impressionador_HashTag_2022-006.zip
== Módulo 18 - Utilizando o SQL com dados reais de venda
+++ 03. Importando todas as bases de dados para o pandas.mp4
+++ 04. Analisando a base de ordens, itens e pagamentos para iniciar o entendimento
dos dados.mp4
+++ 05. Utilizando o groupby do pandas para analisar as ordens com mais de 1
item.mp4
+++ 06. Fazendo o pivot (pivotando) da tabela para analisar diferentes itens na
mesma ordem.mp4
+++ 07. Finalizando o entendimento da base analisando pagamentos, vendedores e
review.mp4
+++ 08. (Opcional) Criando um banco de dados utilizando a documentação do
sqlite3.mp4
+++ 09. (Opcional) Criando uma tabela utilizando um DataFrame do pandas.mp4
+++ 10. (Opcional) Inserindo dados em uma tabela utilizando o to_sql e o INSERT.mp4
+++ 11. (Opcional) Atualizando e deletando registros em uma tabela utilizando
UPDATE e DELETE.mp4
+++ 12. Usando a biblioteca os para visualizar os arquivos que iremos transformar
em tabelas.mp4
+++ 13. Criando um banco de dados e a nossa primeira tabela.mp4
+++ 14. Adicionando todos os arquivos da pasta como tabelas no banco de dados.mp4
+++ 15. Ajustando as colunas de datas e usando o if_exists para substituir tabelas
em uma banco.mp4
+++ 16. Criando uma função para automatizar as consultas no nosso banco de
dados.mp4
+++ 17. Apresentando o banco de dados de vendas.mp4
+++ 18. Exercício Melhorando a satisfação do cliente.mp4
+++ 19. Criando uma história com seus dados.mp4
+++ 20. Dicas para uma boa apresentação de dados.mp4
+++ 21. A estrutura de uma história.mp4
+++ 22. Resolução - O problema realmente existe Conectando ao banco e começando a
analisar a tabela de pedidos.mp4
+++ 23. Resolução - Tratando as colunas de data que estão como texto (usando o
to_datetime do pandas).mp4
+++ 24. Resolução - Calculando o atraso na entrega e verificando a média de atraso
utilizando o datetime.mp4
+++ 25. Resolução - Utilizando o to_period para calcular a média do atraso em cada
um dos meses.mp4
+++ 26. Resolução - Analisando o máximo e mínimo do atraso e visualizando
graficamente utilizando o matplotlib.mp4
+++ 27. Resolução - Criando uma função para contar o número de pedidos atrasados
(usando apply e lambda function).mp4
+++ 28. (Opcional) Formatando o gráfico de pedidos atrasados no matplotlib.mp4
+++ 29. Resolução - Relação da avaliação com o atraso (Analisando a tabela de
avaliações e a tabela de pedidos).mp4

= Ciencia_de_Dados_Impressionador_HashTag_2022-007.zip
== Módulo 18 - 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).mp4
+++ 31. Resolução - Avaliando a média e o máximo das notas para pedidos com mais de
uma avaliação.mp4
+++ 32. Resolução - Finalizando o tratamento da base e analisando o___.mp4
+++ 33. Resolução - Entendendo a relação entre o atraso e a avaliação dos
clientes.mp4
+++ 34. Resolução - Calculando a média da avaliação por cada período de atraso e
apresentando graficamente essa informação.mp4
+++ 35. (Opcional) Formatando o gráfico de atraso no pedido x avaliação.mp4
+++ 36. Resolução - Avaliando os comentários de pedidos atrasados.mp4
+++ 37. Resolução - Usando o wordcloud para verificar as palavras mais frequentes
nas reclamações.mp4
+++ 38. Resolução - Melhorando a núvem de palavras (wordcloud) e criando uma núvem
de frases.mp4
+++ 39. Criando uma história com os dados gerados na nossa análise.mp4
+++ nomes completos arquivos.txt

== Módulo 19 - Projeto 5 - Criando modelo identificação fraude

+++ 01. Mostrando a base desse módulo e apresentando o Kaggle e a sua importância
para nossos projetos de ciência de dados.mp4
+++ 02. Entendendo a base de transações e analisando a relação entre fraude e não
fraude.mp4
+++ 03. Criando um modelo de classificação de fraude usando a base desbalanceada e
analisando a acurácia, precisão e recall desse modelo.mp4
+++ 04. Apresentando o imbalanced-learn e utilizando o undersampling e o
oversampling para os nossos dados de crédito.mp4
+++ 05. (Opcional) Importando e visualizando a base de transações.mp4
+++ 06. Revisando o undersampling e o oversampling do imbalanced-learn e
visualizando de forma gráfica as novas bases geradas.mp4
+++ 07. Explicando o RandomUnderSampler do imblearn.mp4
+++ 08. Apresentando de forma visual o funcionamento do RandomUnderSampling.mp4
+++ 09. Utilizando o ClusterCentroids e o NearMiss para realizar o
undersampling.mp4
+++ 10. Explicando o RandomOverSampler do imblearn.mp4
+++ 11. Usando o shrinkage do RandomOverSampler e visualizando graficamente os
novos dados.mp4
+++ 12. Utilizando SMOTE e ADASYM para realizar o oversampling.mp4
+++ 13. Realizando o undersampling com o RandomUnderSampler na base de transações e
analisando a acurácia e o recall.mp4
+++ 14. Fazendo o oversampling com o RandomOverSampler para essa mesma base e
comparando os resultados.mp4

= Ciencia_de_Dados_Impressionador_HashTag_2022-008.zip
== Módulo 19 - Projeto 5 - Criando modelo identificação fraude
+++ 15. Utilizando o ClusterCentroids e o NearMiss para o undersampling para o
modelo de classificação de fraude.mp4
+++ 16. Utilizando SMOTE e ADASYM para o oversampling e testando combinar os
métodos para o modelo de classificação de fraude.mp4
+++ 17. Revisando as métricas de avaliação para modelos de classificação.mp4
+++ 17. Revisando as métricas de avaliação para modelos de classificação.txt
+++ 18. Explicando a curva ROC.mp4
+++ 18. Explicando a curva ROC.txt
+++ 19. Traçando a curva ROC utilizando a árvore de decisão para um classificador
perfeito.mp4
+++ 19. Traçando a curva ROC utilizando a árvore de decisão para um classificador
perfeito.txt
+++ 20. Comparando a curva ROC da árvore de decisão com a da regressão
logísitca.mp4
+++ 20. Comparando a curva ROC da árvore de decisão com a da regressão
logísitca.txt
+++ 21. Explicando a curva de precisão x recall.mp4
+++ 21. Explicando a curva de precisão x recall.txt
+++ 22. (Opcional) Visualizando graficamente como as curvas ROC e precisão x recall
são geradas.mp4
+++ 22. (Opcional) Visualizando graficamente como as curvas ROC e precisão x recall
são geradas.txt
+++ 23. Criando diferentes modelos para classificar nossos pontos (Regressão
Logística, KNN, SVM, Random Forest).mp4
+++ 23. Criando diferentes modelos para classificar nossos pontos (Regressão
Logística, KNN, SVM, Random Forest).txt
+++ 24. Usando a área abaixo da curva de precisão x recall e comparando os
diferentes modelos.mp4
+++ 24. Usando a área abaixo da curva de precisão x recall e comparando os
diferentes modelos.txt
+++ 25. Melhorando a escala dos dados e selecionando os melhores modelos para
classificar os dados.mp4
+++ 25. Melhorando a escala dos dados e selecionando os melhores modelos para
classificar os dados.txt
+++ 26. Selecionando os melhores hiperparâmetros para o modelo de Regressão
Logística.mp4
+++ 26. Selecionando os melhores hiperparâmetros para o modelo de Regressão
Logística.txt
+++ 27. (Opcional) Criando manualmente um código para testar diferentes
hiperparâmetros no modelo.mp4
+++ 27. (Opcional) Criando manualmente um código para testar diferentes
hiperparâmetros no modelo.txt
+++ 28. Usando o GridSearchCV para selecionar os melhores hiperparâmetros para a
Regressão Logística.mp4
+++ 28. Usando o GridSearchCV para selecionar os melhores hiperparâmetros para a
Regressão Logística.txt
+++ 29. Usando o GridSearchCV para o Support Vector Classifier (SVC SVM).mp4
+++ 29. Usando o GridSearchCV para o Support Vector Classifier (SVC_SVM).txt
= Ciencia_de_Dados_Impressionador_HashTag_2022-009.zip
== Módulo 19 - Projeto 5 - Criando modelo identificação fraude
+++ 30. Usando o GridSearchCV para o Random Forest.mp4
+++ 30. Usando o GridSearchCV para o Random Forest.txt
+++ 31. (Opcional) Usando o GridSearchCV para o KNN.mp4
+++ 31. (Opcional) Usando o GridSearchCV para o KNN.txt
+++ 32. (Opcional) Revisando tudo que fizemos até agora.mp4
+++ 32. (Opcional) Revisando tudo que fizemos até agora.txt
+++ 33. Testando novas melhorias no modelo Adicionando novos parâmetros no
GridSearchCV da Regressão Logística.mp4
+++ 33. Testando novas melhorias no modelo Adicionando novos parâmetros no
GridSearchCV da Regressão Logística.txt
+++ 34. Testando novas melhorias no modelo Testando outras formas de realizar o
undersampling.mp4
+++ 34. Testando novas melhorias no modelo Testando outras formas de realizar o
undersampling.txt
+++ 35. Testando novas melhorias no modelo Mudando o scoring do GridSearchCV e
discutindo sobre o oversampling.mp4
+++ 35. Testando novas melhorias no modelo Mudando o scoring do GridSearchCV e
discutindo sobre o oversampling.txt

== Módulo 20 - Subindo seu modelo para produção (Deploy)

+++ 1. Criando um modelo de Regressão Linear passo a passo.mp4
+++ 1. Criando um modelo de Regressão Linear passo a passo.txt
+++ 2. Persistindo o modelo (usando o dump e load do joblib).mp4
+++ 2. Persistindo o modelo (usando o dump e load do joblib).txt
+++ 3. (Opcional) Utilizando o modelo nos mesmos dados para provar que temos
exatamente o mesmo modelo.mp4
+++ 3. (Opcional) Utilizando o modelo nos mesmos dados para provar que temos
exatamente o mesmo modelo.txt
+++ 4. Utilizando o modelo criado em dados de produção.mp4
+++ 4. Utilizando o modelo criado em dados de produção.txt
+++ 5. Colocando nosso modelo em produção utilizando um arquivo do Jupyter
Notebook.mp4
+++ 5. Colocando nosso modelo em produção utilizando um arquivo do Jupyter
Notebook.txt
+++ 6. Utilizando um arquivo .py para colocar o modelo em produção.mp4
+++ 6. Utilizando um arquivo .py para colocar o modelo em produção.txt
+++ 7. Criando um executável para realizar a previsão utilizando o modelo
criado.mp4
+++ 7. Criando um executável para realizar a previsão utilizando o modelo
criado.txt
+++ 8. Apresentando o Streamlit para criarmos uma tela para o usuário acessar o
modelo.mp4
+++ 8. Apresentando o Streamlit para criarmos uma tela para o usuário acessar o
modelo.txt
+++ 9. Criando campos de entrada para os valores numéricos de preço e desconto e o
botão de PREVER.mp4
+++ 9. Criando campos de entrada para os valores numéricos de preço e desconto e o
botão de PREVER.txt
+++ 10. Criando uma tela para o usuário utilizar o nosso modelo com o Streamlit.mp4
+++ 10. Criando uma tela para o usuário utilizar o nosso modelo com o Streamlit.txt
+++ 11. (Opcional) Explicando o predict.mp4
+++ 11. (Opcional) Explicando o predict.txt

== Módulo 21 - Ajustando os dados para o modelo (Data Cleaning)

+++ 1. Explicando a importância da limpeza dos dados e importando a base.mp4
+++ 1. Explicando a importância da limpeza dos dados e importando a base.txt
+++ 2. Buscando na base por valores nulos e linhas duplicadas.mp4
+++ 2. Buscando na base por valores nulos e linhas duplicadas.txt
+++ 3. Procurando na base alguns problemas que podem ter sido gerados por erros
humanos.mp4
+++ 3. Procurando na base alguns problemas que podem ter sido gerados por erros
humanos.txt
+++ 4. Tratando valores vazios e linhas duplicadas.mp4
+++ 4. Tratando valores vazios e linhas duplicadas.txt
+++ 5. Tratando valores digitados errados (erros humanos).mp4
+++ 5. Tratando valores digitados errados (erros humanos).txt
+++ 6. Limpeza de Dados - Exercício.mp4
+++ 6. Limpeza de Dados - Exercício.txt
+++ 7. Entendendo a base e respondendo as perguntas sem fazer o tratamento dos
dados.mp4
+++ 7. Entendendo a base e respondendo as perguntas sem fazer o tratamento dos
dados.txt
+++ 8. Contando a quantidade de alunos que responderam o questionário.mp4
+++ 8. Contando a quantidade de alunos que responderam o questionário.txt
+++ 9. Eliminando valores duplicados e discutindo sobre o tratamento do
ID_aluno.mp4
+++ 9. Eliminando valores duplicados e discutindo sobre o tratamento do
ID_aluno.txt
+++ 10. Somando a matrícula dos alunos que responderam (visualizando e tratando
outliers).mp4
+++ 10. Somando a matrícula dos alunos que responderam (visualizando e tratando
outliers).txt
+++ 11. Verificando o tamanho da blusa para todos os alunos.mp4
+++ 11. Verificando o tamanho da blusa para todos os alunos.txt
+++ 12. Descobrindo quantos alunos vão participar da formatura.mp4
+++ 12. Descobrindo quantos alunos vão participar da formatura.txt
+++ 13. Estimando a altura de um aluno usando média e mediana dos dados.mp4
+++ 13. Estimando a altura de um aluno usando média e mediana dos dados.txt
+++ 14. Aprofundando no tratamento de dados Entendendo a base de notas de
português.mp4
+++ 14. Aprofundando no tratamento de dados Entendendo a base de notas de
português.txt
+++ 15. Usando o drop_duplicates para retirar valores duplicados da base.mp4
+++ 15. Usando o drop_duplicates para retirar valores duplicados da base.txt
+++ 16. Analisando o describe e o boxplot e tratando outliers nos dados.mp4
+++ 16. Analisando o describe e o boxplot e tratando outliers nos dados.txt

= Ciencia_de_Dados_Impressionador_HashTag_2022-010.zip
== Módulo 21 - Ajustando os dados para o modelo (Data Cleaning)
+++ 17. Criando a função para transformar as notas dadas em conceitos (textos) em
números de 1 a 10.mp4
+++ 17. Criando a função para transformar as notas dadas em conceitos (textos) em
números de 1 a 10.txt
+++ 18. Otimizando a função criada, unindo duas bases e calculando a média final
dos alunos.mp4
+++ 18. Otimizando a função criada, unindo duas bases e calculando a média final
dos alunos.txt
+++ 19. Apresentando a base de cadastro dos alunos e tratando e-mails escritos
errados.mp4
+++ 19. Apresentando a base de cadastro dos alunos e tratando e-mails escritos
errados.txt
+++ 20. Tratando a data e ajustando as colunas de texto no cadastro dos alunos.mp4
+++ 20. Tratando a data e ajustando as colunas de texto no cadastro dos alunos.txt
+++ 21. Exercício limpeza dos dados no dataset do titanic.mp4
+++ 21. Exercício limpeza dos dados no dataset do titanic.txt
+++ 22. Tratando as informações de embarque vazias e usando a mediana para as
idades.mp4
+++ 22. Tratando as informações de embarque vazias e usando a mediana para as
idades.txt
+++ 23. Analisando a média das idades pela classe, gênero e pelo título extraído do
nome.mp4
+++ 23. Analisando a média das idades pela classe, gênero e pelo título extraído do
nome.txt
+++ 24. Usando o transform para substituir as idades vazias pelo resultado do
groupby e eliminando colunas desnecessárias.mp4
+++ 24. Usando o transform para substituir as idades vazias pelo resultado do
groupby e eliminando colunas desnecessárias.txt
+++ 25. Analisando outliers, cardinalidade e eliminando colunas desnecessárias.mp4
+++ 25. Analisando outliers, cardinalidade e eliminando colunas desnecessárias.txt

== Módulo 22 - Outros modelos supervisionados

+++ 1. Relembrando o Perceptron e importando o dataset iris.mp4
+++ 1. Relembrando o Perceptron e importando o dataset iris.txt
+++ 2. Criando um modelo utilizando o perceptron.mp4
+++ 2. Criando um modelo utilizando o perceptron.txt
+++ 3. Utilizando o coef_ e o intercept_ para traçar a reta gerada pelo
perceptron.mp4
+++ 3. Utilizando o coef_ e o intercept_ para traçar a reta gerada pelo
perceptron.txt
+++ 4. Explicando o Perceptron para mais de 2 classes e para dados que não são
linearmente separáveis.mp4
+++ 4. Explicando o Perceptron para mais de 2 classes e para dados que não são
linearmente separáveis.txt
+++ 5. Relembrando a árvore de decisão e aprofundando teoricamente.mp4
+++ 5. Relembrando a árvore de decisão e aprofundando teoricamente.txt
+++ 6. Importando novamente o dataset iris e criando um modelo utilizando a árvore
de classificação.mp4
+++ 6. Importando novamente o dataset iris e criando um modelo utilizando a árvore
de classificação.txt
+++ 7. Visualizando graficamente como funciona uma árvore de decisão.mp4
+++ 7. Visualizando graficamente como funciona uma árvore de decisão.txt
+++ 8. Fazendo a previsão utilizando o predict e as regiões gráficas que
criamos.mp4
+++ 8. Fazendo a previsão utilizando o predict e as regiões gráficas que
criamos.txt
+++ 9. Utilizando todo o dataset iris para criar nossa árvore de decisão.mp4
+++ 9. Utilizando todo o dataset iris para criar nossa árvore de decisão.txt
+++ 10. Explicando o índice gini e a entropia utilizados no criterion.mp4
+++ 10. Explicando o índice gini e a entropia utilizados no criterion.txt
+++ 11. (Opcional) Visualizando graficamente o índice gini e a entropia.mp4
+++ 11. (Opcional) Visualizando graficamente o índice gini e a entropia.txt
+++ 12. O tamanho da árvore utilizando o max_depth para melhorar a acurácia do
modelo.mp4
+++ 12. O tamanho da árvore utilizando o max_depth para melhorar a acurácia do
modelo.txt
+++ 13. Relembrando a regressão linear.mp4
+++ 13. Relembrando a regressão linear.txt
+++ 14. Visualizando graficamente a vantagem da regressão linear ao criar a melhor
reta (menor erro quadrático).mp4
+++ 14. Visualizando graficamente a vantagem da regressão linear ao criar a melhor
reta (menor erro quadrático).txt
+++ 15. Utilizando a regressão linear de forma prática no dataset de casas da
Califórnia.mp4
+++ 15. Utilizando a regressão linear de forma prática no dataset de casas da
Califórnia.txt
+++ 16. Apresentando os conceitos do K-Nearest Neighbors (KNN).mp4
+++ 16. Apresentando os conceitos do K-Nearest Neighbors (KNN).txt
+++ 17. Utilizando o KNN e entendendo o cálculo da distância entre os pontos
(euclidiana e manhattan).mp4
+++ 17. Utilizando o KNN e entendendo o cálculo da distância entre os pontos
(euclidiana e manhattan).txt
+++ 18. Calculando manualmente as distâncias euclidiana e manhattan do ponto
central.mp4
+++ 18. Calculando manualmente as distâncias euclidiana e manhattan do ponto
central.txt
+++ 19. Utilizando o kneighbors para visualizar os pontos mais próximos e mudando a
ordem dos dados para avaliar a previsão.mp4
+++ 19. Utilizando o kneighbors para visualizar os pontos mais próximos e mudando a
ordem dos dados para avaliar a previsão.txt
+++ 20. Utilizando o KNN com um dataset real (dataset iris) e avaliando a previsão
desse algoritmo.mp4
+++ 20. Utilizando o KNN com um dataset real (dataset iris) e avaliando a previsão
desse algoritmo.txt

= Ciencia_de_Dados_Impressionador_HashTag_2022-011.zip
== Módulo 22 - Outros modelos supervisionados
+++ 21. Entendendo visualmente a previsão feita para o dataset iris.mp4
+++ 21. Entendendo visualmente a previsão feita para o dataset iris.txt
+++ 22. Apresentando a Regressão Logística e importando o dataset iris.mp4
+++ 22. Apresentando a Regressão Logística e importando o dataset iris.txt
+++ 23. Utilizando a regressão logística e visualizando graficamente o gráfico
gerado.mp4
+++ 23. Utilizando a regressão logística e visualizando graficamente o gráfico
gerado.txt
+++ 24. Entendendo o predict_proba (prevendo a probabilidade de cada uma das
classes).mp4
+++ 24. Entendendo o predict_proba (prevendo a probabilidade de cada uma das
classes).txt
+++ 25. Utilizando a regressão logística para um problema com 3 classes.mp4
+++ 25. Utilizando a regressão logística para um problema com 3 classes.txt
+++ 26. Utilizando todo o dataset iris para criar a regressão logística.mp4
+++ 26. Utilizando todo o dataset iris para criar a regressão logística.txt
+++ 27. Apresentando o Support Vector Machine (SVM).mp4
+++ 27. Apresentando o Support Vector Machine (SVM).txt
+++ 28. (Opcional) Importando novamente o dataset iris (passo a passo).mp4
+++ 28. (Opcional) Importando novamente o dataset iris (passo a passo).txt
+++ 29. Utilizando o SVM (SCV) e visualizando graficamente o resultado em dados
linearmente separáveis.mp4
+++ 29. Utilizando o SVM (SCV) e visualizando graficamente o resultado em dados
linearmente separáveis.txt
+++ 30. Explicando o hiperparâmetro C e as margens rígidas e flexíveis do SVM.mp4
+++ 30. Explicando o hiperparâmetro C e as margens rígidas e flexíveis do SVM.txt
+++ 31. Utilizando o SVM para dados que não são linearmente separáveis e analisando
o dataset iris completo.mp4
+++ 31. Utilizando o SVM para dados que não são linearmente separáveis e analisando
o dataset iris completo.txt

== Módulo 23 - O Aprendizado Não Supervisionado

+++ 1. Revisando os tipos de aprendizado e relembrando o aprendizado não
supervisionado.mp4
+++ 2. Apresentando os principais conceitos da aprendizagem não supervisionada.mp4
+++ 3. Explicando o K-means para clusterização agrupamento dos dados.mp4
+++ 4. Detalhando o K-means e explicando o hiperparâmetro init e o Elbow Method
(método do cotovelo).mp4
+++ 5. Importando o dataset iris e utilizando o K-means para criar 2 clusters
nesses dados.mp4
+++ 5. Importando o dataset iris e utilizando o K-means para criar 2 clusters
nesses dados.txt
+++ 6. Entendendo matematicamente a classificação dos pontos em cada um dos
clusters grupos.mp4
+++ 6. Entendendo matematicamente a classificação dos pontos em cada um dos
clusters grupos.txt
+++ 7. (Opcional) Entendendo a distância euclidiana.mp4
+++ 7. (Opcional) Entendendo a distância euclidiana.txt
+++ 8. Visualizando os clusters grupos para diferentes valores de K e utilizando o
Elbow Method (Método do Cotovelo) para a escolha de K.mp4
+++ 8. Visualizando os clusters grupos para diferentes valores de K e utilizando o
Elbow Method (Método do Cotovelo) para a escolha de K.txt
+++ 9. Comparando os clusters gerados com as classes do dataset iris para valores
de k próximos ao número de classes.mp4
+++ 9. Comparando os clusters gerados com as classes do dataset iris para valores
de k próximos ao número de classes.txt
+++ 10. Exercício utilizando o K-Means para agrupar os valores do dataset
load_digits.mp4
+++ 10. Exercício utilizando o K-Means para agrupar os valores do dataset
load_digits.txt
+++ 11. Entendendo a base e utilizando a documentação para importar o K-Means.mp4
+++ 11. Entendendo a base e utilizando a documentação para importar o K-Means.txt
+++ 12. Utilizando o Elbow Method (método do cotovelo) para escolher um valor de K
para iniciarmos nossa análise.mp4
+++ 12. Utilizando o Elbow Method (método do cotovelo) para escolher um valor de K
para iniciarmos nossa análise.txt
+++ 13. Utilizando K = 9 e transformando os números do label em letras para
analisarmos os grupos.mp4
+++ 13. Utilizando K = 9 e transformando os números do label em letras para
analisarmos os grupos.txt
+++ 14. Visualizando a tabela relacionando os rótulos (targets) reais dos dados com
os grupos gerados pelo K-Means.mp4
+++ 14. Visualizando a tabela relacionando os rótulos (targets) reais dos dados com
os grupos gerados pelo K-Means.txt
+++ 15. Entendendo os dígitos classificados errados e discutindo como essa
avaliação poderia ser feito sem os rótulos (targets) dos dados.mp4
+++ 15. Entendendo os dígitos classificados errados e discutindo como essa
avaliação poderia ser feito sem os rótulos (targets) dos dados.txt
+++ 16. Usando os grupos para classificar os dados e avaliando os erros dessa
classificação.mp4
+++ 16. Usando os grupos para classificar os dados e avaliando os erros dessa
classificação.txt
+++ 17. Testando diferentes valores de k e buscando a melhor clusterização para os
dados.mp4
+++ 17. Testando diferentes valores de k e buscando a melhor clusterização para os
dados.txt
+++ 18. Métricas de avaliação no aprendizado não supervisionado.mp4
+++ 18. Métricas de avaliação no aprendizado não supervisionado.txt
+++ 19. (Opcional) Clusterizando o dataset iris e analisando a relação entre target
(rótulo) e os labels do kmeans.mp4
+++ 19. (Opcional) Clusterizando o dataset iris e analisando a relação entre target
(rótulo) e os labels do kmeans.txt
+++ 20. (Opcional) Utilizando a classe mais frequente no cluster para fazer a
previsão dos dados (criando um y_pred como na classiifação).mp4
+++ 20. (Opcional) Utilizando a classe mais frequente no cluster para fazer a
previsão dos dados (criando um y_pred como na classiifação).txt
+++ 21. (Opcional) Avaliando a clusterização utilizando as métricas de
classificação (matriz de confusão, acurácia, precisão e recall).mp4
+++ 21. (Opcional) Avaliando a clusterização utilizando as métricas de
classificação (matriz de confusão, acurácia, precisão e recall).txt
+++ 22. Explicando a base teórica do Rand Index e usando essa métrica para avaliar
a clusterização.mp4
+++ 22. Explicando a base teórica do Rand Index e usando essa métrica para avaliar
a clusterização.txt
+++ 23. Apresentando o ajuste do Rand Index (Adjusted Rand Index) e comparando as
duas métricas.mp4
+++ 23. Apresentando o ajuste do Rand Index (Adjusted Rand Index) e comparando as
duas métricas.txt
+++ 24. Utilizando o Rand Index (e o índice ajustado) no dataset iris e avaliando
diferentes valores de k.mp4
+++ 24. Utilizando o Rand Index (e o índice ajustado) no dataset iris e avaliando
diferentes valores de k.txt

= Ciencia_de_Dados_Impressionador_HashTag_2022-012.zip
++ cover.jpg

== Módulo 23 - O Aprendizado Não Supervisionado

+++ 25. Apresentando a médida V (V Measure), a homogeneidade e a completude.mp4
+++ 25. Apresentando a médida V (V Measure), a homogeneidade e a completude.txt
+++ 26. Usando a medida V, homogeneidade e completude para avaliar o dataset
iris.mp4
+++ 26. Usando a medida V, homogeneidade e completude para avaliar o dataset
iris.txt
+++ 27. Revisando a inércia e apresentando os conceitos do Coeficiente Silhueta
(silhouette_score).mp4
+++ 27. Revisando a inércia e apresentando os conceitos do Coeficiente Silhueta
(silhouette_score).txt
+++ 28. Apresentando matematicamente o cálculo do coeficiente silhueta para um
ponto de dado (silhouette_samples).mp4
+++ 28. Apresentando matematicamente o cálculo do coeficiente silhueta para um
ponto de dado (silhouette_samples).txt
+++ 29. Calculando o silhouette_score para os dados e entendendo os principais
conceitos dessa métrica.mp4
+++ 29. Calculando o silhouette_score para os dados e entendendo os principais
conceitos dessa métrica.txt
+++ 30. Criando um plot para visualiar o silhoutte_score, o silhoutte_simples e os
clusters dos dados (Parte 1).mp4
+++ 30. Criando um plot para visualiar o silhoutte_score, o silhoutte_simples e os
clusters dos dados (Parte 1).txt
+++ 31. Criando um plot para visualiar o silhoutte_score, o silhoutte_simples e os
clusters dos dados (Parte 2).mp4
+++ 31. Criando um plot para visualiar o silhoutte_score, o silhoutte_simples e os
clusters dos dados (Parte 2).txt
+++ 32. Criando uma visualização considerando o silhoutte_score e os clusters dos
dados para o dataset iris.mp4
+++ 32. Criando uma visualização considerando o silhoutte_score e os clusters dos
dados para o dataset iris.txt
+++ #Aprendizado não supervisionado.pdf