Introdução à Análise de Dados

CAPÍTULO 1. INTRODUÇÃO À ANÁLISE DE DADOS

PROF. MATHEUS MENDONÇA

Introdução à Análise de Dados
AULA 1.1. APRESENTAÇÃO DA DISCIPLINA

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Motivação.

❑ Tópicos abordados.
Fonte: https://insights.stackoverflow.com/survey/2019#most-popular-technologies
O sucesso do Python
• Open source.
O sucesso do Python
• Open source.

• Comunidade ativa.
O sucesso do Python
• Open source.

• Comunidade ativa.

• Diversas bibliotecas (também open source) para

análise/ciência de dados:
Neste módulo
Neste módulo
Neste módulo
Conclusão

Fonte: https://towardsdatascience.com/top-9-languages-for-data-science-in-2020-824239f930c
 Na próxima aula

❑ Introdução à análise de dados.

Introdução à Análise de Dados
AULA 1.2. INTRODUÇÃO À ANÁLISE DE DADOS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ O que é a análise de dados?

❑ Análise de dados vs Ciência de dados.

A análise de dados
Análise de dados
• Cargos de um analista de dados:

o Business analyst.
Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

• Ferramentas tradicionais:

o SQL.
Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

• Ferramentas tradicionais:

o SQL.

o Excel.
Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

• Ferramentas tradicionais:

o SQL.

o Excel.

o Tableau.
Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

• Ferramentas tradicionais:

o SQL.

o Excel.

o Tableau.

o Power BI.
Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

• Ferramentas tradicionais:

o SQL.

o Excel.

o Tableau.

o Power BI.

• Ferramentas recentes:

o Python.
Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

• Ferramentas tradicionais:

o SQL.

o Excel.

o Tableau.

o Power BI.

• Ferramentas recentes:

o Python.

o Pandas.
Análise de dados
• Cargos de um analista de dados:

o Business analyst.

o Business intelligence analyst (analista de BI).

• Ferramentas tradicionais:

o SQL.

o Excel.

o Tableau.

o Power BI.

• Ferramentas recentes:

o Python.

o Pandas.

o Computação em nuvem;

o Etc.
Análise de dados vs Ciência de Dados

Fonte: https://www.dasca.org/world-of-big-data/article/analysts-vs-scientists-the-big-data-puzzle
Conclusão

✔ O analista de dados organiza e analisa os

dados existentes para agregar conhecimento à
tomada de decisão.

✔ O cientista de dados automatiza o processo de

análise e cria modelos matemáticos capazes de
extrapolar.
 Próxima aula

❑ Numpy para análise de dados.

Introdução à Análise de Dados
CAPÍTULO 2. NUMPY PARA A ANÁLISE DE DADOS

PROF. MATHEUS MENDONÇA

Introdução à Análise de Dados
AULA 2.1. INTRODUÇÃO AOS ARRAYS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Introdução ao numpy.

❑ O que são numpy arrays?

Introdução ao numpy
• O numpy é uma das principais bibliotecas para
computação científica em Python.

• Disponibiliza um objeto de array multidimensional de alta

performance e diversas ferramentas para se trabalhar
com esses objetos.

• Instalação:

o pip install numpy;

o conda install numpy.

• Importando no ambiente de desenvolvimento:

o import numpy as np.

O que são numpy arrays?
• Estrutura de dados para manipulação e álgebra
matricial:
O que são numpy arrays?
• Estrutura de dados para manipulação e álgebra matricial.

• Possibilita trabalhar com estruturas de dados n-dimensionais.

Fonte: https://fgnt.github.io/python_crashkurs_doc/include/numpy.html
Numpy – axis

Caso 1D: direção ao longo das linhas.

Numpy – axis

Caso 2D: direção ao longo das linhas e colunas.

Numpy – axis

Caso 3D: direção ao longo das eixos x, y e z. Exemplo: imagens.

Numpy – shape

Quantidade de elementos em cada eixo.

Numpy performance
Comparativo do tempo de execução de um algoritmo de machine learning
implementado com Python puro e implementado com o Numpy:
Conclusão

✔ Arrays são estruturas para manipulação de

dados numéricos em forma de vetores e
matrizes.

✔ Numpy possui alta performance.

 Referências

❑ A quick introduction to the numpy array. Disponível em:

https://www.sharpsightlabs.com/blog/numpy-array-python/

❑ Numpy/Scipy – Python documentation. Disponível em:

https://fgnt.github.io/python_crashkurs_doc/include/numpy.html

❑ Pure Python vs NumPy vs TensorFlow Performance Comparison. Disponível em:

https://realpython.com/numpy-tensorflow-performance/

❑ NumPy. Disponível em: https://numpy.org

 Próxima aula

❑ Criação de arrays – Prática.

Introdução à Análise de Dados
AULA 2.2. CRIAÇÃO DE ARRAYS – PRÁTICA

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Criação de arrays no numpy.

Conclusão

✔ Aprendemos a criar arrays no numpy.

 Na próxima aula

❑ Indexação de arrays.
Introdução à Análise de Dados
AULA 2.3. INDEXAÇÃO DE ARRAYS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Indexação de arrays:
Acessando elementos.

Slicing.
Numpy array
• Relembrando:
o Os índices ao longo de uma dimensão variam de 0 a n-1,
onde n é o número de elementos da dimensão.

A=
Acessando elementos

• Acessando o valor do elemento no índice 1

(segundo elemento do array):
o A[1] -> 19

A=
Acessando elementos

• Acessando o último elemento de A:

o A[-1] -> 94

o A[4] -> 94

A=
Acessando elementos

• Índices negativos significam que o array será

acessado de trás para frente:
o A[-1] -> 94;

o A[-2] -> 74;

o etc.

A=
Acessando elementos

• Acessando elementos em um array 2D (matriz

B):

o B[2, 1] -> 45.

B=
Acessando elementos

• Acessando elementos em um array 2D (matriz B):

B[i, j]
Acessa a linha Acessa a coluna
do array (axis 0) do array (axis 1)
Slicing

• Acessando mais de um elemento em um array:

o A[1:3] ->

A=
Slicing
• Acessando elementos em um array 2D (matriz B):

o B[1:3, 1:4] ->

B=
Slicing

• Acessando elementos em um array 2D (matriz B):

B[i:k, j:l]
ATENÇÃO: os índices k e l não entram no slicing,
o slicing incluirá até k-1 e l-1, respectivamente.
Conclusão

✔ Indexação.

✔ Slicing.
 Referências

❑ A quick introduction to the numpy array. Disponível em:

https://www.sharpsightlabs.com/blog/numpy-array-python/
 Próxima aula

❑ Prática de indexação de arrays.

Introdução à Análise de Dados
AULA 2.4. INDEXAÇÃO DE ARRAYS – PRÁTICA

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Indexação de arrays:
Acessando elementos.

Slicing.
Conclusão

✔ Indexação.

✔ Slicing.
 Próxima aula

❑ Operações aritméticas.
Introdução à Análise de Dados
AULA 2.5. OPERAÇÕES ARITMÉTICAS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Operações aritméticas:
Operações elemento a elemento.

Broadcasting.

Operações matriciais.
Operações elemento a elemento
Operações aritméticas elemento a elemento:
• Soma:
o Sobrecarga de operador “+”;
o np.add.

• Subtração
o Sobrecarga de operador “-”;
o np.subtract.

• Divisão
o Sobrecarga de operador “/”;
o np.divide

• Multiplicação
o Sobrecarga de operador “*”;
o np.multiply
Operações elemento a elemento

Fonte: https://cognitiveclass.ai/blog/nested-lists-multidimensional-numpy-arrays
Operações elemento a elemento

Fonte: https://cognitiveclass.ai/blog/nested-lists-multidimensional-numpy-arrays
Broadcasting

Fonte: https://cognitiveclass.ai/blog/nested-lists-multidimensional-numpy-arrays
 Broadcasting

Fonte: https://cognitiveclass.ai/blog/nested-lists-multidimensional-numpy-arrays
Operações matriciais

Multiplicação de matrizes:

• Python puro: A @ B

• Numpy:

o np.dot(A, B)

o A.dot(B)
 Operações matriciais
Multiplicação de matrizes:

• Python puro: A @ B

• Numpy:

o np.dot(A, B)

o A.dot(B)

Fonte:https://hadrienj.github.io/posts/Deep-Learning-Book-Series-2.2-Multiplying-Matrices-and-Vectors/
Conclusão

✔ Operações elemento a elemento.

✔ Broadcasting.

✔ Operações matriciais.
 Referências

❑ From Python Nested Lists to Multidimensional numpy Arrays.

Disponível em:
https://cognitiveclass.ai/blog/nested-lists-multidimensional-numpy-arrays

❑ Introduction to Multiplying Matrices and Vectors using

Python/Numpy examples and drawings. Disponível em:
https://hadrienj.github.io/posts/Deep-Learning-Book-Series-2.2-Multiplying
-Matrices-and-Vectors/
 Próxima aula

❑ Prática de operações aritméticas com arrays.

Introdução à Análise de Dados
AULA 2.6. OPERAÇÕES ARITMÉTICAS: OPERAÇÕES ELEMENTO A ELEMENTO (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Operações aritméticas:
Operações elemento a elemento.

Broadcasting.
Conclusão

✔ Operações aritméticas elemento a elemento.

✔ Broadcasting.
 Próxima aula

❑ Prática de operações aritméticas com arrays.

Introdução à Análise de Dados
AULA 2.7. OPERAÇÕES ARITMÉTICAS: OPERAÇÕES MATRICIAIS (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Operações aritméticas:
Operações matriciais.
Conclusão

✔ Operações matriciais.
 Próxima aula

❑ Comparações e indexação booleana.

Introdução à Análise de Dados
AULA 2.8. COMPARAÇÕES E INDEXAÇÃO BOOLEANA

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Comparações.

❑ Indexação booleana.
Comparações
• Comparação menor/menor ou igual:
Comparações

• Comparação maior/maior ou igual:

Comparações
• Igualdade:
Indexação booleana

• Operação de filtro:
Conclusão

✔ Comparaçõe são operações elemento a

elemento.

✔ Indexação boolena: filtro.

 Próxima aula

❑ Prática de comparações e indexação booleana.

Introdução à Análise de Dados
AULA 2.9. COMPARAÇÕES E INDEXAÇÃO BOOLEANA (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Comparações.

❑ Indexação booleana.
Conclusão

✔ Comparaçõe são operações elemento a

elemento.

✔ Indexação boolena: filtro.

 Próxima aula

❑ Dicas de numpy.
Introdução à Análise de Dados
AULA 2.10. OPERAÇÕES ÚTEIS NO NUMPY (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Dicas gerais de numpy.

Conclusão

✔ Dicas de numpy.
 Próxima aula

❑ Regressão linear.
Introdução à Análise de Dados
AULA 2.11. REGRESSÃO LINEAR NO NUMPY: CONCEITOS BÁSICOS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Conceitos básicos de regressão linear.

Regressão linear
Problema: dado um conjunto de pontos, queremos achar qual a função
que melhor descreve esses pontos.
Regressão linear

Diversas possíveis soluções… qual função escolher?

Regressão linear

Diversas possíveis soluções… qual função escolher?

Regressão linear

Diversas possíveis soluções… qual função escolher?

Regressão linear
• A escolha da melhor função deve ser baseada em um critério.

• Um critério comumente utilizada é o erro quadrático, que queremos minimizar:

erro
Regressão linear
• A escolha da melhor função deve ser baseada em um
critério.

• Um critério comumente utilizada é o erro quadrático,

que queremos minimizar.

• Com o critério definido e, sabendo que a função linear

possui o seguinte formato:

y = f(x) = ax + b
• O problema de regressão resume-se à determinação
dos coeficientes a e b, visto que x e y são dados de
entrada.
 Regressão linear
• Matricialmente:

• A solução fechada deste problema é dada por:

Conclusão

✔ Conceitos de regressão linear.

Referências
 Próxima aula

❑ Regressão linear no numpy (Prática).

Introdução à Análise de Dados
AULA 2.12. REGRESSÃO LINEAR NO NUMPY (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Conceitos básicos de regressão linear.

❑ Regressão linear no numpy.

Conclusão

✔ Conceitos de regressão linear.

✔ Regressão linear no numpy.

 Próxima aula

❑ Pandas.
Introdução à Análise de Dados
CAPÍTULO 3. PANDAS PARA A ANÁLISE DE DADOS

PROF. MATHEUS MENDONÇA

Introdução à Análise de Dados
AULA 3.1. INTRODUÇÃO AO PANDAS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Introdução ao Pandas.

❑ Dtypes e tipos de objetos.

❑ Leitura de dados.
Introdução ao Pandas
Pandas é um pacote em Python desenvolvido para disponibilizar
estruturas de dados rápidas e flexíveis para se trabalhar com dados
“relacionais” ou “rotulados”. Ele é adequado para diversos tipos de
dados:

• Dados tabulares com colunas de tipos heterogêneos, como por

exemplo em tabelas SQL ou planilhas Excel.

• Dados de séries temporais ordenados ou não ordenados.

• Dados matriciais arbitrários, com linhas e colunas.

Introdução ao Pandas
• Flexível:

o Escrito em cima do numpy.

o Possui métodos do matplotlib.

o Usado em conjunto com outras bibliotecas de

ciência de dados (scipy, scikit-learn etc.).

• Instalação:

o pip install pandas.

o conda install pandas.

• Importando no ambiente de desenvolvimento:

o import pandas as pd.

Introdução ao Pandas

Fonte: https://www.geeksforgeeks.org/python-pandas-dataframe/
Tipos de dados (dtypes)
Pandas dtype Python type Uso

object str ou mixed Texto ou valores mistos numéricos e não-numéricos.

int64 int Números inteiros.

float64 float Números ponto flutuantes.

bool bool Valores True/False.

datetime64 NA Valores em formato de data e hora.

timedelta[ns] NA Diferença de dois datetimes.

category NA Lista finita de texto.

DataFrames e Series

Fonte:
https://www.learndatasci.com/tutorials/python-pandas-tutorial-complete-introduction-for-beginners/
Leitura de dados
Para leitura dos dados existem diversas funções, a depender do
formato do dado de entrada. Algumas das mais usadas estão listadas
abaixo:

• read_csv: leitura de arquivos CSV.

• read_json: leitura de arquivos JSON.

• read_excel: leitura de arquivos Excel.

• Etc.
Aplicações
Algumas das tarefas que o Pandas faz com eficiência, são:

• Tratamento de dados faltantes (representados por NaN).

• Tamanhos mutáveis: colunas podem ser inseridas e excluidas de

DataFrames com facilidade.

• Grupo de funcionalidades poderoso e flexível para agregar e

transformar conjuntos de dados.

• Ferramentas de IO robustas para leitura de dados de arquivos,

como CSV, Excel e bancos de dados.

• Entre outros.
Conclusão

✔ Introdução ao Pandas.

✔ Tipos de dados.
 Referências

❑ Python Pandas Tutorial: A Complete Introduction for

Beginners. Disponível em:
https://www.learndatasci.com/tutorials/python-pandas-tutori
al-complete-introduction-for-beginners/

❑ Pandas. Disponível em: https://pandas.pydata.org/

 Próxima aula

❑ Introdução ao Pandas – Prática.

Introdução à Análise de Dados
AULA 3.2. INTRODUÇÃO AO PANDAS (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Introdução ao Pandas.
Conclusão

✔ Introdução ao Pandas.
 Próxima aula

❑ Indexação.
Introdução à Análise de Dados
AULA 3.3. INDEXAÇÃO NO PANDAS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Indexação no pandas:
Método iloc().

Método loc().

❑ Indexação booleana.
Indexação direta

✔ data_frame[‘temperatura’]
Indexação direta

✔ data_frame[[‘temperatura’, ‘classification’]]
Método iloc()
✔ Similar à indexação no numpy:

Nome do DataFrame Índice da coluna (int)

data_frame.iloc[i_linha, j_coluna]

Índice da linha (int)

Método iloc()
✔ Similar à indexação no numpy:

Nome do DataFrame Indexação de múltiplas colunas ()

data_frame.iloc[i:k, j:l]

Indexação de múltiplas linhas

Método loc()
✔ Indexação pelo nome da linha ou coluna:

Nome da coluna (str ou list)

Nome do DataFrame

data_frame.loc[nome_linha, nome_coluna]

Nome da linha (str ou list)

 Indexação booleana

✔ df[df[‘classification’]==‘quente’]
Indexação booleana

• df.loc[df[‘classification’]==‘quente’, ‘temperatura’]
Conclusão

✔ Indexação no Pandas:

✔ Método iloc.

✔ Método loc.

✔ Indexação booleana.
 Próxima aula

❑ Indexação – Prática.
Introdução à Análise de Dados
AULA 3.4. INDEXAÇÃO NO PANDAS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Indexação no Pandas:
Método iloc().

Método loc().
Conclusão

✔ Indexação no Pandas:

✔ Método iloc.

✔ Método loc.
 Próxima aula

❑ Indexação booleana (Prática).

Introdução à Análise de Dados
AULA 3.5. INDEXAÇÃO BOOLEANA NO PANDAS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Indexação booleana.
Conclusão

✔ Indexação booleana.
 Próxima aula

❑ Ordenação.
Introdução à Análise de Dados
AULA 3.6. ORDENAÇÃO NO PANDAS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Ordenação no Pandas:
Método sort_values.
Método sort_values()

• df.sort_values(by=['col1'])
Método sort_values()

• df.sort_values(by='col1', ascending=False)
Método sort_values()

• df.sort_values(by=[‘col1’, ‘col2’]).
Método sort_values()

• df.sort_values(by='col1', na_position=‘first’).
Conclusão

✔ Ordenação no Pandas.
 Próxima aula

❑ Ordenação – Prática.
Introdução à Análise de Dados
AULA 3.7. ORDENAÇÃO NO PANDAS (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Ordenação no Pandas:
Método sort_values.

Método sort_index.
Conclusão

✔ Ordenação no Pandas:

✔ Método sort_values;

✔ Método sort_index.
 Próxima aula

❑ Visualização de dados no Pandas (Prática).

Introdução à Análise de Dados
AULA 3.8. VISUALIZAÇÃO DE DADOS NO PANDAS (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Introdução à visualização de dados no Pandas:

Plot de linhas.

Plot de barras.

Plot de “pizza”.
Conclusão

✔ Visualização de dados no Pandas.

 Próxima aula

❑ Dicas gerais no Pandas (Prática).

Introdução à Análise de Dados
AULA 3.9. DICAS GERAIS SOBRE O PANDAS (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Dicas gerais sobre o Pandas.

Conclusão

✔ Dicas:

✔ Método groupby.

✔ Operações inplace.

✔ Compartilhamento de memória em cópias.

 Próxima aula

❑ Introdução ao aprendizado de máquinas.

Introdução à Análise de Dados
CAPÍTULO 4. INTRODUÇÃO AO APRENDIZADO DE MÁQUINAS

PROF. MATHEUS MENDONÇA

Introdução à Análise de Dados
AULA 4.1. INTRODUÇÃO AO APRENDIZADO DE MÁQUINAS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Introdução ao aprendizado de máquinas.

Aprendizado de máquinas

Arthur Samuel (1959): Machine Learning is the field of

study that gives the computer the ability to learn without
being explicitly programmed.
Aprendizado de máquinas
• O aprendizado de máquinas utiliza um conjunto de
ferramentas para modelagem e análise de dados
denominado Aprendizado Estatístico.

• Abordagem estatística para o problema de

Aprendizado de Máquina:
o Desenvolvimento de modelos capazes de aprender a
partir de dados.
Abordagem simbólica
Abordagem simbólica para a classificação de dígitos:
Abordagem simbólica
Abordagem simbólica para a classificação de dígitos:

Suponha que exista um algoritmo capaz de contar o número de retas e

curvas em uma imagem de um dígito:
Abordagem simbólica
• Conhecimento do problema é representado por meio de regras
(if/else).

• Facilidade de entender o mecanismo de inferência que gerou o

resultado.

• Facilidade de alteração do conhecimento do problema.

Abordagem simbólica
• Dificuldade de modelagem de todo o problema.

• Dificuldade de lidar com incertezas, informação imprecisas etc.

Aprendizado estatístico

• Aprendizado a partir de dados.

• Inferências a partir de experiências passadas.

“Seu modelo é tão bom quanto forem os dados que o alimentam...”

Exemplos de problemas
• Reconhecimento de dígitos escritos a mão:
Exemplos de problemas
• Reconhecimento de dígitos escritos a mão:
 Exemplos de problemas
• Detecção facial:

Fonte: https://www.aimlmarketplace.com/technology/image-recognition?start=5
Exemplos de problemas
• Geração automática de legendas de fotos:

Fonte: https://arxiv.org/abs/1502.03044
Pipeline

Fonte: https://towardsdatascience.com/workflow-of-a-machine-learning-project-ec1dba419b94
Conclusão

✔ Aprendizado de máquinas:

✔ Diferença entre abordagem simbólica e o apredizado

estatístico.

✔ Resultados recentes.

✔ Pipeline de um projeto de dados.

 Referências

❑ An Introduction to Statistical Learning: With Applications in R: 103,

por Gareth James. Disponível em: http://www-bcf.usc.edu/~gareth/ISL/

❑ The Hundred-Page Machine Learning Book, por Andriy Burkov.

Disponível em: http://themlbook.com/wiki/doku.php

❑ PAIM, André. Introdução à inteligência computacional: Apresentação

da Disciplina. 01 jan. 2017, 01 jun. 2017. Notas de Aula.
 Próxima aula

❑ Introdução ao scikit-learn.
Introdução à Análise de Dados
AULA 4.2. INTRODUÇÃO AO SCIKIT-LEARN

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Introdução ao scikit-learn.
Introdução ao scikit-learn
O scikit-learn é um dos mais utilizados frameworks de
aprendizado de máquinas em Python:
Introdução ao scikit-learn
O scikit-learn é um dos mais utilizados frameworks de
aprendizado de máquinas em Python:
Introdução ao scikit-learn
O scikit-learn é um dos mais utilizados frameworks de
aprendizado de máquinas em Python:
Introdução ao scikit-learn

• Open-source.
Introdução ao scikit-learn

• Open-source.

• Desenvolvido baseado no numpy, scipy e

matplotlib.
Introdução ao scikit-learn

• Open-source.

• Desenvolvido baseado no numpy, scipy e

matplotlib.

• Interface alto-nível de modelos complexos.

Introdução ao scikit-learn

• Open-source.

• Desenvolvido baseado no numpy, scipy e

matplotlib.

• Interface alto-nível de modelos complexos.

• Instalação:

• pip install scikit-learn.

• conda install scikit-learn.

Introdução ao scikit-learn
• Open-source.

• Desenvolvido baseado no numpy, scipy e

matplotlib.

• Interface alto-nível de modelos complexos.

• Instalação:

• pip install scikit-learn.

• conda install scikit-learn.

• Uso:
Introdução ao scikit-learn
Possui diversos datasets disponíveis.
Introdução ao scikit-learn

Execução de um modelo complexo em poucas linhas:

Conclusão

✔ Visão geral do scikit-learn.

 Referências

❑ Scikit-learn. Disponível em:

<https://scikit-learn.org/stable/>. Acesso em: 14 de
jul. de 2020.
 Próxima aula

❑ Classificação: conceitos básicos.

Introdução à Análise de Dados
AULA 4.3. CLASSIFICAÇÃO DE PADRÕES: CONCEITOS BÁSICOS

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Classificação de padrões: conceitos básicos.

Classificação
Classificação

g(X): Fronteira de decisão

Classificação

• Um classificador binário se resume a:

Fronteira de decisão
Fronteira de decisão
Conclusão

✔ Classificação de padrões:

✔ Conceitos básicos.
 Referências

❑ An Introduction to Statistical Learning: With Applications in R: 103,

por Gareth James. Disponível em: http://www-bcf.usc.edu/~gareth/ISL/

❑ The Hundred-Page Machine Learning Book, por Andriy Burkov.

Disponível em: http://themlbook.com/wiki/doku.php

❑ PAIM, André. Introdução à inteligência computacional: Apresentação

da Disciplina. 01 jan. 2017, 01 jun. 2017. Notas de Aula.
 Próxima aula

❑ Classificação no scikit-learn – Prática.

Introdução à Análise de Dados
AULA 4.4. CLASSIFICAÇÃO NO SCIKIT-LEARN (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Classificação de padrões no scikit-learn.

Conclusão

✔ Classificação de padrões no scikit-learn.

 Referências

❑ An Introduction to Statistical Learning: With Applications in R: 103,

por Gareth James. Disponível em: http://www-bcf.usc.edu/~gareth/ISL/

❑ The Hundred-Page Machine Learning Book, por Andriy Burkov.

Disponível em: http://themlbook.com/wiki/doku.php

❑ PAIM, André. Introdução à inteligência computacional: Apresentação

da Disciplina. 01 jan. 2017, 01 jun. 2017. Notas de Aula.
 Próxima aula

❑ Regressão linear no scikit-learn I (Prática).

Introdução à Análise de Dados
AULA 4.5. REGRESSÃO LINEAR NO SCIKIT-LEARN I (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Regressão linear no scikit-learn I.

Conclusão

✔ Regressão linear no scikit-learn.

 Referências

❑ An Introduction to Statistical Learning: With Applications in R: 103,

por Gareth James. Disponível em: http://www-bcf.usc.edu/~gareth/ISL/

❑ The Hundred-Page Machine Learning Book, por Andriy Burkov.

Disponível em: http://themlbook.com/wiki/doku.php

❑ PAIM, André. Introdução à inteligência computacional: Apresentação

da Disciplina. 01 jan. 2017, 01 jun. 2017. Notas de Aula.
 Próxima aula

❑ Regressão linear no scikit-learn II (Prática).

Introdução à Análise de Dados
AULA 4.6. REGRESSÃO LINEAR NO SCIKIT-LEARN II (PRÁTICA)

PROF. MATHEUS MENDONÇA

 Nesta aula

❑ Regressão linear no scikit-learn.

Conclusão

✔ Regressão linear no scikit-learn:

✔ Métricas de avaliação.
 Referências

❑ An Introduction to Statistical Learning: With Applications in R: 103, por

Gareth James. Disponível em: http://www-bcf.usc.edu/~gareth/ISL/

❑ The Hundred-Page Machine Learning Book, por Andriy Burkov.

Disponível em: http://themlbook.com/wiki/doku.php

❑ PAIM, André. Introdução à inteligência computacional: Apresentação da

Disciplina. 01 jan. 2017, 01 jun. 2017. Notas de Aula.
 Próxima aula

❑ Fim!