Mais Informações

Saber nunca é demais!

Encontre aqui as respostas para as perguntas que você tenha ou venha a ter sobre a Ciência de Dados e Inteligência Artificial. Se não encontrar alguma resposta específica entre em contato por email ou pelo nosso chat.

QUAL AS PRINCIPAIS ATIVIDADES REALIZADAS PELA CIÊNCIA DE DADOS?

Compreender os problemas: dividir os problemas em subproblemas pode ser útil. Técnicas de questionamento como os 5 porquês e o método socrático podem ser muito úteis. A interação com os usuários finais também pode ajudar a entender melhor os problemas.

Identifique hipóteses com as quais trabalhar: As hipóteses, às vezes, podem ser entendidas como a solução que você acha que pode resolver o problema. A solução pode ser hipóteses que podem ser testadas usando testes estatísticos, executando simulações baseadas em resultados de modelos preditivos ou de otimização, etc. Você precisa testar a solução e descobrir se a solução realmente resolve o problema e então estabelecê-la para toda a empresa adoção. Por exemplo, executar uma ou campanhas de marketing nos clientes que provavelmente desistirão pode evitar a rotatividade de clientes. As hipóteses podem ser algumas das seguintes: A. Decidir uma ou mais formas específicas de campanha que podem ser mais eficazes B. Identificar os clientes com probabilidade de desistir. Em um exercício de simulação, um conjunto de modelos preditivos pode ser usado para prever e trabalhar com a hipótese de que essas previsões estão corretas, por exemplo, esses clientes previstos provavelmente irão desistir. Se as previsões não forem eficazes, será necessário apresentar outra hipótese que preveja outro conjunto de clientes que podem sair. E, neste caso, diferentes tipos de modelos preditivos podem ser necessários para serem construídos e testados.

Identifique e colete dados: Identifique as principais hipóteses/alavancas de soluções e adquira dados relacionados (internos ou externos). Alavancas são os principais atributos que podem impactar os resultados de negócios quando aplicados. As alavancas podem ser representadas na forma de dados brutos ou derivados. A maioria desses dados pode ser encontrada dentro da organização. No entanto, não se deve ter vergonha de obter um conjunto de dados externo, mesmo que esteja associado ao custo, a fim de evitar o viés relacionado aos dados.

Realize o pré-processamento de dados, incluindo limpeza de dados, etc.: Os dados em sua forma original podem exigir algum processamento para preparar dados para fins de análise.

Realize testes de hipóteses (testes estatísticos, KPIs, simulações, etc.): Às vezes, pode-se testar as hipóteses realizando testes estatísticos. Como alternativa, seria necessário rastrear os KPIs por um determinado período de tempo para aceitar as hipóteses ou soluções como verdadeiras. É aqui que o painel pode ser muito útil. Pode-se também usar técnicas de otimização para prescrever a solução que poderia ser a mais ótima e executar a simulação por um determinado período de tempo para estabelecer o valor dos parâmetros de otimização como verdade. Pode-se também usar mecanismos preditivos ou modelos para fins de estimativa e executar o exercício de simulação (tomar ação) para medir a eficácia das decisões tomadas com base no monitoramento contínuo é a chave para o teste de hipóteses.

Estabeleça novas verdades a serem adotadas: como resultado do teste de hipóteses ou da execução de simulações com mecanismos de otimização ou previsão, você seria capaz de estabelecer a verdade dada a evidência na forma de dados. Essa verdade pode então ser estabelecida em toda a empresa, a menos que uma nova verdade surja com base em dados em constante mudança. Por exemplo, se um mecanismo de previsão estiver prevendo os clientes em potencial que podem desistir e se um determinado tipo ou forma de campanha de marketing for executado neles, a rotatividade do cliente será reduzida. Assim, o mecanismo preditivo e a forma de marketing podem ser aceitos como verdade até que o churn do cliente seja evitado como desejado.

Monitoramento contínuo para alinhar soluções/hipóteses: Uma vez que as hipóteses foram estabelecidas como verdadeiras, é de extrema importância monitorar continuamente os dados e alinhar a solução aos dados em constante mudança. Por exemplo, o comportamento de um cliente pode mudar com o tempo e, por sua vez, o mecanismo de previsão pode exigir um novo ajuste para prever com mais precisão. A forma da campanha de marketing que era eficaz anteriormente para clientes com probabilidade de rotatividade pode não ser tão eficaz agora e exigiria uma forma diferente ou combinação de campanhas a serem executadas.

QUAIS SÃO AS PRINCIPAIS HABILIDADES ESPERADAS DE UM CIENTISTA DE DADOS?

Bons conhecimentos do domínio empresarial; Ele/ela pode receber ajuda de gerentes de produto ou analistas de negócios nessa área.

Conhecimento especializado em estatística: uma habilidade obrigatória para permitir que os cientistas de dados projetem hipóteses, formulem hipóteses na forma de hipóteses nulas e alternativas e executem testes de hipóteses para estabelecer a verdade com a qual trabalhar.

Conhecimento especializado de programação: uma habilidade obrigatória para permitir que os cientistas de dados aproveitem o conhecimento de programação para testar a hipótese e criar modelos preditivos. Linguagens de programação como Python e R são as mais populares. Outras linguagens de programação incluem Julia, Scala e Java.

Conhecimento avançado em visualização de dados (desejável): os cientistas de dados também devem ser adeptos de pelo menos uma das ferramentas de visualização de dados, como Tableau, Qlikview e D3.js, para comunicar os insights de dados de maneira eficaz. As ferramentas podem ajudá-los a trabalhar com visualização de dados de maneira rápida. No entanto, eles podem fazer a mesma coisa com Python ou R.

Conhecimento avançado de algoritmos de aprendizado de máquina e otimização: seria bom ter conhecimento de alguns algoritmos de aprendizado de máquina para permitir que os cientistas de dados encontrem o padrão correto nos dados.

Conhecimento intermediário de serviços em nuvem: Um conhecimento avançado de como operar algumas das ferramentas em, pelo menos, uma das nuvens, como Amazon, Azure, Google, etc., seria muito útil para trabalhar com dados. Os serviços em nuvem relacionados ao armazenamento elástico e infraestrutura de computação ajudam a trabalhar com uma grande quantidade de dados e processamento de dados eficiente.

Bom conhecimento da tecnologia: Um conhecimento decente de algumas das tecnologias inovadoras de big data, como Hadoop, Spark, etc., pode ajudar muito.

COMO POSSO COMEÇAR NA CIÊNCIA DE DADOS?

O Curso de Ciência de Dados e Inteligência Artificial da PUC Minas está fundamentado em conhecimentos interdisciplinares inerentes às áreas da computação, estatística e matemática, que no seu conjunto contribuem para formar bacharéis com domínio para construção de modelos e desenvolvimento de soluções baseadas em dados, fundamentadas no pensamento científico. O aluno será formado com pensamento criativo, analítico, crítico e científico para contribuir com as atuais e futuras demandas da sociedade. O curso está fortemente vinculado ao desenvolvimento de projetos, como parte essencial da formação, e o aluno será incentivado a participar de projetos de extensão universitária e pesquisa avançada, sob a orientação de professores qualificados.

O que você irá estudar: O currículo do curso apresenta equilíbrio entre a teoria e a prática, o que contribui para formar nos alunos habilidades técnicas para o mercado de trabalho, e propicia a formação nos fundamentos da Computação, Estatística e Matemática. O aluno estudará as diversas tecnologias da computação, como Algoritmos, Banco de Dados, Mineração de Dados, Aprendizado de Máquina, Recuperação de Informação e Processamento Distribuído para soluções em Big Data. Também terá conteúdos das áreas de estatística e matemática, como Estatística Descritiva, Inferencial e Multivariada, entre muitas outras, além de disciplinas de formação humanística que abordarão temas éticos necessários para a formação completa do profissional em Ciência de Dados e Inteligência Artificial. O currículo inclui a realização de eventos com a participação de empresas de tecnologia, permitindo o contato dos alunos com a tecnologia da área aplicada à indústria e incentivando o empreendedorismo.

Áreas de atuação: O bacharel em Ciência de Dados e Inteligência Artificial é um profissional altamente demandado, o que exige dele uma formação sólida. O profissional com esse perfil pode desenvolver atividades em qualquer tema relacionado à área do curso e em áreas multidisciplinares de empresas interessadas em extrair informação e valor a partir de dados. As principais áreas de atuação são: desenvolvimento de métodos e modelos para identificação de padrões; descoberta de conhecimento e recuperação de informação, a partir de dados; desenvolvimento de algoritmos para implementação de modelos; desenvolvimento de sistemas computacionais que sirvam de suporte ao modelos e métodos desenvolvidos; administração e gestão de projetos, etc.. Poderá ainda trabalhar em empresas públicas e privadas, de diversos setores, interessadas em extrair valor a partir de dados, ou em universidades e centros de pesquisa.