Conheça o Curso
Ciência de Dados Impressionador

1. Apresentação do Módulo
2. Definição de Ciência de Dados
3. Conceito Simplificado de Ciência de Dados
4. Os 3 Pilares da Ciência de Dados
5. Definindo Ciência e Algoritmo
6. Definindo Estatística e Método Científico
7. Definindo Processos e Sistemas
8. De Dados até Inteligência de Negócios
9. Exemplo Prático - Pequena Loja De Roupas
10. Tipos de Dados
11. O Método da Ciência de Dados - CRISP-DM
12. Análise x Ciência x Engenharia de Dados
13. Revisão e Considerações Finais

1. Por que Python?
2. Instalando o Python no Windows
3. Problemas na Instalação - Resolvido
4. Mac, Linux e Google Colab
5. Jupyter vs JupyterLab
6. Atalhos úteis
7. Markdown em arquivos Notebook
8. Principais operações matemáticas com Python - parte 1
9. Principais operações matemáticas com Python - parte 2
10. Trabalhando com texto - strings
11. Variáveis - parte 1
12. Variáveis - parte 2
13. Comparações - parte 1
14. Comparações - parte 2 - operador and e or
15. Verificando o tipo de variáveis
16. Funções built-in
17. Exercícios - enunciados
18. Exercícios - resolução
19. Tipos sequenciais - introdução
20. Tipos sequenciais - listas - parte 1 - índices e mutabilidade
21. Tipos sequenciais - listas - parte 2 - slices
22. Tipos sequenciais - listas - parte 3 - slices
23. Tipos sequenciais - listas - parte 4 - adicionando e removendo itens
24. Tipos sequenciais - tuplas
25. Tipos sequenciais - listas vs tuplas
26. Tipos sequenciais - strings
27. Dicionários - introdução
28. Dicionários - consultando chaves
29. Dicionários - alguns métodos de dicionários
30. Dicionários - exemplos de uso
31. Exercícios - enunciados
32. Exercícios - resolução
33. Desafios - enunciados
34. Desafios - resolução
35. Formatação de strings - marcadores de posição (evite usar)
36. Formatação de strings - método format - parte 1
37. Formatação de strings - método format - parte 2
38. Formatação de strings - f-strings
39. Métodos de strings
40. Exercícios - enunciados
41. Exercícios - resolução - parte 1
42. Exercícios - resolução - parte 2
43. Condicionais - if
44. Condicionais - if/else
45. Condicionais - if/elif/else
46. Condicionais - aninhamento
47. Condicionais - uso de operadores
48. Condicionais - revisão
49. Condicionais - exercícios - enunciados
50. Condicionais - exercícios - resolução
51. Loops - For - introdução
52. Loops - For - exemplos simples
53. Loops - For - dicionários
54. Loops - For - range - introdução
55. Loops - For - range - exemplos
56. Loops - For - enumerate
57. Loops - For - zip
58. Loops - For - comprehensions
59. Loops - While - introdução
60. Loops - While - exemplos e break
61. Try/except
62. Loops e try/except - exercícios - enunciados
63. Loops e try/except - exercícios - resolução - parte 1
64. Loops e try/except - exercícios - resolução - parte 2
65. Desafio - enunciado e primeira resolução
66. Desafio - enunciado e segunda resolução
67. Funções - introdução
68. Funções - definição, docstrings, retorno
69. Funções - valores padrão, parâmetros explícitos
70. Funções - funções com mais de um retorno
71. Funções - exercícios - enunciados
72. Funções - exercícios - resolução - parte 1
73. Funções - exercícios - resolução - parte 2
74. Classes - introdução
75. Classes - exemplo
76. Classes - funções vs classes
77. Classes - exercícios - enunciados
78. Classes - exercícios - resolução - parte 1
79. Classes - exercícios - resolução - parte 2
80. Módulos - introdução
81. Módulos - biblioteca padrão
82. Módulos - módulos de terceiros
83. Módulos - exercícios - enunciados e instalação de pacote
84. Módulos - exercícios - resolução
85. Encerramento do módulo

1. Orientações - Assista antes de começar
2. Arrays Numpy vs Listas
3. Array Explicado
4. Funções Básicas de Array
5. Exercícios Array
6. Aleatórios e Estatística
7. Where no Numpy
8. Exercícios Numpy - Parte 1
9. Exercícios Numpy - Parte 2
10. Reshape
11. Exemplo Reshape
12. Exercícios Numpy - Parte 3
13. Exercícios Numpy - Parte 4

1. Introdução ao Pandas
2. DataFrames
3. Importando uma base de dados
4. Principais checagens - parte 1
5. Principais checagens - parte 2
6. Principais checagens - parte 3
7. Selecionando partes - parte 1
8. Selecionando partes - parte 2
9. Selecionando partes - parte 3
10. Selecionando partes com query
11. Agrupamentos
12. Value_counts
13. Eliminando dados
14. Exportando dados
15. Criando novas colunas
16. Gráficos com Pandas
17. Interagindo com planilhas
18. Reshaping - pivot, stack, unstack
19. Reshaping - pivot_table
20. Reshaping - gráficos
21. Apresentando a base IBM
22. IBM - info da base
23. IBM - describe colunas numéricas
24. IBM - describe colunas não numéricas
25. IBM - finalizando checagens básicos e proposta de exercícios
26. IBM - removendo colunas e analisando maiores e menores valores
27. IBM - introdução a variáveis categóricas
28. IBM - separando as nossa variáveis
29. IBM - o tipo categórico do Pandas
30. IBM - value_counts
31. IBM - attrition por departamento
32. IBM - qual coluna utilizar para salário?
33. IBM - Analisando salário - parte 1
34. IBM - Analisando salário - parte 2
35. IBM - Analisando salário - parte 3
36. IBM - Analisando gênero
37. IBM - Analisando níveis educacionais
38. IBM - Histogramas - Idade em cada gênero
39. IBM - Histogramas - Idade vs attrition
40. IBM - Lembrando de variáveis categóricas
41. IBM - A função cut do Pandas
42. IBM - Histogramas múltiplos
43. IBM - Boxplots - introdução
44. IBM - Boxplots - comparação com histograma
45. IBM - Boxplots - comparando boxplots - parte 1
46. IBM - Boxplots - comparando boxplots - parte 2
47. Encerramento do módulo

1. Explicando o projeto
2. Importando e tratando a base com Pandas
3. Tratando valores nulos da coluna Carrossel
4. Analisando informações estatísticas e as 5 melhores / 5 piores publicações
5. O group by (groupby) no pandas e a análise do engajamento
6. Analisando Tags: Separando valores de uma coluna em linhas diferentes (split e explode)
7. Analisando Tags: Analisando o engajamento por Tags
8. Analisando Tags: Finalizando a análise da nossa base (analisando tag, pessoas e campanhas)

1. Orientações - Assista antes de começar
2. Matplotlib - Anatomia de uma figura
3. Matplotlib - Primeiros exemplos
4. Matplotlib - Paleta de cores - parte 1
5. Matplotlib - Paleta de cores - parte 2
6. Matplotlib - exercícios - gráfico de linhas
7. Matplotlib - exercícios - gráfico de barras
8. Matplotlib - exercícios - gráfico de dispersão
9. Matplotlib - exercícios - gráfico de pizza
10. Matplotlib - Gráfico de linha para apresentação - parte 1
11. Matplotlib - Gráfico de linha para apresentação - parte 2
12. Matplotlib - Gráfico de barras para apresentação - parte 1
13. Matplotlib - Gráfico de barras para apresentação - parte 2
14. Matplotlib - Gráfico de barras empilhadas para apresentação
15. Matplotlib - exercícios - gráfico de barras para apresentação
16. Matplotlib - exercícios - gráfico de linhas para apresentação
17. Matplotlib - introdução poo
18. Matplotlib - poo gráficos simples
19. Matplotlib - poo mais de um eixo y
20. Matplotlib - poo múltiplos sistemas de eixo
21. Matplotlib - poo mosaico
22. Matplotlib - exercícios
23. Matplotlib - plt para poo
24. Matplotlib - criando nosso mosaico
25. Matplotlib - estilos
26. Matplotlib - Entendendo a estrutura de um estilo
27. Matplotlib - Personalizando estilos
28. Matplotlib - Criando seu próprio estilo
29. Matplotlib - O Matplotlib por baixo do Pandas
30. Matplotlib - Pandas para Matplotlib
31. Matplotlib - Pandas para Matplotlib - parte 2
32. Matplotlib - Visualizações específicas do Pandas
33. Matplotlib - Visualizações específicas do Pandas - parte 2
34. Seaborn - Introdução
35. Seaborn - temas
36. Seaborn - pandas
37. Seaborn - histogramas
38. Seaborn - KDE
39. Seaborn - FacetGrid
40. Seaborn - PairPlot
41. Seaborn - Boxplot
42. Seaborn - Categóricas - parte 1
43. Seaborn - Categóricas - parte 2
44. Seaborn - Categóricas - parte 3
45. Seaborn - Correlação - parte 1
46. Seaborn - Correlação - parte 2

1. Introdução a Estatística e Estatística Descritiva
2. Tabela de frequência e histograma
3. Entendendo o conceito da média
4. Mediana e sua relação com a média
5. Usando Python para entender a relação entre média e mediana
6. Média, mediana e moda
7. Entendendo de forma prática a relação entre média, mediana e moda
8. QUIZ 5 - Introdução a Estatística

1. O que é uma API?
2. BrasilAPI - Dados de bancos
3. BrasilAPI - Tratamento de dados e endpoints
4. BrasilAPI - Consumo responsável da API
5. API com dados de países
6. API com keys
7. Fred API - paginação
8. Fred API - criando dataframe
9. Fred API - Tratamento de dados
10. Fred API - Gráficos

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

1. O que é Aprendizado de Máquinas (Machine Learning)?
2. O aprendizado de máquinas no Instagram
3. Explicando o Aprendizado de Máquinas
4. Caso Real: Uso do Aprendizado de Máquinas pelo Walmart
5. Como funciona um modelo de Aprendizado de Máquinas?
6. O erro no processo de aprendizado
7. O Aprendizado de Máquinas no Python
8. Regressão Linear no Scikit-Learn: importanto, tratando e entendendo os dados
9. Usando Regressão Linear do Scikit-Learn para calcular a Venda utilizando apenas o Preço
10. Calculando a regressão linear com Scikit-Learn utilizando Preço Original e Desconto
11. Usando o sklearn.metrics para calcular os erros de cada um dos modelos
12. A descrição estatística do Pandas
13. A variância e o desvio padrão (medidas de dispersão)
14. Separatrizes: entendendo os quartis

1. Os tipos de aprendizado de máquinas: aprendizado supervisionado e não supervisionado
2. Os tipos de aprendizado de máquinas: aprendizado semi supervisionado e por reforço
3. A diferença entre aprender e decorar
4. Considerações importantes para o Aprendizado de Máquinas

1. Entendendo e importando o dataset iris do scikit-learn
2. Tratando os dados do dataset e transformando em um DataFrame do pandas
3. Escolhendo visualmente quais colunas da base iremos usar no modelo
4. Criando uma reta capaz de separar os dados do modelo
5. Classificando um novo ponto usando o modelo visual que acabamos de criar
6. Criando uma função em Python para classificar um novo ponto no modelo
7. Entendendo o Perceptron e usando esse algoritmo nos nossos dados
8. Usando o Perceptron para criar um modelo de aprendizado de máquinas

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

1. Explicando a Análise Exploratória e a base que vamos usar (dataset do Titanic)
2. Importando e entendendo a base do Titanic
3. Analisando as informações da base e o resumo estatístico
4. Entendendo a cardinalidade de uma base
5. Visualizando os dados de forma gráfica
6. Gerando um boxplot usando o matplotlib
7. Interpretando o boxplot
8. Outras opções de gráficos
9. Correlação entre as variáveis e o KDE (Kernel Density Estimation)
10. Criando um mapa de calor da correlação entre as variáveis
11. Tratando valores vazios e outliers
12. O Pandas Profiling
13. (Opcional) Corrigindo o erro ao carregar o Pandas Profiling
14. Apresentando sua análise exploratória de forma executiva

1. Apresentando a documentação do Scikit-Learn
2. Importando o dataset iris do Scikit-Learn e transformando em um DataFrame do pandas
3. O Perceptron no Scikit-Learn
4. Entendendo o resultado gerado pelo perceptron
5. A árvore de decisão no Scikit-Learn
6. Classificação no Scikit-Learn: entendendo o dataset e criando os classificadores
7. Classificação no Scikit-Learn: Avaliando erros de classificação
8. (Opcional) O average no precision_score
9. Classificação no Scikit-Learn: separando os dados em treino e teste e avaliando o modelo
10. Classificação no Scikit-Learn: adicionando novos algoritmos (Regressão Logística) e melhorando o resultado do Perceptron
11. A equação da reta
12. Entendendo a regressão linear
13. O erro na regressão linear
14. A regressão linear no Scikit-Learn
15. Regressão no Scikit-Learn: explicando o problema e importando a base
16. Regressão no Scikit-Learn: utilizando regressão linear simples para prever o volume de ações
17. Regressão no Scikit-Learn: utilizando regressão linear múltipla
18. Regressão no Scikit-Learn: tratando a variável de data e utilizando no modelo

1. Explicando o projeto e importando a base de casas da Califórnia
2. Visualizando os dados de maneira gráfica
3. Entendendo a base, verificando valores duplicados e tratando outliers
4. Separando a base em treino e teste e usando Regressão Linear Simples
5. Utilizando o for para fazer a regressão de todas as colunas da base
6. Entendendo o coeficiente de determinação (r quadrado)
7. Métricas de erro para regressão
8. Avaliando o erro na regressão com Scikit-Learn
9. Avaliando os erros do nosso modelo e escolhendo o melhor modelo de Regressão Linear Simples
10. A Regressão Linear Múltipla
11. Utilizando o for para escolher o melhor par de variáveis na Regressão Linear Múltipla
12. Utilizando Árvore de Regressão e Support Vector Regression nos dados
13. Concluindo o projeto e visualizando os resultados de forma gráfica

1. Apresentando o sqlite3
2. Transformando dados do SQL em um DataFrame do pandas
3. Selecionando (SELECT) dados de um banco de dados com SQL
4. Utilizando o WHERE para filtrar a nossa tabela
5. (Opcional) Revisando o SELECT utilizando o sqlite3
6. (Opcional) Revisando o SELECT DISTINCT e o WHERE (AND, OR e NOT)
7. Utilizando o GROUP BY e o ORDER BY no SQL
8. Limitando a base com o TOP / LIMIT e usando o HAVING para filtrar a tabela
9. Definindo condicionais no SQL com o CASE
10. Utilizando subquery no SQL
11. Outros filtros no SQL (IN e LIKE)
12. Bases de dados com mais de 1 tabela
13. Revisando o merge do pandas
14. Unindo duas bases no SQL utilizando o JOIN
15. O UNION e o FULL JOIN no SQL

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

1. Mostrando a base desse módulo e apresentando o Kaggle e a sua importância para nossos projetos de ciência de dados
2. Entendendo a base de transações e analisando a relação entre fraude e não fraude
3. Criando um modelo de classificação de fraude usando a base desbalanceada e analisando a acurácia, precisão e recall desse modelo
4. Apresentando o imbalanced-learn e utilizando o undersampling e o oversampling para os nossos dados de crédito
5. (Opcional) Importando e visualizando a base de transações
6. Revisando o undersampling e o oversampling do imbalanced-learn e visualizando de forma gráfica as novas bases geradas
7. Explicando o RandomUnderSampler do imblearn
8. Apresentando de forma visual o funcionamento do RandomUnderSampling
9. Utilizando o ClusterCentroids e o NearMiss para realizar o undersampling
10. Explicando o RandomOverSampler do imblearn
11. Usando o shrinkage do RandomOverSampler e visualizando graficamente os novos dados
12. Utilizando SMOTE e ADASYM para realizar o oversampling
13. Realizando o undersampling com o RandomUnderSampler na base de transações e analisando a acurácia e o recall
14. Fazendo o oversampling com o RandomOverSampler para essa mesma base e comparando os resultados
15. Utilizando o ClusterCentroids e o NearMiss para o undersampling para o modelo de classificação de fraude
16. Utilizando SMOTE e ADASYM para o oversampling e testando combinar os métodos para o modelo de classificação de fraude
17. Revisando as métricas de avaliação para modelos de classificação
18. Explicando a curva ROC
19. Traçando a curva ROC utilizando a árvore de decisão para um classificador perfeito
20. Comparando a curva ROC da árvore de decisão com a da regressão logísitca
21. Explicando a curva de precisão x recall
22. (Opcional) Visualizando graficamente como as curvas ROC e precisão x recall são geradas
23. Criando diferentes modelos para classificar nossos pontos (Regressão Logística, KNN, SVM, Random Forest)
24. Usando a área abaixo da curva de precisão x recall e comparando os diferentes modelos
25. Melhorando a escala dos dados e selecionando os melhores modelos para classificar os dados
26. Selecionando os melhores hiperparâmetros para o modelo de Regressão Logística
27. (Opcional) Criando manualmente um código para testar diferentes hiperparâmetros no modelo
28. Usando o GridSearchCV para selecionar os melhores hiperparâmetros para a Regressão Logística
29. Usando o GridSearchCV para o Support Vector Classifier (SVC / SVM)
30. Usando o GridSearchCV para o Random Forest
31. (Opcional) Usando o GridSearchCV para o KNN
32. (Opcional) Revisando tudo que fizemos até agora
33. Testando novas melhorias no modelo: Adicionando novos parâmetros no GridSearchCV da Regressão Logística
34. Testando novas melhorias no modelo: Testando outras formas de realizar o undersampling
35. Testando novas melhorias no modelo: Mudando o scoring do GridSearchCV e discutindo sobre o oversampling

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

1. Explicando a importância da limpeza dos dados e importando a base
2. Buscando na base por valores nulos e linhas duplicadas
3. Procurando na base alguns problemas que podem ter sido gerados por erros humanos
4. Tratando valores vazios e linhas duplicadas
5. Tratando valores digitados errados (erros humanos)
6. Limpeza de Dados - Exercício
7. Entendendo a base e respondendo as perguntas sem fazer o tratamento dos dados
8. Contando a quantidade de alunos que responderam o questionário
9. Eliminando valores duplicados e discutindo sobre o tratamento do ID_aluno
10. Somando a matrícula dos alunos que responderam (visualizando e tratando outliers)
11. Verificando o tamanho da blusa para todos os alunos
12. Descobrindo quantos alunos vão participar da formatura
13. Estimando a altura de um aluno usando média e mediana dos dados
14. Aprofundando no tratamento de dados: Entendendo a base de notas de português
15. Usando o drop_duplicates para retirar valores duplicados da base
16. Analisando o describe e o boxplot e tratando outliers nos dados
17. Criando a função para transformar as notas dadas em conceitos (textos) em números de 1 a 10
18. Otimizando a função criada, unindo duas bases e calculando a média final dos alunos
19. Apresentando a base de cadastro dos alunos e tratando e-mails escritos errados
20. Tratando a data e ajustando as colunas de texto no cadastro dos alunos
21. Exercício: limpeza dos dados no dataset do titanic
22. Tratando as informações de embarque vazias e usando a mediana para as idades
23. Analisando a média das idades pela classe, gênero e pelo título extraído do nome
24. Usando o transform para substituir as idades vazias pelo resultado do groupby e eliminando colunas desnecessárias
25. Analisando outliers, cardinalidade e eliminando colunas desnecessárias

1. Relembrando o Perceptron e importando o dataset iris
2. Criando um modelo utilizando o perceptron
3. Utilizando o coef_ e o intercept_ para traçar a reta gerada pelo perceptron
4. Explicando o Perceptron para mais de 2 classes e para dados que não são linearmente separáveis
5. Relembrando a árvore de decisão e aprofundando teoricamente
6. Importando novamente o dataset iris e criando um modelo utilizando a árvore de classificação
7. Visualizando graficamente como funciona uma árvore de decisão
8. Fazendo a previsão utilizando o predict e as regiões gráficas que criamos
9. Utilizando todo o dataset iris para criar nossa árvore de decisão
10. Explicando o índice gini e a entropia utilizados no "criterion"
11. (Opcional) Visualizando graficamente o índice gini e a entropia
12. O tamanho da árvore: utilizando o max_depth para melhorar a acurácia do modelo
13. Relembrando a regressão linear
14. Visualizando graficamente a vantagem da regressão linear ao criar a melhor reta (menor erro quadrático)
15. Utilizando a regressão linear de forma prática no dataset de casas da Califórnia
16. Apresentando os conceitos do K-Nearest Neighbors (KNN)
17. Utilizando o KNN e entendendo o cálculo da distância entre os pontos (euclidiana e manhattan)
18. Calculando manualmente as distâncias euclidiana e manhattan do ponto central
19. Utilizando o kneighbors para visualizar os pontos mais próximos e mudando a ordem dos dados para avaliar a previsão
20. Utilizando o KNN com um dataset real (dataset iris) e avaliando a previsão desse algoritmo
21. Entendendo visualmente a previsão feita para o dataset iris
22. Apresentando a Regressão Logística e importando o dataset iris
23. Utilizando a regressão logística e visualizando graficamente o gráfico gerado
24. Entendendo o predict_proba (prevendo a probabilidade de cada uma das classes)
25. Utilizando a regressão logística para um problema com 3 classes
26. Utilizando todo o dataset iris para criar a regressão logística
27. Apresentando o Support Vector Machine (SVM)
28. (Opcional) Importando novamente o dataset iris (passo a passo)
29. Utilizando o SVM (SCV) e visualizando graficamente o resultado em dados linearmente separáveis
30. Explicando o hiperparâmetro C e as margens rígidas e flexíveis do SVM
31. Utilizando o SVM para dados que não são linearmente separáveis e analisando o dataset iris completo

1. Revisando os tipos de aprendizado e relembrando o aprendizado não supervisionado
2. Apresentando os principais conceitos da aprendizagem não supervisionada
3. Explicando o K-means para clusterização / agrupamento dos dados
4. Detalhando o K-means e explicando o hiperparâmetro init e o Elbow Method (método do cotovelo)
5. Importando o dataset iris e utilizando o K-means para criar 2 clusters nesses dados
6. Entendendo matematicamente a classificação dos pontos em cada um dos clusters / grupos
7. (Opcional) Entendendo a distância euclidiana
8. Visualizando os clusters / grupos para diferentes valores de K e utilizando o Elbow Method (Método do Cotovelo) para a escolha de K
9. Comparando os clusters gerados com as classes do dataset iris para valores de k próximos ao número de classes
10. Exercício: utilizando o K-Means para agrupar os valores do dataset load_digits
11. Entendendo a base e utilizando a documentação para importar o K-Means
12. Utilizando o Elbow Method (método do cotovelo) para escolher um valor de K para iniciarmos nossa análise
13. Utilizando K = 9 e transformando os números do label em letras para analisarmos os grupos
14. Visualizando a tabela relacionando os rótulos (targets) reais dos dados com os grupos gerados pelo K-Means
15. Entendendo os dígitos classificados errados e discutindo como essa avaliação poderia ser feito sem os rótulos (targets) dos dados
16. Usando os grupos para classificar os dados e avaliando os erros dessa classificação
17. Testando diferentes valores de k e buscando a melhor clusterização para os dados
18. Métricas de avaliação no aprendizado não supervisionado
19. (Opcional) Clusterizando o dataset iris e analisando a relação entre target (rótulo) e os labels do kmeans
20. (Opcional) Utilizando a classe mais frequente no cluster para fazer a previsão dos dados (criando um y_pred como na classificação)
21. (Opcional) Avaliando a clusterização utilizando as métricas de classificação (matriz de confusão, acurácia, precisão e recall)
22. Explicando a base teórica do Rand Index e usando essa métrica para avaliar a clusterização
23. Apresentando o ajuste do Rand Index (Adjusted Rand Index) e comparando as duas métricas
24. Utilizando o Rand Index (e o índice ajustado) no dataset iris e avaliando diferentes valores de k
25. Apresentando a médida V (V Measure), a homogeneidade e a completude
26. Usando a medida V, homogeneidade e completude para avaliar o dataset iris
27. Revisando a inércia e apresentando os conceitos do "Coeficiente Silhueta" (silhouette_score)
28. Apresentando matematicamente o cálculo do coeficiente silhueta para um ponto de dado (silhouette_samples)
29. Calculando o silhouette_score para os dados e entendendo os principais conceitos dessa métrica
30. Criando um plot para visualiar o silhoutte_score, o silhoutte_simples e os clusters dos dados (Parte 1)
31. Criando um plot para visualiar o silhoutte_score, o silhoutte_simples e os clusters dos dados (Parte 2)
32. Criando uma visualização considerando o silhoutte_score e os clusters dos dados para o dataset iris
33. Apresentando o PCA (Principal Component Analysis)
34. (Opcional) Passo a passo para a definição dos componentes principais do PCA
35. Utilizando o PCA nos dados e entendendo os principais parâmetros e atributos da documentação (Parte 1)
36. Utilizando o PCA nos dados e entendendo os principais parâmetros e atributos da documentação (Parte 2)
37. Reduzindo o dataset de 3 dimensões para 2 utilizando o PCA e utilizando o PCA no dataset iris
38. A ciência além dos dados: ética em Data Science
39. Livro: Algoritmos de destruição em massa (exemplos práticos)
40. Cuidados importantes para garantirmos a ética em nossos projetos de Data Science

1. O que é Feature Engineering?
2. Utilizando lambda function para transformar uma coluna de texto em uma nova coluna de valores 1 ou 0
3. O OneHotEncoder para tratamento de colunas com texto
4. Unindo nosso dataset com os dados gerados pelo OneHotEncoder e fazendo o Encoding para todas as colunas de texto
5. Fazendo o One Hot Encoding utilizando o get_dummies do pandas
6. Utilizando o max_categories e o min_frequency do OneHotEncoder para limitar o número de colunas geradas
7. Alertando sobre o cuidado ao usar o get_dummies quando a coluna pode receber diferentes valores em produção
8. Utilizando o handle_unknown do OneHotEncoder para tratar categorias desconhecidas nos dados de produção
9. Apresentando o OrdinalEncoder para colunas com texto que possuem relação entre os rótulos
10. Definindo a ordem das categorias e tratando valores desconhecidos (categories, handle_unknown e unknown_value no OrdinalEncoder)
11. Escolhendo o tipo de dado (dtype) no OrdinalEncoder e fazendo o encoding para mais de uma coluna
12. Tratando features com diferença de escala (padronização e normalização)
13. Utilizando a padronização (escala padrão) na coluna Age do dataset Titanic
14. Utilizando a normalização com o MinMaxScaler nessa mesma coluna
15. Apresentando o MaxAbsScaler para dados esparsos (dispersos) e o RobustScaler para dados com outliers
16. Apresentando visualmente a diferença entre a escala padrão, o MinMax, o MaxAbs e o RobustScaler
17. Realizando o cálculo matemático passo a passo de cada uma das transformações vistas até agora (Standard, MinMax, MaxAbs e Robust)
18. Fazendo a padronização e normalização dos dados da coluna Fare
19. (Opcional) Visualizando o histograma de cada transformação e comparando entre eles
20. Utilizando o Normalizer para fazer a normalização das linhas de um dataset
21. Transformando valores contínuos em atributos discretos com a Discretização
22. Dividindo o intervalo em grupos com o mesmo comprimento utilizando o KBinsDiscretizer com "strategy=uniform"
23. Utilizando o quantile do KBinsDiscretizer para gerar "grupos" com uma quantidade próxima de dados
24. Binarizando os dados utilizando um limite através do Binarizer
25. Explicando a Seleção de Recursos (Feature Selection) e removendo features com baixa variância (VarianceThreshold)
26. Utilizando o VarianceThreshold para eliminar colunas com muitos valores repetidos
27. Utilizando o SelectKBest para a Seleção Univariada de Recursos
28. Selecionando os melhores recursos (features) utilizando o SelectKBest para classificação e regressão
29. Utilizando o SelectKBest em um dataset real (de fraudes de cartão de crédito)
30. Escolhendo o melhor valor de K para o SelectKBest
31. Utilizando o Recursive Feature Elimination (RFE) para a seleção das variáveis

1. Primeiros passos em R: Apresentando e instalando o R e o RStudio
2. Visão geral do RStudio (entendendo a IDE) e importando / salvando arquivos
3. Escrevendo comentários e imprimindo valores na tela (print)
4. Criando variáveis em R
5. Operações matemáticas básicas em R
6. Operações lógicas e de comparação em R
7. Tipos e estruturas de dados
8. Vetores
9. Matrizes - Parte 1
10. Matrizes - Parte 2
11. DataFrames
12. Programação em R
13. Entrada e saída de dados
14. Manipulação de dados com dplyr - Parte 1
15. Manipulação de dados com dplyr - Parte 2
16. Tratamento de dados com tidyr
17. Visualização de dados com ggplot - Parte 1
18. Visualização de dados com ggplot - Parte 2

1. Importando os datasets e começando a limpeza dos dados (tratando valores vazios)
2. Tratando colunas de texto com valores vazios e finalizando o tratamento da base de teste
3. Criando visualizações gráficas com o ggplot
4. Separando os dados em treino e teste e usando a árvore de decisão para criar o primeiro modelo
5. Criando novos modelos utilizando Regressão Logística e o KNN (k nearest neighbors)
6. Usando o melhor modelo nos dados de teste e fazendo a submissão na competição do Kaggle

1. Criando seu portfólio e datasets (bases de dados) para seus primeiros passos
2. Utilizando datasets mais simples para criar seu portfólio
3. Datasets mais complexos (e completos) para o seu portfólio
4. Começando o seu portfólio e criando o seu LinkedIn
5. Tornando o seu perfil do LinkedIn relevante para recrutadores
6. Criando um LinkedIn do zero
7. Criando seu perfil do GitHub (e o arquivo README)
8. Criando um GitHub do zero
9. Introdução ao markdown e HTML (para seu README do GitHub)
10. Cabeçalhos, imagens e links no HTML
11. Divisões, comentários, enter e espaço no HTML
12. Conceitos importantes de markdown para o seu README do GitHub
13. Começando a criar seu README do GitHub (título, descrição, ícones, links e textos em destaque)
14. Adicionando ícones, redes sociais e artigos / conteúdos no seu README do GitHub
15. Criando seus artigos no Medium / LinkedIn
16. Criando seus artigos do zero
17. O que é SEO e utilizando o Google Trends para escolher o melhor título para o seu artigo
18. Otimizando cabeçalhos, URLs e links para o SEO
19. Palavras-chave (pesquisa Google / Google Trends) e imagens para o SEO
20. Aplicando os conceitos do SEO de forma prática

1. Apresentando o projeto desse módulo: House Prices do Kaggle
2. Entendendo a base do desafio e tratando colunas com muitos valores vazios
3. Tratando valores vazios e selecionando apenas as colunas numéricas
4. Criando e avaliando diferentes modelos nesses dados (Regressão Linear, Árvore de Regressão e KNN)
5. (Opcional) Apresentando visualmente a relação entre os dados reais (y_test) e a previsão feita nos 3 modelos (y_pred)
6. Fazendo a previsão nos dados de treino e submetendo nosso modelo para avaliação do Kaggle
7. Usando o github para apresentar esse projeto para os recrutadores
8. Começando a limpeza dos dados (data cleaning) da base (tratando colunas com muitos valores vazios)
9. Melhorando o visual do gráfico e fazendo o tratamento para a base de teste
10. Tratando a coluna FireplaceQu e usando a média dos valores (transform) para tratar a coluna LotConfig
11. Analisando e tratando as colunas de Garagem para a base de treino
12. Utilizando colunas com alta correlação para substituir valores vazios em GarageYrBlt
13. Usando a moda e média das variáveis para substituir valores vazios nas colunas de Garagem
14. Tratando as colunas de porão para a base de treino
15. Analisando e tratando a coluna BsmtQual para a base de teste
16. Finalizando o tratamento das colunas de porão para a base de teste
17. Tratando o restante das colunas vazias da base de treino (MasVnrType, MasVnrArea, Electrical)
18. Tratando o restante das colunas vazias da base de teste (MSZoning, Functional, Utilities,...)
19. Executando o modelo após a limpeza dos dados
20. Começando a Análise Exploratória dos Dados e entendendo as correlações entre as colunas numéricas
21. Analisando as colunas de texto e buscando os valores mais frequentes em casas caras e baratas
22. Criando funções (lambda function e utilizando o def) para tratar as colunas CentralAir e PavedDrive
23. Utilizando o OneHotEncoder para tratar a coluna MSZoning
24. Eliminando as colunas desnecessárias de Garagem (GarageCond, GarageArea e GarageYrBlt) -> LER DESCRIÇÃO
25. Utilizando o OneHotEncoder para tratar a coluna GarageType e o OrdinalEncoder para tratas as colunas GarageQual e GarageFinish
26. Executando o modelo após o tratamento inicial das colunas de texto (parte 1)
27. Finalizando o tratamento de todas as outras colunas que ainda estão como texto (parte 1)
28. Finalizando o tratamento de todas as outras colunas que ainda estão como texto (parte 2)
29. Executando o modelo após o tratamento completo das colunas de texto (parte 2)
30. Organizando o github com os resultados do projeto
31. Adicionando novos algoritmos: RandomForest e XGBoost na primeira base de dados
32. Utilizando os novos algoritmos (RandomForest e XGBoost) na base de dados com todas as colunas / variáveis
33. Usando o grid_search para encontrar os melhores parâmetros para o modelo

1. Introdução
2. Critérios - Complexidade e interpretabilidade
3. Critérios - Eficiência computacional - 01 - Entendendo o dataset
4. Critérios - Eficiência computacional - 02 - Variáveis
5. Critérios - Eficiência computacional - 03 - Loop for - parte 1
6. Critérios - Eficiência computacional - 04 - Loop for - parte 2
7. Critérios - Eficiência computacional - 05 - Analisando os resultados
8. Critérios - Sensibilidade à escala dos dados - 01 - Describe do dataset
9. Sensibilidade à escala dos dados - 02 - Gráficos para cada variável
10. Critérios - Sensibilidade à escala dos dados - 03 - Selecionando um Scaler
11. Critérios - Sensibilidade à escala dos dados - 04 - Analisando os resultados
12. Critérios - Habilidade de generalização
13. Pipelines - 01 - Introdução
14. Pipelines - 02 - Trabalhando sem pipeline
15. Pipelines - 03 - Pipeline e make_pipeline
16. Pipelines - 04 - Função para o pipeline
17. Pipelines - 05 - Analisando os resultados
18. Pipelines - 06 - Adicionando transformações em colunas
19. Validação cruzada - 01 - Introdução
20. Validação cruzada - 02 - KFold e cross_validate
21. Validação cruzada - 03 - Problema do KFold com desbalanceamento
22. Validação cruzada - 04 - StratifiedKFold
23. Validação cruzada - 05 - Função com pipeline e cross_validate
24. Validação cruzada - 06 - Dataframe com os resultados
25. Validação cruzada - 07 - Gráficos para os resultados
26. Validação cruzada - 08 - Resolvendo qual modelo utilizar
27. Otimização de hiperparâmetros - 01 - Analisando os hiperparâmetros
28. Otimização de hiperparâmetros - 02 - Estruturando o GridSearch
29. Otimização de hiperparâmetros - 03 - Analisando os resultados

1. Apresentação e organização do projeto
2. Versões das bibliotecas do projeto
3. Describe da base de dados
4. EDA - Criando o ProfileReport
5. EDA - Analisando o ProfileReport
6. EDA - Analisando outliers e correlação
7. EDA - Pairplots
8. Análise sem pré-processamento - Introdução
9. Análise sem pré-processamento - Definindo número de clusters
10. Análise sem pré-processamento - Treinando o modelo
11. Análise sem pré-processamento - Perfis
12. Análise sem pré-processamento - Obtendo os valores de centroides
13. Análise sem pré-processamento - Gráfico com centroides
14. Análise sem pré-processamento - Função para o gráfico
15. Pré-processamento
16. Definindo o número de clusters
17. Pipeline e treinamento
18. Gráficos
19. Preparando os dados para visualização
20. Visualizando os clusters
21. Pipeline com PCA
22. Visualizações
23. Ajustes finais para publicação do projeto
24. Projeto no GitHub

1. Visão geral do projeto
2. Detalhes do case do projeto - parte 1
3. Detalhes do case do projeto - parte 2
4. Conhecendo a base de dados
5. Análise crítica de alguns aspectos
6. Profile Report - parte 1
7. Profile Report - parte 2
8. Novas colunas - parte 1
9. Novas colunas - parte 2
10. Novas colunas - parte 3
11. Novas colunas - parte 4
12. Novas colunas - parte 5
13. Novas colunas - parte 6
14. Outliers - boxplots
15. Outliers - criando uma função de inspeção
16. Outliers - tomando decisões
17. Outliers - eliminando colunas
18. Selecionando colunas para análise
19. Visualizando os dados - parte 1
20. Visualizando os dados - parte 2
21. Visualizando os dados - parte 3
22. Visualizando os dados - parte 4
23. Visualizando os dados - parte 5
24. Correlações - parte 1
25. Correlações - parte 2
26. Correlações - parte 3
27. Gráfico de correlações
28. Ajustes e primeira revisão
29. Analisando os perfis das colunas para escolha das transformações - parte 1
30. Analisando os perfis das colunas para escolha das transformações - parte 2
31. Pré-processamento
32. Definindo a quantidade de clusters
33. Características de cada cluster - parte 1
34. Características de cada cluster - parte 2
35. Características de cada cluster - parte 3
36. Características de cada cluster - parte 4
37. Características de cada cluster - parte 5
38. Características de cada cluster - parte 6
39. Características de cada cluster - parte 7
40. Características de cada cluster - parte 8
41. Características de cada cluster - parte 9
42. Ajustes e segunda revisão
43. PCA - parte 1
44. PCA - parte 2
45. Escolhendo modelos de classificação
46. Pipeline
47. Resolvendo qual o melhor modelo para continuar o projeto
48. Regressão logística
49. Estruturando o GridSearchCV
50. Entendendo os resultados do GridSearchCV
51. Criando um pipeline com o modelo otimizado
52. Descobrindo as features mais importantes
53. Finalizando e revisando a análise do modelo de classificação
54. Finalizando o projeto e colocando no GitHub. Revisão final

1. O que é Deep Learning
2. Aplicações de Deep Learning
3. Histórico e por onde começar
4. Relembrando perceptrons
5. Explorando o objeto perceptron
6. Visualizando os valores do somatório
7. Função de ativação sigmoid
8. Introdução a funções de custo
9. Função de custo log-loss
10. Traçando outras retas
11. Gradient descent - conceito fundamental
12. Gradient descent - entendendo o algoritmo
13. Gradient descent - taxa de aprendizagem
14. Gradient descent - busca pelo mínimo global
15. SGD - stochastic gradient descent
16. Verificando a melhora de log-loss
17. SGD - Detalhando o modelo
18. SGD - Visualizando as etapas do modelo

1. Scikit-Learn vs Tensorflow
2. O Tensor e o Flow
3. Tensores com NumPy
4. Exemplo de aplicação de tensor com NumPy
5. Instalando o TensorFlow sem e com GPU
6. Tensores com TensorFlow
7. Tensores com TensorFlow
8. Tensores de rank 4 - conceito de batch
9. Operações com tensores
10. Funções que atuam em tensores
11. Outras funções de ativação - Introdução
12. Outras funções de ativação - Camadas ocultas
13. Outras funções de ativação - Camadas de saída
14. Tensores esparsos - conceito
15. Tensores esparsos vs one-hot encode
16. Tensores esparsos - Problemas de classificação

1. Introdução ao Keras
2. Entendendo os dados
3. Definindo o modelo - parte 1
4. Definindo o modelo - parte 2
5. Compilando o modelo
6. Fit do modelo - parte 1
7. Fit do modelo - parte 2
8. Fit do modelo - parte 3
9. Evaluate do modelo
10. Predict do modelo
11. Visualizando o resultado
12. Segunda rede neural - mantendo o modelo anterior
13. Segunda rede neural - melhorando o modelo
14. Terceira rede neural - mantendo o modelo anterior
15. Terceira rede neural - melhorando o modelo
16. Terceira rede neural - melhorando o modelo - parte 2

1. Sobre a base MNIST
2. Primeiras ideias de modelo
3. Carregando os dados - parte 1
4. Carregando os dados - parte 2
5. Carregando os dados - parte 3
6. Definindo o primeiro modelo
7. Compilando o primeiro modelo
8. Fit do primeiro modelo
9. Evaluate do primeiro modelo
10. Predict do primeiro modelo - parte 1
11. Predict do primeiro modelo - parte 2
12. Predict do primeiro modelo - parte 3
13. Predict do primeiro modelo - parte 4
14. Predict do primeiro modelo - parte 5
15. Segundo modelo
16. CNNs
17. CNNs - principais parâmetros
18. CNNs - Exemplo - parte 1
19. CNNs - Exemplo - parte 2
20. CNNs - Pooling
21. CNNs - Average pooling
22. CNNs - Max pooling
23. CNNs - primeiro modelo
24. CNNs - segundo modelo
25. CNNs - terceiro modelo - data augmentation - parte 1
26. CNNs - terceiro modelo - data augmentation - parte 2
27. Keras Tuner - parte 1
28. Keras Tuner - parte 2
29. Keras Tuner - parte 3
30. Keras Tuner - parte 4
31. Salvando um modelo
32. Reprodutibilidade e random seed
33. Dicas para colocar o projeto no portfolio

1. Sobre a base CIFAR-10
2. Estrutura inicial do projeto
3. Carregando os dados - parte 1
4. Carregando os dados - parte 2
5. Definindo o modelo Keras
6. Compile e fit
7. Evaluate e predict - parte 1
8. Predict - parte 2
9. Predict - parte 3
10. Predict - parte 4
11. Predict - parte 5
12. Segundo modelo - Dropouts
13. Terceiro modelo - padding
14. Quarto modelo - data augmentation
15. Introdução ao VGG - parte 1
16. Introdução ao VGG - parte 2
17. Quinto modelo - VGG simplificado
18. Sexto modelo - VGG
19. Transferência de aprendizado - parte 1
20. Transferência de aprendizado - parte 2
21. Transferência de aprendizado - parte 3
22. Sétimo modelo - VGG19 - parte 1
23. Sétimo modelo - VGG19 - parte 2
24. Sétimo modelo - VGG19 - parte 3
25. Melhorando o código
26. Google Colab
27. Oitavo modelo - VGG19 - upsampling
28. Oitavo modelo - VGG19 - resultados
29. Lidando com esgotamento de recursos
30. Oitavo modelo - VGG19 - carregando o modelo e detalhando os resultados - parte 1
31. Oitavo modelo - VGG19 - carregando o modelo e detalhando os resultados - parte 2
32. Oitavo modelo - VGG19 - carregando o modelo e detalhando os resultados - parte 3
33. Introdução ao ResNet
34. Nono modelo - ResNet50
35. Décimo modelo - ResNet50 - upsampling - parte 1
36. Décimo modelo - ResNet50 - upsampling - parte 2
37. Finalizando o projeto e orientações

1. Sobre a base Auto MPG
2. Estrutura do projeto
3. Carregando os dados.
4. Profile Report
5. Transformando os dados - parte 1
6. Transformando os dados - parte 2
7. Pairplot
8. Boxplots
9. Tratando valores nulos
10. Separando os dados em treino e teste
11. Primeiro modelo - Definindo modelo de regressão simples
12. Primeiro modelo - Compilando
13. Primeiro modelo - Fit
14. Primeiro modelo - Evaluate e predict - parte 1
15. Primeiro modelo - Predict - parte 2
16. Segundo modelo - Camadas ocultas
17. Terceiro Modelo
18. Finalizando o projeto e orientações para portfolio

1. Sobre a base e a estrutura do projeto
2. Carregando os dados
3. Conceito de token
4. Trabalhando o índice de palavras
5. Limitando o número de tokens de cada review
6. Conceito de embeddings
7. Definindo o modelo
8. Compile, fit e evaluate do modelo
9. Predict - parte 1
10. Predict - parte 2
11. Predict - parte 3
12. Segundo modelo
13. Terceiro modelo
14. Finalizando o projeto e orientações para portfolio