Pular para o conteúdo principal

Métodos de Pesquisa em Ciência de Dados: Python Edition


Microsoft

Sobre este curso

Os cientistas de dados são frequentemente treinados na análise de dados. No entanto, o objetivo da ciência de dados é produzir uma boa compreensão de algum problema ou idéia e construir modelos úteis sobre esse entendimento. Por causa do princípio de "entrar, retirar lixo", é vital que um cientista de dados saiba avaliar a qualidade das informações que entram na análise de dados. Esse é especialmente o caso quando os dados são coletados especificamente para algumas análises (por exemplo, uma pesquisa).

Neste curso, você aprenderá os fundamentos do processo de pesquisa - desde o desenvolvimento de uma boa pergunta até o planejamento de boas estratégias de coleta de dados para colocar os resultados em contexto. Embora um cientista de dados possa muitas vezes desempenhar um papel fundamental na análise de dados, todo o processo de pesquisa deve funcionar de forma coesa para obter insights válidos.

Desenvolvido como uma linguagem poderosa e flexível usada em tudo, desde Data Science até soluções de Inteligência Artificial de ponta e escaláveis, o Python se tornou uma ferramenta essencial para fazer Ciência de Dados e Aprendizado de Máquina. Com esta edição do Data Science Research Methods, todos os laboratórios são feitos com Python, enquanto os vídeos são independentes de linguagem. Se você preferir que sua Data Science seja feita com R, consulte Métodos de pesquisa da Data Science: R Edition.

O edX oferece assistência financeira para alunos que desejam obter Certificados Verificados, mas podem não conseguir pagar a taxa. Para solicitar assistência financeira, inscreva-se no curso e siga este link para preencher uma solicitação de assistência.

O que você vai aprender

Depois de concluir este curso, você estará familiarizado com os seguintes conceitos e técnicas:

  • Análise de dados e inferência
  • Projeto de pesquisa em ciência de dados
  • Análise e modelagem experimental de dados

Pré-requisitos

Para concluir este curso com sucesso, você deve ter:

  • Um conhecimento básico de matemática
  • Alguma experiência de programação - o Python é o preferido.
  • Uma vontade de aprender através do estudo individualizado.

Currículo do curso

  • O processo de pesquisa
  • Planejando para análise
  • Research Claims
  • Medição
  • Design Correlacional e Experimental

Nota: Este programa é preliminar e está sujeito a alterações.

Conheça os instrutores

Ben Olsen

Ben Olsen

Desenvolvedor de Conteúdo Sênior
        Microsoft

Ben é desenvolvedor de conteúdo sênior da equipe de aprendizado e preparação da Microsoft, e é um profissional de análise e educador com mais de oito anos de experiência no setor e em administração. Antes de ingressar na Microsoft, Ben dirigiu e dirigiu várias empresas de consultoria, onde também ocupou cargos de análise crítica em empresas tão diversas quanto a Juniper Networks, a Costco e a T-Mobile. Ele lecionou Visualização de Dados na Universidade de Washington e recentemente fundou o Programa de Certificação em Analítica da Seattle Pacific University.

Tom Carpenter

Tom Carpenter

Professor Assistente de Psicologia, consultor de Data Science
        Universidade do Pacífico de Seattle

O Dr. Tom Carpenter é Professor Assistente de Psicologia na Seattle Pacific University e também é consultor em Ciência de Dados. Suas áreas de especialização incluem psicologia social de personalidade, métodos de pesquisa e estatística. Seu ensino se concentra em métodos introdutórios e avançados de pesquisa e estatística em psicologia, bem como em psicologia social e de personalidade. A pesquisa do Dr. Carpenter enfoca nossa natureza humana hipócrita: nossa propensão a ignorar nossas preferências e padrões abertos e a transgredir contra nós mesmos e os outros. Uma linha de pesquisa nesta área se concentra no viés implícito, nos pensamentos impulsivos que podem minar nosso raciocínio mais alto. O Dr. Carpenter desenvolveu novos métodos de software para executar o Teste de Associação Implícita (IAT) usando um software de pesquisa online (leia mais aqui: www.iatgen.wordpress.com). Uma segunda linha de pesquisa enfoca a culpa, a vergonha e o auto-perdão, focalizando especificamente as funções de "propensão à culpa" e "propensão à vergonha", bem como associações com a capacidade geral de perdoar o self. Finalmente, o Dr. Carpenter realizou pesquisas relacionadas à sua área de ensino (ensino de estatística).

  1. Número do curso

    PTBRDAT273x
  2. Início das aulas

  3. Término das aulas

  4. Dedicação estimada

    Total 12 to 18 hours
Enroll