Uma trilha do conceito à prática
Data Science
Do SQL ao Python e Machine Learning, com foco na prática e no negócio.
Seu percurso de aprendizagem
Comece por Fundamentos. Os próximos módulos estão em preparação.
Módulo 02 Manipulação e Visualização de DadosExplore, organize e visualize dados para responder perguntas. Em preparaçãoVer assuntos
Pandas, NumPy, SQL avançado e gráficos com matplotlib, seaborn e Plotly. Do conceito ao exercício prático.
As aulas deste módulo serão disponibilizadas em uma próxima etapa.
Módulo 03 Machine LearningEntenda como os modelos aprendem e faça suas primeiras previsões. Em preparaçãoVer assuntos
Aprendizado supervisionado e não supervisionado, algoritmos e separação de treino e teste. Primeiro projeto: cancelamento de clientes com regressão logística.
As aulas deste módulo serão disponibilizadas em uma próxima etapa.
Módulo 04 Avaliação de ModelosCompare resultados e compreenda o impacto dos erros no negócio. Em preparaçãoVer assuntos
Matriz de confusão, precision, recall, F1, ROC/AUC e métricas de regressão. Validação, desbalanceamento e interpretação dos modelos.
As aulas deste módulo serão disponibilizadas em uma próxima etapa.
Módulo 05 Storytelling e NegócioTransforme análises em explicações claras para apoiar decisões. Em preparaçãoVer assuntos
Escolha de gráficos, dashboards, Streamlit e apresentação executiva. Comunique resultados sem prometer o que os dados não sustentam.
As aulas deste módulo serão disponibilizadas em uma próxima etapa.
Módulo 06 Tópicos ComplementaresConheça os próximos caminhos para aplicar e publicar modelos. Em preparaçãoVer assuntos
Séries temporais, NLP, APIs, FastAPI, deploy, MLflow e versionamento de experimentos.
As aulas deste módulo serão disponibilizadas em uma próxima etapa.
Experimente agora
Explore também estas atividades interativas.
Meus Dados
Descubra o que suas respostas nos jogos podem contar.
Explorar meus resultados →Laboratório de Dados
Mude os valores, observe os gráficos e resolva desafios.
Começar um experimento →Treine sua IA
Ensine com exemplos. Veja previsões, erros e mudanças.
Construir meu modelo →Suas conquistas
Progresso salvo neste navegador. Sem conta ou sincronização entre aparelhos nesta versão.
📈 Meus Dados
Aluno deste navegador. Resultados reais das novas partidas do Desafio Relâmpago e Queda Matemática.
Os recordes antigos não guardavam cada resposta e não podem ser convertidos em histórico. Em aparelhos compartilhados, os resultados de todas as pessoas aparecem juntos.
Seus dados começam com uma partida
Jogue e volte para descobrir sua acurácia e seu tempo de resposta.
Desafio Relâmpago → · Queda Matemática →Desempenho por assunto
Expressões com operadores diferentes ficam em “Operações combinadas”: um erro não identifica sozinho qual operação causou dificuldade.
Últimas respostas registradas
Uma descoberta sobre seus dados
A acurácia compara o quê?
Guardamos até 1.000 tentativas localmente, sem enviar dados a serviços externos.
Apagar apenas as tentativas? Os recordes dos jogos e suas conquistas serão mantidos.
🔬 Laboratório de Dados
Experimente os botões + e −. Veja a tabela e o gráfico mudarem juntos.
Gráfico e medidas
🤖 Treine sua IA
Você ensina com exemplos e rótulos: gato ou cachorro. O modelo compara altura e peso para escolher os vizinhos mais parecidos.
Animais fictícios para aprender: altura e peso não bastam para identificar espécies no mundo real.
1. Forneça exemplos
Seus dados no gráfico
● Gatos · ■ Cachorros. Cada símbolo é um exemplo que você forneceu.
2. Treine e compare
Neste modelo, treinar guarda uma cópia dos exemplos. Para prever, ele procura os vizinhos mais próximos no gráfico e conta seus rótulos. Em empate, escolhe o rótulo do vizinho mais próximo.
Mais exemplos podem ajudar, mas exemplos incorretos, repetidos ou pouco variados também podem piorar o modelo.
3. Faça uma previsão
Os controles de altura e peso também descrevem o animal que você quer testar. Ajuste-os e clique abaixo, sem adicionar o exemplo ao treino.
Treino e teste: qual é a diferença?
Seus exemplos ensinam o modelo. Dez exemplos fictícios separados verificam o que ele aprendeu. Eles não são inseridos automaticamente no treinamento.
Repetir experimentos olhando sempre o mesmo teste pode influenciar suas escolhas. Esta é uma demonstração didática, não uma avaliação científica final.
Histórico de treinamentos
Comparamos resultados medidos no mesmo conjunto de teste; a melhora não é garantida.