A importância da matemática e estatística na ciência de dados
Trecho de 1 min 58 s de Deep Learning com Keras + TensorFlow, com Reconhecimento de imagens e Objetos, gravado no evento Tear 2021.
Assistir à gravação completaNo Even3 Conteúdos · 1 h 29 minSobre este trecho
Entenda por que o domínio dos modelos matemáticos e estatísticos é o verdadeiro diferencial para atuar além da simples execução de scripts.
Vai de a da gravação.
O que é dito neste trecho
E assim, eu tive que aprender muito para entender bem essa parte dos algoritmos de ciência de dados e machine learning. Eu tive que aprender como é que o algoritmo faz, ou seja, eu tive que entender o modelo matemático estatístico, Cleiton. E esse aí é o grande diferencial para quem deseja ser um bom cientista de dados, é entender o modelo, entender o que é que ele faz por debaixo dos panos, matematicamente falando. Porque a partir do momento que você entende o que é que ele faz por debaixo dos panos, aí fica fácil você implementar a API, o framework, aí fica simples. Porque a dificuldade que a gente tem é na escolha do algoritmo, né? A qual deles eu vou usar, em que problema eu vou trabalhar com ele. Será que esse é melhor aqui? Será que esse é melhor lá? Então na hora que você tem um problema de negócio e você consegue interpretar o problema e já resolvê-lo matematicamente ou estatisticamente aquilo, aí fica fácil você implementar usando o framework. Eu costumo dizer aos meus alunos, olha, usar o framework é simples, não tem mistério nenhum não, é uma receitinha de bolo. Tu vai dar um comando fit aqui para treinar, tu vai dar um comando predict aqui para testar. Mas a diferença é você saber trabalhar bem a base, normalizar a base de forma, né, direitinho. E no final, você saber fazer a escolha do da melhor da aí melhor estratégia de implementação dos algoritmos, né? Existem ótimos algoritmos, existem modelos de eh exato, exatamente. A diferença do curioso que é hoje em dia é é moda, né? Todo mundo chega lá, faz um cursinho lá na Coursera ou um cursinho lá na Udemy, na 30 horas, né, ah, sou um cientista de dados. Mas a diferença está em você entender os modelos matemáticos e não. Tem gente que é cientista de dados e só faz executar o script em Python, beleza. Aquilo ali ele é um programadorzinho. Mas o cientista que está por baixo, ele vai ter que interpretar os dados, entender o que é que ele faz.
Outros trechos deste conteúdo

Diferenças entre Inteligência Artificial, Machine Learning e Deep Learning
Trecho de a da gravação

Habilidades essenciais para ingressar no mercado de dados
Trecho de a da gravação