Pular para o conteúdo
Even3

Os pilares fundamentais da Ciência de Dados

Trecho de 1 min 56 s de Data Science, gravado no evento VI Semana de Ensino, Pesquisa e Extensão - SEPE.

Assistir à gravação completaNo Even3 Conteúdos · 51 min

Sobre este trecho

Conheça as três grandes áreas que compõem a ciência de dados e a importância do conhecimento de domínio para aplicar modelos corretamente.

Vai de a da gravação.

O que é dito neste trecho

Então eh na minha opinião essa área de conhecimento do domínio para mim é a mais importante porque eu acredito que sem ela você não consiga fazer nenhuma das outras. E a segunda grande área que a gente tem é a área de ciência da computação que é basicamente a área que vai te ajudar a colocar a mão na massa, é a área que vai te dar todas as habilidades técnicas para que você consiga de fato executar a aquela análise, aquele teu propósito. E a terceira grande área é a área de matemática que aqui a gente entra em estatística e a área que vai te ajudar a entender eh o que está acontecendo no problema de uma forma mais inteligente, né? Então toda análise exploratória que você vai fazer em cima dos seus dados para entender melhor o seu problema e tentar trazer uma explicação do fenômeno que você está analisando, ela vai ser baseada em técnicas de matemática que você vai aplicar. Então quando a gente olha, por exemplo, para o que é a intersecção de matemática e ciência da computação a gente entra no machine learning. Machine learning nada mais é do que uma técnica computacional que vai utilizar diversos critérios para aprender um conjunto de dados e muitos desses critérios eles são critérios matemáticos, então eh machine learning é fortemente baseado na teoria matemática e onde esses modelos eles definem critérios a partir de técnicas matemáticas e diversas outras técnicas. Então para você entender machine learning, para você entender o por que que o modelo está funcionando você vai precisar entender matemática e você vai precisar ter o conhecimento técnico de ciência da computação para colocar tudo isso em prática, né? Então é uma intersecção de conhecimento teórico aqui com conhecimento prático, né? Eh conhecimento e execução basicamente. Porque eh quando a gente fala de ciência de dados não basta você treinar o modelo de machine learning, por exemplo, você tem que entender o por que você está treinando, qual é o modelo mais adequado para cada um dos exemplos, você precisa entender o que está acontecendo por trás do modelo para você saber o que você precisa dar de informação para esse modelo.

Outros trechos deste conteúdo