Fortaleça habilidades avançadas de dados em 21 desafios independentes: 15 focados em Pandas e seis estendidos ao scikit-learn. A partir de requisitos e exemplos, você implementará limpeza, seleção, transformação, agregação, séries temporais, IO, combinação de DataFrames, visualização e machine learning.
A coleção contém um desafio Beginner e vinte Intermediate. Os cenários usam pequenos dados de vendas, finanças, clientes, clima e filmes, depois datasets integrados para classificação, regressão, clustering, validação e pontuação. É prática aplicada e autoavaliação, não uma introdução passo a passo ao Pandas.
O que você aprenderá
- Limpar valores ausentes, duplicados, inconsistências, datas e strings e criar atributos
- Filtrar e atualizar tabelas com acessores MultiIndex,
where,query, reduções booleanas e funções próprias - Reindexar, transformar, agrupar, normalizar, reamostrar, deslocar e agregar Series e DataFrames
- Comparar dados anuais e combinar tabelas por concatenação, merge e join por índice
- Importar e exportar CSV e JSON e criar gráficos analíticos
- Treinar e avaliar classificadores k-NN, árvores de decisão e regressão logística
- Construir regressão linear, Ridge e Lasso com seleção de atributos e validação cruzada
- Comparar K-means, clustering hierárquico e DBSCAN e analisar curvas e métricas
Para quem é este curso
Este curso é indicado para quem tem fundamentos consolidados de Pandas e busca prática exigente e introdução a dados tabulares em scikit-learn. É adequado a estudantes autônomos capazes de interpretar especificações, depurar código inicial e escolher operações sem uma explicação completa.
Pré-requisitos: Você deve dominar funções Python e operações Pandas comuns como seleção, filtro, agrupamento, valores ausentes e carregamento de arquivos. Estatística básica e conceitos iniciais de machine learning são fortemente recomendados para os seis desafios scikit-learn.
Ambiente de aprendizagem: Os 21 desafios usam WebIDE Ubuntu 22.04 com arquivos iniciais, dados locais e verificação. Visualizações usam Matplotlib ou ferramentas relacionadas, e ML usa datasets integrados do scikit-learn ou arquivos locais; nenhuma conta externa é necessária.
Perguntas frequentes
O curso trata somente de Pandas?
Não. Quinze desafios focam Pandas, mas seis usam scikit-learn para k-NN, árvores, regressão linear, clustering, curvas de validação e pontuação. Confirme se essa extensão de ML corresponde aos seus objetivos.
É adequado para um iniciante completo?
Não. Embora catalogado como Beginner, vinte dos 21 desafios são Intermediate. Presume-se que você consiga selecionar, transformar, agrupar e depurar dados Pandas com pouca orientação.
Os desafios são guiados e precisam ser feitos em ordem?
Há requisitos, exemplos, arquivos iniciais e verificações, mas não uma resolução completa. Os 21 cenários são independentes; em cenários com várias etapas, siga a ordem quando resultados anteriores forem reutilizados.
Preciso de dados externos ou contas cloud?
Não. Os desafios Pandas usam CSV, JSON ou tabelas locais, e os de ML usam arquivos locais ou datasets integrados do scikit-learn. Tudo ocorre no ambiente fornecido.
