Conteúdo do Curso

Desafio de Entrevista em Ciência de Dados

1. Python

Introdução Desafio 1: Compreensão de Lista Desafio 2: Manipulação de Strings Desafio 3: Manipulação de Dicionário Desafio 4: Laços Aninhados Desafio 5: Classes Perguntas Teóricas

2. NumPy

Desafio 1: Criação de Array Desafio 2: Manipulação de Array Desafio 3: Insights Estatísticos Desafio 4: Tratamento de Valores Ausentes Desafio 5: Ordenação de Subarranjo Questões Teóricas

3. Pandas

Desafio 1: Criação de DataFrame Desafio 2: Agrupamento de Dados Desafio 3: Indexação e MultiIndexação Desafio 4: Alterando DataFrame Desafio 5: Iterando Sobre Dados Questões Teóricas

4. Matplotlib

Desafio 1: Fundamentos da Construção de Gráficos Desafio 2: Outros Tipos de Gráficos Desafio 3: Subtramas Desafio 4: Personalizando Gráficos Desafio 5: Adicionando Texto aos Gráficos Questões Teóricas

5. Seaborn

Desafio 1: Visualizando Distribuições Desafio 2: Explorando Dados Categóricos Desafio 3: Gráficos Relacionais Desafio 4: Gráficos de Regressão Desafio 5: Gráficos de Matriz Questões Teóricas

6. Estatísticas

Desafio 1: Probabilidades e Distribuições Desafio 2: Teorema de Bayes Desafio 3: Teste de Hipóteses Desafio 4: Intervalos de Confiança Desafio 5: Correlação Questões Teóricas

7. Scikit-learn

Desafio 1: Escalonamento de Dados Desafio 2: Criação de Modelo Básico Desafio 3: Pipelines Desafio 4: Validação Cruzada Desafio 5: Ajuste de Hiperparâmetros Questões Teóricas

Desafio 3: Teste de Hipóteses

O fascinante domínio da estatística abriga o intrincado processo de teste de hipóteses. Em sua essência, teste de hipóteses trata de fazer inferências a respeito de populações com base em dados amostrais. Formulamos hipóteses e as testamos, tirando conclusões sobre conjuntos de dados mais amplos ao analisar um subconjunto.

Por exemplo, se você estiver estudando o impacto de um novo método de ensino em uma sala de aula e observar uma melhoria significativa nas notas dos alunos, você pode dizer conclusivamente que o método é eficaz? A resposta está no teste de hipóteses.

Aqui está o conjunto de dados que usaremos neste capítulo. Fique à vontade para mergulhar e explorá-lo antes de enfrentar a tarefa.


              123456789101112131415161718
            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Total bill amounts grouped by smoking status
sns.boxplot(x='smoker', y='total_bill', data=data)
plt.title('Total Bill Amounts Grouped by Smoking Status')
plt.show()

# Number of smokers vs. non-smokers by gender
sns.countplot(x='sex', hue='smoker', data=data)
plt.title('Number of Smokers vs. Non-Smokers by Gender')
plt.show()

Tarefa

Neste exercício, utilizando o conjunto de dados tips do Seaborn, você vai:

Testar se há uma diferença significativa nos montantes da total_bill entre fumantes e não fumantes. Utilize o teste U de Mann-Whitney.
Examinar a relação entre as colunas sex e smoker, determinando se essas duas variáveis categóricas são independentes uma da outra.

Nota
Nesta tarefa, o nível de significância (alfa) para o valor-p está definido como 0,1, ao invés do convencional 0,05. A escolha do alfa pode variar entre tarefas baseado no contexto, no nível de rigor necessário, ou práticas específicas da indústria; valores comumente adotados incluem 0,01, 0,05 e 0,1.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 6. Capítulo 3

Desafio 3: Teste de Hipóteses

Aqui está o conjunto de dados que usaremos neste capítulo. Fique à vontade para mergulhar e explorá-lo antes de enfrentar a tarefa.


              123456789101112131415161718
            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Total bill amounts grouped by smoking status
sns.boxplot(x='smoker', y='total_bill', data=data)
plt.title('Total Bill Amounts Grouped by Smoking Status')
plt.show()

# Number of smokers vs. non-smokers by gender
sns.countplot(x='sex', hue='smoker', data=data)
plt.title('Number of Smokers vs. Non-Smokers by Gender')
plt.show()

Tarefa

Neste exercício, utilizando o conjunto de dados tips do Seaborn, você vai:

Testar se há uma diferença significativa nos montantes da total_bill entre fumantes e não fumantes. Utilize o teste U de Mann-Whitney.
Examinar a relação entre as colunas sex e smoker, determinando se essas duas variáveis categóricas são independentes uma da outra.

Nota
Nesta tarefa, o nível de significância (alfa) para o valor-p está definido como 0,1, ao invés do convencional 0,05. A escolha do alfa pode variar entre tarefas baseado no contexto, no nível de rigor necessário, ou práticas específicas da indústria; valores comumente adotados incluem 0,01, 0,05 e 0,1.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 6. Capítulo 3

Desafio 3: Teste de Hipóteses

Aqui está o conjunto de dados que usaremos neste capítulo. Fique à vontade para mergulhar e explorá-lo antes de enfrentar a tarefa.


              123456789101112131415161718
            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Total bill amounts grouped by smoking status
sns.boxplot(x='smoker', y='total_bill', data=data)
plt.title('Total Bill Amounts Grouped by Smoking Status')
plt.show()

# Number of smokers vs. non-smokers by gender
sns.countplot(x='sex', hue='smoker', data=data)
plt.title('Number of Smokers vs. Non-Smokers by Gender')
plt.show()

Tarefa

Neste exercício, utilizando o conjunto de dados tips do Seaborn, você vai:

Testar se há uma diferença significativa nos montantes da total_bill entre fumantes e não fumantes. Utilize o teste U de Mann-Whitney.
Examinar a relação entre as colunas sex e smoker, determinando se essas duas variáveis categóricas são independentes uma da outra.

Nota
Nesta tarefa, o nível de significância (alfa) para o valor-p está definido como 0,1, ao invés do convencional 0,05. A escolha do alfa pode variar entre tarefas baseado no contexto, no nível de rigor necessário, ou práticas específicas da indústria; valores comumente adotados incluem 0,01, 0,05 e 0,1.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Aqui está o conjunto de dados que usaremos neste capítulo. Fique à vontade para mergulhar e explorá-lo antes de enfrentar a tarefa.


              123456789101112131415161718
            
import matplotlib.pyplot as plt
import seaborn as sns

# Load the dataset
data = sns.load_dataset('tips')

# Sample of data
display(data.head())

# Total bill amounts grouped by smoking status
sns.boxplot(x='smoker', y='total_bill', data=data)
plt.title('Total Bill Amounts Grouped by Smoking Status')
plt.show()

# Number of smokers vs. non-smokers by gender
sns.countplot(x='sex', hue='smoker', data=data)
plt.title('Number of Smokers vs. Non-Smokers by Gender')
plt.show()

Tarefa

Neste exercício, utilizando o conjunto de dados tips do Seaborn, você vai:

Testar se há uma diferença significativa nos montantes da total_bill entre fumantes e não fumantes. Utilize o teste U de Mann-Whitney.
Examinar a relação entre as colunas sex e smoker, determinando se essas duas variáveis categóricas são independentes uma da outra.

Nota
Nesta tarefa, o nível de significância (alfa) para o valor-p está definido como 0,1, ao invés do convencional 0,05. A escolha do alfa pode variar entre tarefas baseado no contexto, no nível de rigor necessário, ou práticas específicas da indústria; valores comumente adotados incluem 0,01, 0,05 e 0,1.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Seção 6. Capítulo 3

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo