Relato de como uma engenheira civil se apaixonou por dados e trouxe isso para sua realidade. Nessa apresentação falo um pouco sobre essa jornada, trazendo pontos como: por onde começar, habilidades necessárias, exemplos de ferramentas e, principalmente, como criar oportunidades dentro da sua realidade.

Cada vez mais as empresas sentem a necessidade de tomar suas decisões embasadas em dados, uma vez que o "feeling" começa a não ser o bastante para manter a sua competitividade. Os desafios que uma cultura orientada a dados trazem vão desde a coleta, armazenamento e organização de dados até a aplicação de técnicas de BI e inteligência artificial para explorar seu potencial e criar novos produtos e garantir que toda a organização tenha visão sobre seus indicadores. Esta apresentação mostra toda a jornada para revolucionar as empresas com dados, mostrando tanto os desafios de governança, técnicos e cases práticos de como extrair valor das informações de forma clara com foco em resultados.

In this talk I will talk about how to manage data projects, where I will show you through examples of my personal experience working as data manager and scrum master in startup SolarView. I will address the differences and similarities when working on data science and business intelligence projects and why these two technologies should be treated as data projects and not as different things. I will talk a lot about the positions within data teams and their specific issues. And mainly talk about how to generate real value for business through data science projects, and also how to use data to improve agile methodologies processes

Apresentação de um pipeline end-2-end que todo Data Scientist deveria seguir em seus projetos. Em cada etapa do pipeline é apresentado conceitos fundamentais sobre Data Science e/ou Machine Learning. As explicações são para iniciantes na área: sem muita matemática, porém com bastante animações e códigos para implementar em Python as etapas do pipeline. No final, serão apresentadas algumas bibliotecas para Data Science no Python.

Pipeline de Data Science: 1. Amostragem de Dados; 2. Limpeza de Dados, Engenharia de Features e Normalização; 3. Escolha do Algoritmo: Supervisionado e Não-Supervisionado; 4. Otimização: Método do Gradiente; 5. Train/Test Split, Métricas, Underfitting e Overfitting.

Com mais de 10 milhões de pessoas cadastradas, o Sexlog é a maior rede social de sexo e swing do Brasil e uma das referências no mercado de recorrência. Ao tratar de assuntos permeados de tabus, usou os dados para criar novas estratégias que vão desde a comunicação, gestão do produto e decisões de negócio. Conheça o case e as aplicações de análise de dados práticas em seu dia a dia e inspire-se!

Serão apresentados os resultados de estudo para criação e aplicação de um modelo de dados para a apuração do risco de faltas não justificadas em consultas e exames médicos. Serão apresentados os atributos internos e externos considerados no estudo e serão discutidos os casos de uso onde o modelo pode ser aplicado e como calcular o retorno previsto em sua implantação.

Utilizando apps presentes no Office 365, essa DEMO irá construir um formulário (Microsoft Forms) para garantir o input de dados da platéia em um Real-time data set que será visualizado em tempo real no Power BI com análise de sentimentos via Azure Cognitive Services para o público presente.

A integração de serviços cognitivos e o Azure Databricks, mostrando a unificação de data science e engenharia de dados em Big Data.

Nesta palestra será apresentando um passo a passo simples para a construção de um algoritmo em Python que irá buscar padrões em compras utilizando a base de dados de um e-commerce, além disso, será apresentado o que é mineração de dados, os passos para o tratamento dos dados para que seu algoritmo tenha maior acertabilidade. Você só precisa ter um conhecimento básico em python, o resto deixa comigo!