Começar. É Gratuito
ou inscrever-se com seu endereço de e-mail
editar -> por Mind Map: editar ->

1. para levar em consideração

1.1. https://www.udemy.com/course/estatistica-para-ciencia-de-dados-machine-learning/learn/lecture/22187170?start=0#overview

1.1.1. [email protected]

1.1.2. abc123

2. ementa de descritiva deprecada

2.1. Introdução falar de viés, aleatoriedade, casualidade, correlação espúria, etc (intigar à estatística)

2.2. Estatistica descritiva

2.2.1. Quantitativa vs catgorica

2.2.1.1. Categórica: Ordinal x nominal

2.2.1.2. Quantitativa: Continua x discreta

2.2.1.2.1. Medidas de centro

2.2.1.2.2. Medidas de dispersão

2.2.1.2.3. Formato (ex: obiquo à esquerda ou simétrica, como a normal)

2.2.1.2.4. Outliers

2.3. Estatistica descritiva vs Inferencial

2.3.1. Amostra vs população

2.3.2. regressão

2.3.3. correlação

3. Campus Virtual

3.1. Parte 1

3.1.1. teoria (qui, sex, ter) 6h

3.1.1.1. Estatística com Python parte 1: Frequências e Medidas 10h

3.1.1.1.1. Qual o seu tipo de dado? Ver primeiro vídeo 31min

3.1.1.1.2. Distribuição de frequência 45min

3.1.1.1.3. Medidas de tendência central 28min

3.1.1.1.4. Medidas separatrizes 21min

3.1.1.1.5. Medidas de dispersão 23min

3.1.1.2. Estatística com Python parte 2: Probabilidade e Amostragem 10h

3.1.1.2.1. Distribuição binomial Ver primeiro vídeo 41min

3.1.1.2.2. Distribuição de Poisson 13min

3.1.1.2.3. Distribuição normal 36min

3.1.1.2.4. Técnicas de amostragem 13min

3.1.1.2.5. Nível e intervalo de confiança 32min

3.1.1.2.6. Calculando o tamanho da amostra 17min

3.1.1.2.7. Resumo e projeto final 34 min

3.1.1.3. Estatistica com Python 3- Teste de Hipotese(valor p), falso positivo,TLC, teste t .Texto do medium(data hackers)

3.1.1.3.1. Exercio-clinicas-Davi

3.1.2. Nano-Desafio 1 (qua) - 3h

3.1.2.1. desafio real

3.1.2.1.1. desafio

3.1.3. deepnotes curso P1 - A2 - Probabilidade e Amostragem

3.2. Parte 2

3.2.1. teoria (qui, sex) - 4h

3.2.1.1. Introdução (15 min)

3.2.1.1.1. Projeto Inicial (zip)* (Esse é mais um lembrete para nós mesmos, para já deixarmos isso organizado)

3.2.1.1.2. Introdução geral: Correlação e Regressão linear (13 min)

3.2.1.2. Correlação (30 min)

3.2.1.2.1. Aulas/Conteúdo Teórico (23 min)

3.2.1.2.2. Correlações Expúrias (5 min)

3.2.1.3. Regressão (2h)

3.2.1.3.1. Regressão Linear Simples (1h 44min / (com extras): 2h 24min)

3.2.1.3.2. Regressão Linear Múltipla (15 min / (com extras): 20 min)

3.2.2. Workshop dataviz (sab) - 8h

3.2.2.1. http://www.robertgrantstats.co.uk/drawmydata.html

3.2.3. Nano-Desafio 2 (seg) - 3h

3.2.3.1. Exercícios de início de aula

3.2.3.2. Correlação - Notebook Davi

3.2.3.3. Regressão Linear

3.2.3.4. desafio real

3.2.3.4.1. desafio

3.2.3.4.2. gabarito

3.2.3.4.3. 3 perguntas que verifiquem se entenderam os principais conceitos

3.3. Parte 3

3.3.1. teoria (terça) - 2h

3.3.1.1. Regressão Logística (1h 8min / (com extras): 1h 50min)

3.3.1.1.1. Video youtube explicação de regressão logistica( 11minutos)

3.3.1.1.2. Deepnotes curso P3 - A2 - Reg logistica

3.3.1.1.3. Regressão logística no scikit-learn( apartir do video 5 base de dados da parte 1 até o video entendendo a matriz de confusão da parte de metricas e estatisticas parte 3(1 hora)

3.3.1.1.4. Métricas de Performance (34 min)

3.3.1.1.5. EXTRA: Texto Medium: Como funciona a regressão logística? (10 min read)

3.3.2. Nano-Desafio 3 (qua) - 3h

3.3.2.1. NANO desafio -

3.3.2.2. desafio real

3.3.2.2.1. desafio

3.3.2.2.2. gabarito

3.3.2.2.3. 2 perguntas que verifiquem se entenderam o conceito

4. Escolha do Melhor Modelo (4 min)

5. Cursos EXTRA

5.1. Estatística com Python parte 3: Testes de hipóteses 10h

5.1.1. Teste de normalidade e as etapas de um teste 27min

5.1.1.1. Assistir a partir da aula 3

5.1.2. Teste bicaudal e entendendo o p-valor 22min

5.1.3. Distribuição t de Student e o teste unicaudal 23min

5.1.4. Teste para duas amostras 19min

5.1.5. Distribuição Qui-Quadrado 23min

5.1.6. Teste de Wilcoxon e Mann-Whitney 37min

5.1.7. Desafio (projeto final)

5.1.8. Exercicio ALura- opcional

5.2. Data Science: Introdução a testes estatísticos com Python 6h

5.2.1. Conhecendo os dados e explorando 41min

5.2.2. Explorando as distribuições das amostras 14min

5.2.3. Testes de uma amostra 22min

5.2.4. Outros testes 23min

5.2.5. Testes para duas amostras 20min

5.2.6. Não paramétricos 23min

5.3. Deepnote de series temporais (~10min)