Loading repository data…
jvataidee / repository
Este repositório é referente a prática de exercícios e exemplos do livro Manual de Análise de Dados Estatística e Modelagem Multivariada com Excel, SPSS, Stata dos professor Luiz Paulo Fávero e Patrícia Belfiore. convertidos para python
Bem-vindo ao Manual de Análise de Dados em Python! Neste repositório, você encontrará exercícios e exemplos práticos adaptados do livro "Manual de Análise de Dados Estatística e Modelagem Multivariada com Excel, SPSS, Stata" pelos professores Luiz Paulo Fávero e Patrícia Belfiore. Aqui, você terá a oportunidade de explorar conceitos importantes de análise de dados utilizando a linguagem de programação Python.
Este repositório é um recurso de estudo valioso que complementa um dos livros mais renomados na área de análise de dados. Esperamos que ele o ajude a aprimorar suas habilidades e conhecimentos em análise de dados.
cap1_tiposvariaveis_escala_mensuracao_precisao: Neste capítulo, são abordados os diferentes tipos de variáveis, escalas de mensuração e a importância da precisão nos dados estatísticos.cap2_estatistica_descritiva_univariada:O segundo capítulo explora a estatística descritiva univariada, que envolve a análise e interpretação de dados de uma única variável.cap3_estatistica_descritiva_bivariada:Neste capítulo, a estatística descritiva bivariada é apresentada, fornecendo métodos para analisar a relação entre duas variáveis e extrair insights relevantes.cap4_introducao_probabilidade:O capítulo quatro introduz os conceitos básicos de probabilidade, permitindo uma compreensão mais profunda da incerteza e dos eventos aleatórios.cap5_variavel_aleatori_dist_probabilidade:A variável aleatória e a distribuição de probabilidade são discutidas neste capítulo, fornecendo ferramentas para modelar e analisar eventos aleatórios.cap6_estatistica_inferencial:Neste capítulo, é abordada a estatística inferencial, que permite fazer inferências e generalizações sobre uma população com base em uma amostra.cap7_teste_hipotese:O capítulo sete trata dos testes de hipóteses em, onde são aplicados métodos estatísticos para avaliar e tomar decisões sobre diferentes cenários ou tratamentos. em produção ...Para começar a explorar o Manual de Análise de Dados em Python, siga estas etapas:
O livro "Manual de Análise de Dados" é altamente recomendado para acompanhar este repositório. Aqui está o link para compra: Manual de Análise de Dados ou a edição digital Grupo Gen
Selected from shared topics, language and repository description—not editorial ratings.
accardoso /
Este repositório contém os Jupyter Notebooks que utilizei para ministrar e como material de consulta para os participantes do Minicurso Construindo Classificadores.
gcaccaos /
Este é o meu trabalho para o projeto 4 da disciplina de Métodos Computacionais em Física do IF-USP no primeiro semestre de 2018. O projeto consiste em simular o modelo de Ising para a magnetização de um material bidimensional com condições periódicas de contorno através do método de Monte Carlo. Este repositório contém os arquivos de código para a simulação, que são notebooks em Python 3 para o Jupyter (estou utilizando principalmente o JupyterLab), e os arquivos para o relatório em LaTeX (escritos através do Texmaker).
lvgalvao /
Um guia prático sobre como transformar seus notebooks Jupyter em aplicativos web interativos usando Streamlit. Destinado a cientistas de dados e entusiastas de Python, este repositório oferece um passo a passo para levar suas análises e visualizações para a web
Carolina-Silva /
Este repositório foi criado como um material introdutório para apoiar o aprendizado e a formação de pessoas que estão começando na área de dados e programação utilizando Python e Jupyter Notebooks.
marcosmorais94 /
Este repositório contém todos os códigos realizados durante a formação Inteligência Artificial na Data Science Academy. Os códigos foram feitos em Python através do Jupyter Notebook e contém comentários detalhados sobre o passo a passo para uma análise preditiva com Deep Learning.
DaviLeand /
Este repositório apresenta um projeto completo de Data Science aplicado à detecção de fraudes financeiras, desenvolvido inteiramente em Python, utilizando Jupyter Notebook e seguindo boas práticas de organização, versionamento e modelagem.