Aprenda python para análise de dados em 30 dias

Python é uma linguagem de programação altamente versátil que ganhou imensa popularidade por suas aplicações em análise de dados, aprendizado de máquina e inteligência artificial. Neste guia abrangente, delinearei um plano rigoroso de 30 dias para aprender Python para análise de dados. Este plano foi desenvolvido para fornecer a você uma experiência de aprendizado intensiva e é totalmente gratuito, sem necessidade de assinatura ou taxas. Com um conjunto organizado de atividades diárias, recursos e tutoriais em vídeo, você terá acesso a todas as ferramentas e conhecimentos necessários para se tornar um programador Python proficiente, capaz de utilizar essa linguagem para análise de dados em apenas um mês.

Semana 1:

Dia 1: Introdução ao Python, instalando o Anaconda
Assista a este vídeo:https://www.youtube.com/watch?v=TcSAln46u9U
Recurso:https://www.anaconda.com/products/distribution

Dia 2: Jupyter Notebook, variáveis ​​e tipos de dados
Assista a este vídeo:https://www.youtube.com/watch?v=HW29067qVWk
Recurso:https://jupyter-notebook.readthedocs.io/en/stable/

Dia 3: Listas e dicionários
Assista a este vídeo:https://www.youtube.com/watch?v=R-HLU9Fl5ug
Recurso:https://docs.python.org/3/tutorial/datastructures.html

Dia 4: Declarações condicionais, loops e funções
Assista a este vídeo:https://www.youtube.com/watch?v=DZwmZ8Usvnk
Recurso:https://docs.python.org/3/tutorial/controlflow.html

Dia 5: Lendo e gravando arquivos
Assista a este vídeo:https://www.youtube.com/watch?v=Kr0f2Sr_gxo
Recurso:https://docs.python.org/3/tutorial/inputoutput.html

Semana 2:
Dia 6: Pandas — Introdução e Estruturas de Dados (Séries e DataFrames)
Assista a este vídeo:https://www.youtube.com/watch?v=dcqPhpY7tWk
Recurso:https://pandas.pydata.org/pandas-docs/stable/getting_started/10min.html

Dia 7: Pandas — Limpeza e pré-processamento de dados
Assista a este vídeo:https://www.youtube.com/watch?v=0GrciaGYzV0
Recurso:https://pandas.pydata.org/pandas-docs/stable/user_guide/limpeza.html

Dia 8: Pandas — Visualização de dados com Matplotlib
Assista a este vídeo:https://www.youtube.com/watch?v=r_3lopL6vhU
Recurso:https://matplotlib.org/stable/contents.html

Dia 9: Pandas — Agrupamento e agregação
Assista a este vídeo:https://www.youtube.com/watch?v=xPPs59pn6qU
Recurso:https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html

Dia 10: Pandas — Mesclando e unindo dados
Assista a este vídeo:https://www.youtube.com/watch?v=h_tKLc8QvGA
Recurso:https://pandas.pydata.org/pandas-docs/stable/user_guide/merging.html

Semana 3:

Dia 11: Numpy — Introdução e matrizes
Assista a este vídeo:https://www.youtube.com/watch?v=GB9ByFAIAH4
Recurso:https://numpy.org/doc/stable/user/quickstart.html

Dia 12: Numpy — Broadcasting e operações avançadas de matriz
Assista a este vídeo:https://www.youtube.com/watch?v=YrOgIoYtl14
Recurso:https://numpy.org/doc/stable/user/basics.broadcasting.html

Dia 13: Matplotlib — Gráficos de linhas e gráficos de dispersão
Assista a este vídeo:https://www.youtube.com/watch?v=0P7QnIQDBJY
Recurso:https://matplotlib.org/stable/tutorials/introductory/sample_plots.html

Dia 14: Matplotlib — Histogramas, gráficos de barras e gráficos de pizza
Assista a este vídeo:https://www.youtube.com/watch?v=_Z1eLJJ6QgU
Recurso:https://matplotlib.org/stable/tutorials/introductory/pyplot.html

Semana 4:

Dia 15: Seaborn — Introdução e tramas básicas
Assista a este vídeo:https://www.youtube.com/watch?v=oMpYpgE0XU0
Recurso:https://seaborn.pydata.org/tutorial.html

Dia 16: Seaborn — Gráficos avançados e visualização
Assista a este vídeo:https://www.youtube.com/watch?v=I6ypD7qv3Z8
Recurso:https://seaborn.pydata.org/examples/index.html

Dia 17: Análise de dados com Pandas
Assista a este vídeo:https://www.youtube.com/watch?v=vmEHCJofslg
Recurso:https://pandas.pydata.org/pandas-docs/stable/getting_started/10min.html

Dia 18: Visualização de dados com Matplotlib e Seaborn
Assista a este vídeo:https://www.youtube.com/watch?v=0P7QnIQDBJY
Recurso:https://matplotlib.org/stable/tutorials/introductory/sample_plots.html
Assista esse video:https://www.youtube.com/watch?v=oMpYpgE0XU0
Recurso:https://seaborn.pydata.org/tutorial.html

Dia 19: Aprendizado de máquina com scikit-learn
Assista a este vídeo:https://www.youtube.com/watch?v=HW29067qVWk
Recurso:https://scikit-learn.org/stable/tutorial/basic/tutorial.html

Dia 20: Trabalhando com conjuntos de dados do mundo real
Assista a este vídeo:https://www.youtube.com/watch?v=44jq6ano5n0Resource: Kaggle (https://www.kaggle.com) — uma plataforma para análise de dados e competições de aprendizado de máquina.

Dia 21: Pandas — Operações básicas e limpeza de dados
Assista a este vídeo:https://www.youtube.com/watch?v=vmEHCJofslg
Recurso:https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html

Dia 22: Pandas — Agrupando e agregando dados
Assista a este vídeo:https://www.youtube.com/watch?v=zYHvwRdhsLo
Recurso:https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html

Dia 23: Pandas — Mesclando e unindo dados
Assista a este vídeo:https://www.youtube.com/watch?v=h_gEjK9c9UE
Recurso:https://pandas.pydata.org/pandas-docs/stable/user_guide/merging.html

Dia 24: Pandas — Análise de séries temporais
Assista a este vídeo:https://www.youtube.com/watch?v=W0OyjKk-zUg
Recurso:https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html

Semana 5:

Dia 25: Scikit-learn — Introdução e operações básicas
Assista a este vídeo:https://www.youtube.com/watch?v=HW29067qVWk
Recurso:https://scikit-learn.org/stable/tutorial/basic/tutorial.html

Dia 26: Scikit-learn — Regressão linear e regularização
Assista a este vídeo:https://www.youtube.com/watch?v=_Z1eLJJ6QgU
Recurso:https://scikit-learn.org/stable/modules/linear_model.html

Dia 27: Scikit-learn — Árvores de decisão e florestas aleatórias
Assista a este vídeo:https://www.youtube.com/watch?v=7VeUPuFGJHk
Recurso:https://scikit-learn.org/stable/modules/tree.html

Dia 28: aprendizado profundo com o TensorFlow
Assista a este vídeo:https://www.youtube.com/watch?v=2FmcHiLCwTU
Recurso:https://www.tensorflow.org/tutorials

Dia 29: Processamento de linguagem natural com NLTK
Assista a este vídeo:https://www.youtube.com/watch?v=FLZvOKSCkxY
Recurso:http://www.nltk.org/book/

Dia 30: Pratique, pratique, pratique!
Tente trabalhar em um projeto que combine as habilidades que você aprendeu até agora, como construir um modelo de aprendizado de máquina para classificação de texto usando TensorFlow e NLTK.

Aqui estão os pré-requisitos para o plano de 30 dias para aprender Python para análise de dados:

Conhecimento básico de conceitos de programação: variáveis, funções, loops e estruturas básicas de dados, como listas e dicionários.

Familiaridade com sistemas de computador: Conhecimento de como instalar software, criar arquivos e navegar na linha de comando.

Familiaridade com conceitos matemáticos: Compreensão básica de estatística, probabilidade e álgebra linear.

Acesso a um computador com ligação à Internet: Para utilizar os recursos disponibilizados no plano e praticar exercícios de codificação.

Disposição para dedicar tempo: O plano requer um compromisso diário de pelo menos 2 a 3 horas para concluir todas as atividades e recursos.

Instale um ambiente de desenvolvimento Python: você precisará de uma instalação Python e um ambiente de desenvolvimento integrado (IDE) para escrever, executar e depurar seu código Python.

Tendo esses pré-requisitos em vigor, você estará mais bem equipado para embarcar na jornada de aprendizado do Python para análise de dados e obter os melhores resultados do plano de 30 dias.

Concluindo, aprender Python para análise de dados pode ser uma experiência desafiadora, mas recompensadora. Com os recursos certos e um plano bem estruturado, você pode atingir seu objetivo de se tornar proficiente no uso do Python para análise de dados em apenas um mês. Este plano intensivo de 30 dias fornece todas as ferramentas e conhecimentos de que você precisa para ter sucesso, incluindo atividades diárias, recursos e tutoriais em vídeo, todos totalmente gratuitos. Então, dê o primeiro passo hoje e comprometa-se com o plano. Aceite o desafio e, em breve, você estará no caminho certo para se tornar um programador Python qualificado, capaz de analisar dados e tomar decisões informadas com base em seus insights.

Comece sua jornada para dominar o Python para análise de dados hoje.

Não perca minhas postagens sobre dicas, truques e tutoriais sobre vários tópicos. Inscreva-se e torne-se um fã agora! Fique à vontade para sugerir qualquer tema.