Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/mgckaled/rs_data-analytics

Repositório agregador do conteúdo da formação Data Analytics desenvolvido pelo Rocketseat.
https://github.com/mgckaled/rs_data-analytics

data-analytics data-visualization python sql statistics

Last synced: 9 months ago
JSON representation

Repositório agregador do conteúdo da formação Data Analytics desenvolvido pelo Rocketseat.

Awesome Lists containing this project

README 

          



# Formação Rocketseat - Data Analytics





  imagem da logo da plataforma Rocketseat

  imagem da formação Data Analytics




## Sobre



Repositório agregador do conteúdo da formação **Data Analytics** desenvolvido pelo Rocketseat.



## Objetivo



Vivemos em um mundo cada vez mais orientado por dados, onde tomar boas decisões depende de interpretar corretamente os sinais escondidos nas informações. A formação Data Analytics foi criada para capacitar você a dominar esse processo de ponta a ponta — desde a coleta e tratamento dos dados até a construção de visualizações e geração de insights estratégicos.



Ao longo da formação, você vai aprender fundamentos estatísticos, programação em Python, SQL, técnicas de limpeza, análise e visualização de dados, além de desenvolver habilidades essenciais para apresentar resultados de forma clara, persuasiva e com impacto nos negócios. A trilha combina teoria aplicada, estudos de caso e projetos reais para preparar você para os desafios do mercado.



Se você quer se tornar um analista de dados completo, capaz de unir pensamento analítico, domínio técnico e visão de negócio, essa formação é o seu ponto de partida.



## Nível 1 - Primeiros Passos



### Bloco A - O Trabalho de um Analista de Dados



Este módulo introdutório apresenta os fundamentos essenciais da área, começando pela definição e importância da análise de dados. Em seguida, explora o conceito de personas de dados, destacando os perfis envolvidos no ecossistema analítico. Também aborda as principais metodologias de dados utilizadas para extrair insights e tomar decisões baseadas em evidências. Por fim, oferece uma visão estruturada da base conceitual de dados.



> Acesso ao [Conteúdo das Aulas](./.github/docs/content/n1/n1.md#bloco-a---o-trabalho-de-um-analista-de-dados)

>

> Acesso às [avaliações](./.github/docs/assessments/q1.md#bloco-a---o-trabalho-de-um-analista-de-dados)



### Bloco B - Entendendo o Problema



Este módulo foca na etapa de compreensão do problema na análise de dados, abordando os principais tipos de demandas (exploratória, descritiva, diagnóstica, preditiva e prescritiva) e como traduzi-las em perguntas de dados. Também explora a identificação de stakeholders e técnicas de priorização, preparando o analista para alinhar as necessidades do negócio com análises relevantes e bem direcionadas.



> Acesso ao [Conteúdo das Aulas](./.github/docs/content/n1/n1.md#bloco-b---entendendo-o-problema)

>

> Acesso às [avaliações](./.github/docs/assessments/q1.md#bloco-b---entendendo-o-problema)



## Nível 2 - Matemática para Dados



Este nível oferece uma base sólida e aplicada nos principais tópicos matemáticos e estatísticos utilizados na análise e ciência de dados. Ao longo dos módulos, o aluno desenvolve competências fundamentais para interpretar, manipular e extrair informações relevantes de conjuntos de dados, com foco na clareza, precisão e aplicabilidade.



Este nível está estruturado em cinco blocos complementares:



- **Estatística Descritiva**: apresenta os conceitos iniciais de análise de dados, como média, mediana e moda, preparando o terreno para avaliações mais profundas.



- **Medidas de Dispersão**: aprofunda a análise com variância, desvio padrão e amplitude, importantes para compreender a variabilidade dos dados.



- **Medidas de Posição**: ensina como segmentar e interpretar dados a partir de quartis, percentis e BoxPlots, fundamentais para diagnósticos estatísticos mais refinados.



- **Análise Combinatória e Probabilidade**: introduz o pensamento probabilístico, essencial para modelagens, inferências e algoritmos preditivos.



- **Algebra Linear**: fornece a linguagem matemática para manipular vetores, matrizes e transformações, servindo de suporte para algoritmos de machine learning e operações em múltiplas dimensões.



Com uma abordagem prática e contextualizada, este nível visa tornar o aluno apto a aplicar ferramentas matemáticas com confiança, favorecendo a análise crítica e a construção de soluções baseadas em dados.



> Acesso ao [Índice de Aulas](./.github/docs/content/n2/n2_index-aulas.md)

>

> Acesso aos [Questionários Avaliativos](./.github/docs/assessments/q2.md)



## Nível 3 - Fundamentos de Python para Dados



> Acesso às [avaliações](./.github/docs/assessments/q3.md)



### Bloco A - Fundamentos de Python para Dados



Nesse módulo, você aprenderá os principais fundamentos da linguagem Python — como variáveis, tipos de dados, operadores, estruturas de controle e manipulação de strings. Esses conceitos são essenciais, pois o Python será amplamente utilizado nos próximos módulos em aplicações práticas de análise de dados.



> Acesso ao [Conteúdo das Aulas](./n3/m1/)



### Bloco B - Estrutura de Dados



Este módulo apresenta as principais estruturas de dados em Python, como listas, tuplas, dicionários e conjuntos. Explora seus métodos, percursos e formas de manipulação, fornecendo uma base essencial para organização e análise de dados.



### Bloco C - Funções e Módulos



Este módulo aborda de forma prática e progressiva os principais conceitos sobre funções em Python. Inicia com a introdução ao tema, passa pela definição de parâmetros, utilização de funções com retorno e uso de funções lambda, até chegar na criação e organização de módulos, incluindo o uso no Colab e no Google Drive. Finaliza com a aplicação de List Comprehension, tornando o código mais limpo e eficiente.



### Bloco D - Numpy



Neste módulo, você vai aprender a combinar, dividir, gerar e ordenar arrays, além de trabalhar com números aleatórios, escolhas aleatórias e verificações booleanas, dominando operações essenciais para manipulação de dados em Python.



### Bloco E - Pandas



Nesse módulo vamos aprender a utilizar o Pandas para análise de dados em Python. Abordaremos estruturas como Séries e DataFrames, métodos de seleção, filtragem, ordenação, agregação e combinação de dados, além de manipulação de tipos e tratamento de valores ausentes.