https://github.com/tuliosg/cdp
Repositório do curso "Ciência de Dados para Pesquisa".
https://github.com/tuliosg/cdp
data-analysis data-manipulation data-science data-visualization google-colab jupyter-notebook python
Last synced: 3 months ago
JSON representation
Repositório do curso "Ciência de Dados para Pesquisa".
- Host: GitHub
- URL: https://github.com/tuliosg/cdp
- Owner: tuliosg
- License: mit
- Created: 2025-04-01T21:40:12.000Z (7 months ago)
- Default Branch: main
- Last Pushed: 2025-05-15T23:30:29.000Z (5 months ago)
- Last Synced: 2025-06-19T05:38:11.491Z (4 months ago)
- Topics: data-analysis, data-manipulation, data-science, data-visualization, google-colab, jupyter-notebook, python
- Language: Jupyter Notebook
- Homepage:
- Size: 856 KB
- Stars: 4
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE-CODE
- Citation: CITATION.cff
Awesome Lists containing this project
README
# Ciência de Dados para Pesquisa
> Edição especial: Ciências Humanas
## Sobre o curso
Este curso é destinado a pesquisadores das Ciências Humanas que desejam aprender conceitos fundamentais de Ciência de Dados aplicados à pesquisa acadêmica. Utilizando uma abordagem prática e acessível, o curso trata das bases da ciência de dados, desde definições e conceitos teóricos até exercícios e implementações de código, através da linguagem de programação Python.
## Objetivos
* Introduzir conceitos fundamentais de Ciência de Dados;
* Desenvolver habilidades práticas de organização, tabulação e limpeza de dados;
* Apresentar noções básicas de programação em Python focadas na solução de problemas reais de pesquisa;
* Explicar conceitos estatísticos comumente utilizados em pesquisa;
* Criar visualizações para comunicar resultados.
## Estrutura do curso
O curso está organizado em três módulos principais:
### Módulo 1: Introdução à ciência de dados e Python
* Conceitos fundamentais sobre dados e sua importância na pesquisa;
* O que é Ciência de Dados e como pode beneficiar pesquisas;
* Introdução à programação e conceitos básicos (variáveis, tipos de dados, estruturas);
* Programação interativa com Google Colab;
* Primeiros passos com Python.
### Módulo 2: Organização e pré-processamento
* Princípios de organização de dados em planilhas;
* Importação e exportação de dados com pandas;
* Exploração inicial de conjuntos de dados;
* Limpeza e transformação de dados.
### Módulo 3: Análise e visualização
* Análise exploratória de dados;
* Estatística descritiva;
* Medidas de correlação;
* Princípios de visualização de dados;
* Criação de gráficos básicos;
* União entre análise e visualização.
## Ferramentas e recursos
### Ambientes de trabalho
* **Google Colab**;
* **Google Planilhas**.
### Bibliotecas Python
* **pandas**;
* **matplotlib/seaborn**;
* **scipy**.
## Navegação pelo repositório
* Cada módulo está contido em uma pasta. Clique na pasta correspondente para acessar o material completo;
* Os materiais contidos em cada módulo estão em pastas com suas respectivas descrições: os Jupyter Notebooks na **📁notebooks** de cada módulo, os conjuntos de dados na **📁 dados** e as planilhas na **📁 planilhas**;
* O arquivo `README` de cada pasta corresponde ao material escrito completo relacionado àquele módulo;
* As referências citadas ao longo do material escrito e nos notebooks podem ser encontradas no arquivo `bibliography.bib`.
## Agradecimentos
Agradeço à Nayla Chagas ([@nhawlao](https://github.com/nhawlao)) por aceitar o convite para colaborar neste projeto e por contribuir de forma brilhante no Módulo de Organização e pré-processamento. Sua expertise em engenharia de dados foi essencial para a qualidade do material.
Este trabalho faz parte da minha atuação como Embaixador da Rede Brasileira de Reprodutibilidade (RBR) e só se tornou realidade graças ao apoio e à infraestrutura do Laboratório Multiusuário de Informática e Documentação Linguística ([LAMID](https://github.com/lamid-ufs)).
## Atribuição e Citação
Se você utilizar este material, agradecemos a atribuição adequada. Você pode fazê-lo das seguintes maneiras, dependendo do contexto:
* **Link para o repositório e menção aos autores**
```
Material baseado no curso "Ciência de Dados para Pesquisa" por Túlio Sousa de Gois e Nayla Sahra Santos das Chagas
Disponível em: https://github.com/tuliosg/CDP
```
* **Citação formal**
```
@software{gois_2025_15384287,
author = {Gois, Túlio Sousa and
Chagas, Nayla Sahra Santos},
title = {Ciência de Dados para Pesquisa},
month = may,
year = 2025,
publisher = {Zenodo},
version = {v1.0},
doi = {10.5281/zenodo.15384287},
url = {https://doi.org/10.5281/zenodo.15384287},
swhid = {swh:1:dir:9aef7b4d4b890b410cc8e51b565bd15ea30e46c7
;origin=https://doi.org/10.5281/zenodo.15384286;vi
sit=swh:1:snp:56371c28e746ab411ad408be706b32a0fae7
f449;anchor=swh:1:rel:981843493a81f2b30c524b963522
0754bbdf30d1;path=tuliosg-CDP-1e0d845
},
}
```
## Licença
- **Conteúdo textual** (arquivos `*.md`) está licenciado sob [Creative Commons Attribution 4.0 (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/).
- **Código-fonte** (Jupyter Notebooks) está licenciado sob a [Licença MIT](https://opensource.org/licenses/MIT).