<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Debora Gobbo on Medium]]></title>
        <description><![CDATA[Stories by Debora Gobbo on Medium]]></description>
        <link>https://medium.com/@deboragobbo?source=rss-4eb69d3488e7------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*qqazFbg7nAKOp77V9dNE_w.jpeg</url>
            <title>Stories by Debora Gobbo on Medium</title>
            <link>https://medium.com/@deboragobbo?source=rss-4eb69d3488e7------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 00:37:11 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@deboragobbo/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Utilizando o ChatGPT para criar medidas Dax no Power BI]]></title>
            <link>https://medium.com/data-hackers/utilizando-o-chatgpt-para-criar-medidas-dax-no-power-bi-5670c34809ca?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/5670c34809ca</guid>
            <category><![CDATA[dax]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[power-bi]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Wed, 12 Jul 2023 00:14:57 GMT</pubDate>
            <atom:updated>2023-07-16T14:37:25.976Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*hbD6DoKyCJW0zDcPZFhq0g.jpeg" /><figcaption>Fonte:<a href="https://guiadehospedagem.com.br/elevando-o-potencial-chat-gpt-e-power-bi/">guiadehospedagem.com.br/elevando-o-potencial-chat-gpt-e-power-bi/</a></figcaption></figure><p>Olá comunidade! A utilização de modelos de linguagem como o ChatGPT no Power BI pode ser um divisor de águas para analistas de dados e profissionais de inteligência de negócios. É uma maneira econômica de obter ajuda com consultas DAX, acelerar seu fluxo de trabalho e criar relatórios mais precisos e perspicazes para orientar as decisões de negócios. Portanto, se você deseja levar suas habilidades do Power BI para o próximo nível, considere utilizar o ChatGPT ao seu espaço de trabalho. Com apenas alguns cliques, você pode obter as respostas de que precisa com mais rapidez e eficiência do que nunca. Neste artigo, mostrarei como utilizar o ChatGPT para criar medidas temporais no Power BI. Os recursos do AI Assistant ajudam você a encontrar as respostas de que precisa instantaneamente e a acelerar seu fluxo de trabalho. Vamos começar! 💻🚀</p><p>Como usuário do Power BI, você já conhece o poder desta ferramenta Microsoft para visualização e análise de dados. No entanto, mesmo os usuários mais experientes às vezes têm dificuldades com consultas DAX complexas, especialmente ao lidar com grandes conjuntos de dados.</p><p>Ao integrar o ChatGPT com espaços de trabalho do Power BI, você pode obter rapidamente respostas para suas perguntas, encontrar informações relevantes e acelerar seu fluxo de trabalho. O ChatGPT pode ajudá-lo com uma variedade de tarefas, desde calcular medições e criar cálculos complexos até solucionar problemas e otimizar consultas.</p><p><strong>Primeiros passos</strong></p><p>Para criar as medidas temporais com o auxílio do ChatGPT, vou utilizar um Dashboard de Compras, no qual possuo os seguintes campos: Data, Produto, Quantidade e Valor Total.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/873/1*Yg_0hdPBk7W0hdLhXqQONQ.png" /></figure><p>Agora vamos acessar o ChatGPT, para começarmos a nossa conversa!<br> <a href="https://chat.openai.com/">https://chat.openai.com/</a></p><p>Bom, agora sim vai começar o nosso teste!</p><p>Eu vou começar informando a ele os dados que tenho no meu modelo, e o que quero criar com base nesses dados, para que ele me entregue as medidas já prontas, sem que eu precise alterar alguma parte!<br> <br> Vamos lá:</p><p>Escrevi da seguinte forma no Ambiente do ChatGPT:</p><blockquote>Tenho uma medida no power bi chamada “Total valor” e tenho no meu modelo uma coluna de data chamada “Data” responsavel pelos dados de data e tempo do meu relatório. Quero que você crie para mim todas as medidas padrões de análise temporal, Como por exemplo YTD, YOY, Ultimo Quarter, Mês Anterior, etc…, e coloque tudo isso em uma tabela organizado, apenas para que eu copie e cole em novas medidas no power bi</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1014/1*ZfeXEkUZDxa2wDsjNfk4Sg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/894/1*XadF1sihTMv5920fX_SaMA.png" /></figure><p>As medidas já vieram prontas, bastar copiar e colar no Power BI.</p><p>O resultado no Power BI foi este:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/882/1*tXS5uaSJanrpr-mXrC6Jgw.png" /></figure><p>Com o auxílio do ChatGPT foi muito rápido e simples criar as medidas, a qual gastaria o triplo do tempo utilizando o Dax convencional, é como programar com um amigo do seu lado.</p><p>E você já teve a sua experiência com o ChatGPT?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5670c34809ca" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/utilizando-o-chatgpt-para-criar-medidas-dax-no-power-bi-5670c34809ca">Utilizando o ChatGPT para criar medidas Dax no Power BI</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Criação de dashboard utilizando o Data Studio]]></title>
            <link>https://medium.com/data-hackers/cria%C3%A7%C3%A3o-de-dashbord-utilizando-o-data-studio-86591beda6e7?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/86591beda6e7</guid>
            <category><![CDATA[data-studio]]></category>
            <category><![CDATA[google]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Tue, 03 Aug 2021 00:33:43 GMT</pubDate>
            <atom:updated>2021-08-03T17:54:05.829Z</atom:updated>
            <content:encoded><![CDATA[<p>Hoje vamos conhecer e utilizar o Data Studio da Google que é uma ferramenta de <em>business analytics</em> amplamente utilizada, na qual é possível realizar <em>dashboards</em> personalizados e atraentes para analisar dados e apresentar resultados estratégicos. Neste artigo, temos um tutorial de Google Data Studio, no qual vamos utilizar dados fictícios de uma transportadora para realizarmos algumas análises.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*gL45CjSaPJ0Fj8TeHUdsAA.png" /></figure><p><strong>O que é o Data Studio</strong></p><p>O Google Data Studio é mais uma ferramenta gratuita disponibilizada pela Google, voltada para a criação de <em>dashboards</em> personalizáveis, atrativos e interativos. Como é uma ferramenta Google, é bom acompanharmos a sua evolução no mercado.</p><p>Com ele é possível gerar painéis a partir de <em>templates </em>disponibilizados, utilizar os mais variados gráficos existentes, aplicar a identidade visual da sua marca entre outros recursos, e o mais incrível é que a ferramenta é super intuitiva, oferecendo uma interface fácil ao usuário.</p><p>Esta ferramenta de <em>Business Intelligence</em> ou (BI), ou ainda Inteligência de negócio, é capaz de transformar um conjunto de dados que ao serem analisados de forma individual não significam nada, em conhecimento através da aplicação de técnicas e conceitos, gerando informações estratégicas para as empresas.</p><p>Através das visualizações geradas, o Data Studio reúne métricas e indicadores para embasar as mais variadas tomadas de decisões, para que as empresas corram menos riscos e possam alcançar suas metas e objetivos.</p><p>Vamos aos primeiros passos com a ferramenta.</p><p><strong>Primeiros passos</strong></p><p>Para ter acesso a ferramenta, é necessário que você esteja logado com uma conta Google (gmail).</p><p>O primeiro passo é acessar o endereço eletrônico da ferramenta: <a href="https://datastudio.google.com/">https://datastudio.google.com/</a></p><p>Ao acessar você vai se deparar com a seguinte tela.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*IcKlPe2M1u2vJ-HVMMVvlQ.png" /></figure><p>Nela conseguimos ver que que são carregados alguns <em>templates </em>de relatórios que podemos utilizar, além da opção de criar um relatório em branco, que é opção que vamos utilizar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*twlkMiZpu02c5x42x4s6pw.png" /></figure><p>Na segunda aba, é possível você escolher o nome para o seu relatório, e também selecionar qual conector disponível você vai utilizar para se conectar a sua base de dados.</p><p>Vou listar aqui os conectores possíveis até presente data.</p><ul><li>Conectores da comunidade</li><li>Campaign Manager 360</li><li>Google Ads</li><li>Google Analytics</li><li>Google BigQuery</li><li>Google Cloud SQL</li><li>Planilhas Google</li><li>MySQL</li><li>PostgreSQL</li><li>YouTube</li></ul><p>A base de dados que será utilizada está no formato do excel, para utiliza-la vou selecionar opção de planilhas Google.</p><p>Para que eu possa utilizar a minha planilha, ela precisa estar vinculada ao meu Google docs, então antes, eu preciso fazer o <em>upload </em>da mesma.</p><p>Para isso basta seleciona a opção para abrir o seletor de arquivos e faço o seu <em>upload.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/1*EdGZwn3aeNREQ4vuzmxGuA.png" /></figure><p>Após esse passo, preciso fazer um tratamento desses dados, para que a minha criação de <em>dashboard</em> não seja comprometida.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/1*qNrxd-DOKcPzfATRYX1wsg.png" /></figure><p>O Google planilha se conecta de forma dinâmica ao Data Studio, ou seja, as mudanças que você realiza na planilha o Data Studio já vai atualizar.</p><p>A primeira transformação, será correspondente ao campo data saída, que vamos formatar para o tipo data obedecendo o seguinte formato dd/mm/aaaa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*xSdFS8kRZs3DaWDn-f5VDA.png" /></figure><p>A mesma transformação será realizada para a data chegada.</p><p>Após essa transformação, vamos agora formatar o campo hora saída e posteriormente hora chegada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*ysomubLtl21yCrGhE0kr7Q.png" /></figure><p>Essa transformação é de suma importância que para que o Data Studio trabalhe de forma correta para entender o tempo de duração da entrega.</p><p>Agora no Data Studio conseguimos criar as origens, para isso vamos selecionar a opção de planilhas Googles e selecionar a nossa base de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*gPexJAb4UF7i8-nhiE_p3g.png" /></figure><p>Vai ser aberta a seguinte janela, com as abas correspondentes da planilha, para que você possa conferir antes de adicionar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/1*Oa06zhTJrbRys4it5gsGEA.png" /></figure><p>Com os dados adicionados, será aberta o ambiente para criar as visualizações.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*IcA-xF5uACNRG6fokQKuKw.png" /></figure><p>Antes de prosseguirmos com a criação do nosso <em>dashboard</em>, vamos conferir como o Data Studio classificou os campos da nossa planilha, para isso selecione a opção de edição da base de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*PVsxAZgLZ2VWQSeVg0SzrA.png" /></figure><p>Aqui podemos perceber que o campo de data que formatamos antes, ele classificou de forma correta . Porém o campo destino, ele trouxe como texto, vamos alterar para o tipo de: <strong>informações geográficas/ cidades</strong>, para que consigamos criar um <em>dashboard </em>de mapa. O campo de valor, alteramos para o tipo de moeda. O resultado final é possível observar abaixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*YQ_c3dvoc8GaoC3bgPP8Tg.png" /></figure><p>Você deve estar se perguntando porque os campos de hora continuam com o tipo formato texto. Isso se deve porque o Data Studio não enxerga este campo como o tipo hora, minuto e segundo, utilizando apenas a parte da hora. Como a nossa intenção e trabalhar com a duração da entrega, isso não vai ser um empecilho para nós, podemos deixar o tipo do campo como texto. Agora vamos voltar a nossa aba de criação de <em>dashboards</em>.</p><p>Começaremos criando a identidade da nossa solução criando um cabeçalho e inserindo o período de seleção.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*Augo5zJC14sUTIegt574KA.png" /></figure><p>No menu superior, está disponível as opções de <em>layout,</em> cor e fórmulas. Nesse momento aproveite para explorar todas as opções e criar o <em>layout </em>da maneira que preferir.</p><p>Vamos inserir agora visualizações gerais, inserindo cartões.</p><p>Para isso vamos em: <strong>inserir, visão geral.</strong> Como dimensão de período vamos adicionar a data de chegada, e como métrica vamos colocar o valor total com a agregação de soma, relembrando métricas são medidas quantificáveis usadas para analisar o resultado de um processo, ação ou estratégia específica. De maneira geral, são medidas de desempenho.</p><p>Sua tela inicial deve estar parecida com essa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*RfQtHnx2NiahyJqn8X6XHw.png" /></figure><p>Na guia de estilo você possui algumas opões de customizações disponíveis, como a compactação de números.</p><p>O meu resultado foi esse.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*qBWnpMlG4dij7gMElJXrGw.png" /></figure><p>Vamos criar agora a quantidade de entregas.</p><p>Para isso adicionaremos o mesmo componente anterior e no campo dimensão de período, continuaremos utilizando a data de chegada, e como métrica adicionaremos o campo record count, para inserir a quantidade total de entregas realizadas. A precisão do resultado pode ser formatada em estilo para 0, para não ficar com um resultado decimal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*yPtn1VVDHLErdb48O-gHqA.png" /></figure><p>Vamos analisar agora a quantidade de entregas Plus, ou seja, definiremos aqui que são aquelas entregas com o valor superior a R$ 100.000,00. Para isso adicionamos o mesmo componente e utilizaremos como métrica o campo id. Criaremos um novo campo para realizarmos a junção conhecermos esse resultado.</p><p>Ao clicar duas vezes na métrica, vai abrir uma janela para que você possa escolher a opção <strong>criar campo</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/342/1*RSBek2u3BRkeOpiQG1VaoA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/362/1*jx5T5VJNpPpEjKM1nsrC7A.png" /></figure><p>Na janela que foi aberta, basta você utilizar a seguinte função:</p><blockquote>case</blockquote><blockquote>when valor&gt;= 100000 then 1</blockquote><blockquote>else 0</blockquote><blockquote>end</blockquote><p><strong>Explicando a função</strong></p><p>Ela vai percorrer linha a linha da sua base da dados procurando um valor que seja maior ou igual a 100.000 atribuindo o valor 1, caso contrário, quando a condição não for atendida ela irá atribuir o valor 0, dessa forma assim que ela percorrer toda a base, será utilizada a função de agregação soma, para somar todas as vezes que o resultado 1 foi atribuído, finalizando com a quantidade de entregas que atendeu essa condição.</p><p>Adicionaremos agora a média de entregas por dia.</p><p>Vamos adicionar o componente visão de dados, com a métrica recorde count. Utilizaremos o mesmo processo do passo anterior para criar uma função para calcular a média. Para isso dividiremos a métrica selecionada pela quantidade de dias no mês, no nosso caso como se trata de uma base do mês de janeiro, utilizaremos 31 dias. A fórmula é a seguinte.</p><blockquote>Record Count/31</blockquote><p>Agora adicionaremos uma tabela para analisarmos a quantidade de entregas por destino e o valor correspondente.</p><p>Ao adicionar a tabela para criar visualização, vamos adicionar como dimensão de período o campo data chegada, como dimensão o campo destino e como métrica o campo record count que chamaremos de entregas e valor.</p><p>Agora analisaremos a quantidade de entregas por motorista. Para isso vou criar uma segunda fonte de dados com os dados do motorista cruzando a minha base dados já adicionada.</p><p>A segunda base de dados você pode adicionar da mesma forma que adicionamos a primeira, basta repetir os mesmos passos, ou você pode clicar no campo origem e dados e selecionar a opção de adicionar nova origem.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/250/1*qRaD7FoiwW_LYP2Hz41Chg.png" /></figure><p>Utilizei agora a segunda aba da minha planilha chamada <strong>motoristas</strong>.</p><p>Agora para eu cruzar os dados de uma tabela com a outra, preciso selecionar o campo chave de ligação entre elas.</p><p>Vou selecionar a opção do menu de <strong>gerenciar dados combinados</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*CumbTUI6A6YOR6krJME9TQ.png" /></figure><p>Ao abrir a janela de dados combinados, você vai trabalhar com as duas fontes adicionadas.</p><p>O campo chave das duas tabelas será o campo <strong>id</strong>.</p><p>Na tabela de motoristas vamos trazer como dimensão o nome do mesmo.</p><p>Da tabela de viagens vamos trazer como dimensão por período a data de chegada e como métrica o campo record count,</p><p>O resultado final foi este:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*fjx6WGJctjqNCBaCIce8TA.png" /></figure><p>Agora adicionaremos uma tabela com a origem de dados de campos combinados, selecionado a combinação que acabamos de realizar.</p><p>A métrica da tabela, vamos excluir e criar um novo campo, para juntar o nome com a quantidade de entregas, para termos uma visualização mais agradável.</p><p>A formula a ser usada é a seguinte:</p><blockquote>CONCAT(nome,’[‘,record count,’]’)</blockquote><p>Esse campo criado vamos colocar como dimensão.</p><p>Agora é só formatar o estilo da tabela para não aparecer as linhas e colunas. Aqui se preferir pode ser adicionada a foto do motorista, a criatividade é com você.</p><p>A minha visualização ficou desta maneira.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*sEsEHVcpZSgmNdjW361Uow.png" /></figure><p>A seguir criaremos mais alguns campos para que possamos detalhar as nossas visualizações.</p><p>Iremos criar os seguintes campos, para que possamos ter o tempo de duração da jornada da entrega com exatidão:</p><blockquote><strong>-Hora_saida_segundos:</strong> SUM ((CAST(SUBSTR(hora_saida, 1,2) as NUMBER) * 3600) + (CAST(SUBSTR(hora_saida, 4,2) as NUMBER) * 60) + (CAST(SUBSTR(hora_saida, 7,2) as NUMBER)))</blockquote><blockquote><strong>-Hora_chegada_segundos</strong>: SUM ((CAST(SUBSTR(hora_chegada, 1,2) as NUMBER) * 3600) + (CAST(SUBSTR(hora_chegada, 4,2) as NUMBER) * 60) + (CAST(SUBSTR(hora_chegada, 7,2) as NUMBER)))</blockquote><blockquote><strong>-Dias:</strong> SUM (CAST((DATE_DIFF(data_chegada,data_saida)) as number))</blockquote><blockquote><strong>-Jornada:</strong></blockquote><blockquote>AUT dias</blockquote><blockquote>*</blockquote><blockquote>86400</blockquote><blockquote>+</blockquote><blockquote>AUT HORA_CHEGADA_SEGUNDOS</blockquote><blockquote>-</blockquote><blockquote>AUT HORA_SAIDA_SEGUNDOS</blockquote><p>Com estes campos criados podemos adicionar uma tabela para analisarmos o tempo da jornada para cada destino.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*Y78dWMURJWbO6PJ7j98zHQ.png" /></figure><p>Aplicarei uma formatação condicional para que as linhas que apresentarem as jornadas com duração superior ou igual a três dias para aparecerem de forma destacada.</p><p>Para isso ao selecionar a tabela, vá a opção de estilo e selecionar “Criar Novo”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/632/1*bGuas6vUYbnOaITzt8Yspg.png" /></figure><p>Aqui transformei três dias para segundos, que é a unidade que estamos utilizando em todo nosso dashboard.</p><p>O resultado foi esse:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*uBDMBjD_cYdsQxXyyHFX1g.png" /></figure><p>Adicionaremos um cartão de visão geral novamente, para sabermos a quantidade de dias na estrada. Basta usar a seguinte formula.</p><p>JORNADA/86400</p><p><strong>Finalização do dashboard</strong></p><p>Agora para finalizar, adicionarei um mapa a nossa visualização.</p><p>Ao adicionar o mapa, como dimensão vamos selecionar a origem e como métrica, vamos colocar o record count.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*mFaowJ2YVq22YQCLh8knIg.png" /></figure><p>Pronto, finalizamos a construção do nosso <em>dashboard.</em></p><p>O resultado final foi este:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*5YiM4a7cXeMds4SCdLHeHQ.png" /></figure><p>Para interagir com a solução e BI criada, basta acessar este link.</p><p><a href="https://datastudio.google.com/reporting/33d24789-33d4-4faa-85d2-9462ae2d317f">https://datastudio.google.com/reporting/33d24789-33d4-4faa-85d2-9462ae2d317f</a></p><p>Até a próxima.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=86591beda6e7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/cria%C3%A7%C3%A3o-de-dashbord-utilizando-o-data-studio-86591beda6e7">Criação de dashboard utilizando o Data Studio</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Storytelling com dados e Dash na linguagem Python]]></title>
            <link>https://medium.com/data-hackers/storytelling-com-dados-e-dash-na-linguagem-python-6224c1054078?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/6224c1054078</guid>
            <category><![CDATA[storytelling-with-data]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[dash]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Mon, 26 Jul 2021 13:50:16 GMT</pubDate>
            <atom:updated>2021-08-07T22:47:49.978Z</atom:updated>
            <content:encoded><![CDATA[<p>Fala galera, hoje trouxe um tema muito importante para que possamos explorar o resultado da análise de dados, teremos aqui o <em>Storytelling</em> e ainda vamos utilizar o Dash na linguagem Python</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*gqKWFPSMv12AnUKZGpWqDQ.png" /></figure><p>Vamos começar pelo <em>Storytelling,</em> como a tradução do nome nos remete, o <em>Storytelling</em> é a arte de contar histórias com os dados, utilizando diversas técnicas e conceitos para atingir o público alvo.</p><p>Primeiros passos para se contar uma boa história:</p><p>· Criar apresentações visuais interessantes para eles, com gráficos realizados com clareza.</p><p>· O título já pode ser parte da história.</p><p>· Foque apenas no que é realmente importante de ser apresentado.</p><p>· Use as cores para melhorar a visualização.</p><p>· Coloque informações que leve o público alvo a reflexão, portanto, não faça resumos e gráficos com porcentagens de informações que talvez não dizem respeito à sua audiência.</p><h3>Por que contar estas histórias</h3><p>Histórias com dados são mais interessantes do que relatórios convencionais porque nós já somos programados para aceitar e entender melhor as histórias do que os números, além de criar apresentações mais persuasivas e confiantes. Vale lembrar que nós seres humanos, somos mais propensos a acreditar em histórias baseadas em fatos reais.</p><p>Utilizar <em>Storytelling</em> é uma excelente ferramenta para vender ideias e projetos.</p><p>Agora vamos para a segunda parte deste artigo.</p><h3>O que é Dash?</h3><p>O Dash é uma ferramenta para criação de aplicativos analíticos baseados na web, ele não requer conhecimento web, HTML, CSS ou Javascript, a proposta é se apoiar em Python, possuindo o seu código-fonte aberto. Vamos começar.</p><p>Primeiros passos:</p><p>Para iniciar a nossa análise precisamos instalar o Dash. Vamos utilizar o seguinte comando em Python.</p><blockquote>Pip install dash</blockquote><p>Segundo passo, vamos importar as bibliotecas em Python.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/571/1*EoThX0Dcl06uFOHWkhE8eQ.png" /></figure><p>Vamos criar a nossa primeira aplicação com o seguinte código:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/1*fntrCSTt0JcQtJpa9e-aug.png" /></figure><p>Após este passo execute a aplicação e abra o seguinte endereço:</p><p><a href="http://127.0.0.1:8050/"><strong>http://127.0.0.1:8050/</strong></a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/586/1*Uu-n1AZ_7oZCWuqllYYR_A.png" /></figure><p>Vamos ver o resultado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*EMsD92kFigLmRtI9Mi1H3A.png" /></figure><p>Vamos entender o que foi feito.</p><p>Em primeiro momento estamos importando as bibliotecas, dando sequência importamos um arquivo CSS indicado pelo próprio Dash.</p><p>Começamos o código com o uso de uma div (HTML), que recebe toda a página.</p><p>Com a <em>dash_core_component </em>(dcc como também é conhecida), conseguimos utilizar componentes como botões, cheeckbox, espaços para upload de arquivos, date pickers, etc.</p><p>Em <em>id, </em>nosso componente é acionado por meio dos <em>call-backs. </em>Abaixo temos o<em> figure, </em>que recebe um parâmetro <em>data </em>que contém os dados que iremos plotar e outra <em>Layout </em>que faz referência a elementos gerais do gráfico.</p><p>No elemento <em>type </em>selecionamos o tipo de gráfico que iremos utilizar.</p><p>Vamos ver o resultado do gráfico gerado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*exUsX_63zdYdqm5HpigGiw.png" /></figure><p>Aqui temos o tipo do gráfico alterado para <em>line</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*XRfkcuiwhme1_CSoPaMneg.png" /></figure><p>O <em>dashboard </em>gerado, é todo interativo para garantir ao usuário que haja um fluxo de informações, para torná-las interessantes para uso e dinâmicas, permitindo uma boa experiência de navegação.</p><p>Nos vemos no próximo artigo, até a próxima.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6224c1054078" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/storytelling-com-dados-e-dash-na-linguagem-python-6224c1054078">Storytelling com dados e Dash na linguagem Python</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Desenvolvimento de um aplicativo Web utilizando Python e Streamlit]]></title>
            <link>https://medium.com/data-hackers/desenvolvimento-de-um-aplicativo-web-utilizando-python-e-streamlit-b929888456a5?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/b929888456a5</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[scikit-learn]]></category>
            <category><![CDATA[streamlit]]></category>
            <category><![CDATA[aplicativos]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Sat, 05 Jun 2021 18:18:22 GMT</pubDate>
            <atom:updated>2021-06-06T23:15:34.069Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Desenvolvimento de um aplicativo Web utilizando Python e <em>Streamlit</em></strong></p><p>Você quer saber como podemos criar um algoritmo de aprendizado de máquina e colocar ele disponível na sua empresa ou fora dela de uma maneira muito fácil e rápida, sem precisar configurar a AWS, Google Cloud ou Azure? Para isso vamos utilizar o <em>Streamlit</em>. Para saber o passo a passo para isso, basta continuar a leitura.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/556/1*PTozaqwh8vAVmgU5cJHNIA.png" /></figure><p>Hoje vamos executar um programa de <em>machine learning </em>(aprendizado de máquina)<em> </em>para verificar se a pessoa está propensa ter diabetes ou não, com base nas informações que ela vai inserir.</p><p>A nossa base de dados utilizada, é da Kaggle e se encontra disponível no seguinte link: <a href="https://www.kaggle.com/uciml/pima-indians-diabetes-database">https://www.kaggle.com/uciml/pima-indians-diabetes-database</a></p><p>Recomendo que antes de utilizá-la, você faça o tratamento dos dados, ok?</p><p>Vamos precisar também utilizar o <em>Streamlit</em>, mas o que ele é?</p><p>O <em>Streamlit </em>é um framework desenvolvido em Python que torna possível a criação de aplicativos elegantes para modelos de <em>machine learning</em> (aprendizagem de máquina) ou mesmo visualização de dados para uma simples análise exploratória de um <em>dataset</em> (conjunto de dados), além de possuir de forma nativa HTML e JavaScript, desta forma não é necessário saber programar nessas linguagens.</p><p>vai precisar estar realizando o download do <em>Streamlit</em>, através do link: <a href="https://streamlit.io/">https://streamlit.io/</a></p><p>Vamos utilizar também o PyCharm (IDE Python para desenvolvedores), link: <a href="https://www.jetbrains.com/pt-br/pycharm/download/#section=windows">https://www.jetbrains.com/pt-br/pycharm/download/#section=windows</a>.</p><p>Vale lembrar que o seu ambiente Python deve estar já configurado para que possamos dar os primeiros passos na construção do nosso App.</p><p>Para começarmos precisamos instalar as bibliotecas que vamos utilizar. Para isso com o PyCharm aberto no seu terminal, basta inserir os seguintes comandos:</p><p>1) pip install streamlit</p><p>2) pip install scikit-learn</p><p>3) pip install matplotlib</p><p>4) pip install pandas</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/574/1*w65u52V1w8hQRqGIQ6rMvQ.png" /></figure><p>Se você não lembra o que essas bibliotecas significam, temos um artigo dedicado para a explicação delas, vale a pena conferir.</p><p>Agora que instalamos as bibliotecas que vamos utilizar, vamos fazer a importação delas.</p><p>Para isto para inserir o seguinte código:</p><blockquote>#importando as bibliotecas<br> import pandas as pd<br> import streamlit as st<br> from sklearn.metrics import accuracy_score<br> from sklearn.model_selection import train_test_split</blockquote><p>Explicando: Aqui estamos utilizando a biblioteca Pandas para trabalharmos com o conjunto de dados, a biblioteca <em>Streamlit</em> para a interface do nosso App, <em>Sklearn</em> para dividir o nosso conjunto de dados em treino e teste, utilizando para isso um classificador baseado em árvore de decisão, podendo no final verificar a acurácia do nosso modelo criado.</p><p>Vamos agora atribuir um título ao nosso aplicativo</p><blockquote>#título<br>st.write(&quot;Prevendo Diabetes&quot;)</blockquote><p>Realizando a leitura da base de dados:</p><blockquote>#dataset<br><br>df = pd.read_csv(&quot;C:/Users/Usuario/Desktop/dash/diabetes.csv&quot;)</blockquote><p>Criando um cabeçalho:</p><blockquote>#cabeçalho<br><br>st.subheader(&quot;Informações dos dados&quot;)</blockquote><p>Permitindo a inserção do nome do usuário pelo próprio.</p><blockquote>#nomedousuário<br><br>user_input = st.sidebar.text_input(&quot;Digite seu nome&quot;)</blockquote><p>Escrevendo o nome do usuário que foi dado na entrada:</p><blockquote>#escrevendo o nome do usuário<br><br>st.write(&quot;Paciente:&quot;, user_input)</blockquote><p>A partir daqui, vamos criar o nosso modelo, como dito anteriormente.</p><p>Vamos começar dividindo os nossos dados de entrada. Aqui o “x” recebe o “df.drop”, porque não queremos a coluna do campo “Outcome”, que é o campo com o resultado que diz se está ou não com diabetes, que é o que vamos estar treinando. Criamos depois a variável que precisamos para que apareça o resultado.</p><blockquote>#dados de entrada<br><br>x = df.drop([&#39;Outcome&#39;],1)<br><br>y = df[&#39;Outcome&#39;]</blockquote><p>Agora, vamos separar o conjunto de dados em treino e teste, utilizando 20% da base para teste e o restante para treinamento.</p><blockquote>#separa dados em treinamento e teste<br><br>x_train, x_text, y_train, y_test = train_test_split(x, y, test_size=0.2)</blockquote><p>Nesta etapa, vamos criar uma função para coletar os dados que irão ser inseridos pelos usuários. Como parâmetro, vamos definir um valor mínimo, um valor máximo e um valor <em>default</em>.</p><blockquote>#dados dos usuários com a função<br><br>def get_user_date():<br><br> pregnancies = st.sidebar.slider(&quot;Gravidez&quot;,0, 15, 1)<br><br> glicose = st.sidebar.slider(&quot;Glicose&quot;, 0, 200, 110)<br><br> blood_pressure = st.sidebar.slider(&quot;Pressão Sanguínea&quot;, 0, 122, 72)<br><br> skin_thickness = st.sidebar.slider(&quot;Espessura da pele&quot;, 0, 99, 20)<br><br> insulin = st.sidebar.slider(&quot;Insulina&quot;, 0, 900, 30)<br><br> bni= st.sidebar.slider(&quot;Índice de massa corporal&quot;, 0.0, 70.0, 15.0)<br><br> dpf = st.sidebar.slider(&quot;Histórico familiar de diabetes&quot;, 0.0, 3.0, 0.0)<br><br> age = st.sidebar.slider (&quot;Idade&quot;, 15, 100, 21)</blockquote><p>Criação de um dicionário para recebimento dessas informações.</p><blockquote>#dicionário para receber informações<br><br> user_data = {&#39;Gravidez&#39;: pregnancies,<br><br> &#39;Glicose&#39;: glicose,<br><br> &#39;Pressão Sanguínea&#39;: blood_pressure,<br><br> &#39;Espessura da pele&#39;: skin_thickness,<br><br> &#39;Insulina&#39;: insulin,<br><br> &#39;Índice de massa corporal&#39;: bni,<br><br> &#39;Histórico familiar de diabetes&#39;: dpf,<br><br> &#39;Idade&#39;: age<br><br> }</blockquote><blockquote>features = pd.DataFrame(user_data, index=[0])<br><br><br>return features</blockquote><p>Agora estamos finalizando nosso aplicativo!!!</p><p>Vamos chamar a função criada e gerar um gráfico para exibir as informações.</p><p>O critério utilizado aqui foi a “entropia”, pois é usada para estimar a aleatoriedade da variável a prever (classe).</p><blockquote>user_input_variables = get_user_date()<br><br>#grafico<br><br>graf = st.bar_chart(user_input_variables)<br><br>dtc = DecisionTreeClassifier(criterion=&#39;entropy&#39;, max_depth=3)<br><br>dtc.fit(x_train, y_train)</blockquote><p>Aqui verificamos a acurácia do nosso modelo:</p><blockquote>#acurácia do modelo<br><br>st.subheader(&#39;Acurácia do modelo&#39;)<br><br>st.write(accuracy_score(y_test, dtc.predict(x_text))*100)</blockquote><p>Vamos agora com o resultado da previsão, para verificar se o usuário tem ou não diabetes.</p><p>Se o resultado for igual a “0” ele não possui diabetes, caso seja igual a “1” ele possui diabetes.</p><blockquote>#previsão do resultado</blockquote><blockquote>prediction = dtc.predict(user_input_variables)<br><br>st.subheader(&#39;Previsão:&#39;)<br><br>st.write(prediction)</blockquote><p>Agora vamos ver o resultado final?</p><p>Basta no seu terminal do PyCharm, inserir o comando para o<em> Streamlit</em> executar o seu script criado em Python, da seguinte forma: streamlit run “nome do seu script”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*aUCuxQwnoWEdZbM2z70SuQ.png" /></figure><p>A seguir vamos visualizar o resultado:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VqQUEgFb4mGS_0G4zsP5cA.gif" /></figure><p>Pronto, você possui o seu primeiro aplicativo!!!</p><p>Deixe o seu comentário, e me siga no LinkedIn para acompanhar mais informações.</p><p>Obrigada pela leitura, até a próxima!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b929888456a5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/desenvolvimento-de-um-aplicativo-web-utilizando-python-e-streamlit-b929888456a5">Desenvolvimento de um aplicativo Web utilizando Python e Streamlit</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tópicos fundamentais em Python para dominar antes de se tornar um analista de dados (parte II)]]></title>
            <link>https://medium.com/data-hackers/t%C3%B3picos-fundamentais-em-python-para-dominar-antes-de-se-tornar-um-analista-de-dados-parte-ii-17727bd30eb0?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/17727bd30eb0</guid>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Tue, 04 Aug 2020 15:33:44 GMT</pubDate>
            <atom:updated>2020-08-08T00:22:23.178Z</atom:updated>
            <content:encoded><![CDATA[<p>Já vimos a importância da escolha de uma linguagem de programação para não ficarmos dependentes de uma ferramenta, que muitas vezes não atende às nossas necessidades, ou possuem custos que não estavam no planejamento financeiro da empresa.</p><p>Vamos dar continuidade ao nosso artigo anterior, no qual iniciamos o estudo de algumas estruturas que precisamos dominar antes de avançarmos nossas análises.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*VpMpoMpraHRj9KtaZuAQTg.png" /></figure><p>Começando os nossos trabalhos com estruturas de repetição.</p><p>Estrutura de repetição é uma forma de permitir a execução mais de uma vez do mesmo comando ou conjunto de comandos, de acordo com uma condição ou uma variável de controle. Elas possuem a finalidade de repetição de ações semelhantes que são executadas para todos os elementos de uma lista de dados, até que a condição seja satisfeita.</p><p><strong>Instrução for</strong></p><p>Esta estrutura de repetição permite a execução de um ciclo para cada elemento do objeto que está sendo iterado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/728/1*bySr6OrHHC_40F_8Kw9olg.png" /></figure><p>Como saída, vemos aqui que foi impresso somente os dados do tipo <em>Strings.</em></p><p><strong>Instrução While</strong></p><p>Esta estrutura cria a repetição de um bloco de instruções durante o tempo que uma condição permanece verdadeira. Quando essa condição se torna falsa o Loop é interrompido.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/531/1*owhYzVNbz-6AN-rYGpd7bA.png" /></figure><p>Neste trecho do código, iniciamos a nossa variável de controle “i” em “1”, no início do laço.</p><p>Enquanto a condição permanecer verdadeira, são executadas as instruções, no momento que se torna falsa, há o desvio do fora do laço.</p><p>Como a condição 10 &lt; 10 é falsa a execução foi interrompida, e ele nos retorna o resultado das operações anteriores.</p><p><strong>Lambda e Funções</strong></p><p>Função é uma sequência de comandos para executar alguma tarefa específica com um nome. Ela auxilia na organização do nosso código em pedaços, que solucionam parte de um problema.</p><p>A sintaxe de uma definição de função é:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/741/1*sDaM3EuNlqUU8H4lPp1IVg.png" /></figure><p>Em Python utilizamos a palavra reservada <strong>def</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*wj0IJJqSxquG1xiBRW1qHg.png" /></figure><p>Podemos escolher qualquer nome para as nossas funções criadas, uma dica aqui é que sejam escolhidos nomes sugestivos, para ficar fácil o entendimento do nosso código, apenas devemos nos atentar as palavras reservadas em <em>Python</em>, e as regras de identificadores permitidos. Os parâmetros especificam qual informação, se alguma, você deve providenciar para que a função possa ser usada.</p><p><strong>Lambda</strong></p><p>Ao nos depararmos com expressões Lambdas, podemos assimilar uma certa semelhança entre elas e as funções locais. As características entre elas, são muito parecidas, com exceção de duas particularidades: as expressões Lambdas não são declaradas como variáveis e não possuem um <strong>def</strong> próprio; e são funções de uma linha, como se houvesse a instrução <strong>return</strong> antes do comando.</p><p>A escolha entre qual utilizar, muitas vezes é questão de estilo e preferência pessoal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/660/1*JGLo2lwduri0P1Km4et_uA.png" /></figure><p>Elas podem deixar os seus códigos e scripts complexos.</p><p>Vamos agora avançar um pouco os nossos passos.</p><p><strong>Lambda + Pandas</strong></p><p>Vamos criar agora um <em>Dataset</em> usando o Pandas com algumas frases sobre avaliação de clientes sobre determinado serviço realizado para eles, e cada um terá um sentimento atribuído, definido como positivo e negativo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*VYxevVlMOpZAUiKjNy1u-Q.png" /></figure><p>A instrução <em>import</em> trouxe para o<em> Python</em> a biblioteca Pandas para ser utilizada no código. A palavra “pd” após o nome da biblioteca criou um “apelido” para ela, para ser referenciada depois.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*lKPT8_il28yDKCXauAicNA.png" /></figure><p>A função <em>head()</em> exibe as linhas iniciais da base de dados, se nenhum valor for informado, esta função vai exibir as cinco primeiras linhas.</p><p>Aqui usaremos em primeiro momento uma expressão Lambda que se encarregará de aplicar uma função que calcula a frequência de um termo para cada frase, seguido da criação de colunas para obter a frequência dessas palavras nas frases do <em>DataFrame</em>.</p><p>Junto a expressão Lambda utilizaremos também o método <strong>apply()</strong> para aplicar a função para cada linha do<em> Dataframe</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/569/1*CSeM7flGhzarVawyuhGUww.png" /></figure><p>Temos agora uma coluna com cada palavra e a quantidade de vezes que uma determinada palavra aparece nas nossas frases.</p><p>Vamos agora somar a frequência de cada termo escolhido, agrupando pelas categorias de sentimentos definidas. Para isto utilizaremos o método <strong>groupby()</strong> .</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/461/1*WeY9bWRp5hN4fDxPOhV5oQ.png" /></figure><p>Vimos em um exemplo rápido e objetivo, que pode ser utilizado para gerar <em>insights</em> e complementar os dados.</p><p>Poderíamos usar essas colunas como <strong>features </strong>de um classificador, ou efetuar uma análise mais simples para responder algumas perguntas como:</p><p>As palavras chaves definidas estão mais relacionadas com avaliações positivas ou negativas?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ircqeHyEj0jLxgeHYxA9Xg.png" /></figure><p><strong>Conclusão:</strong></p><p>Finalizamos aqui o estudo das principais estruturas que devemos dominar, para avançarmos para a análise de dados em Python.</p><p>Agradeço a companhia, a leitura e nos vemos em breve.</p><p>Link para meu Linkedin: <a href="https://www.linkedin.com/in/debora-gobbo-a63a3392/">www.linkedin.com/in/debora-gobbo-a63a3392/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=17727bd30eb0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/t%C3%B3picos-fundamentais-em-python-para-dominar-antes-de-se-tornar-um-analista-de-dados-parte-ii-17727bd30eb0">Tópicos fundamentais em Python para dominar antes de se tornar um analista de dados (parte II)</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tópicos fundamentais em Python para dominar antes de se tornar um analista de dados (parte I)]]></title>
            <link>https://medium.com/data-hackers/t%C3%B3picos-fundamentais-em-python-para-dominar-antes-de-se-tornar-um-analista-de-dados-parte-i-80f7e4029ef3?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/80f7e4029ef3</guid>
            <category><![CDATA[python-data-science]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Thu, 23 Jul 2020 12:21:45 GMT</pubDate>
            <atom:updated>2020-08-08T00:21:31.353Z</atom:updated>
            <content:encoded><![CDATA[<p>As ferramentas de mercado muitas vezes não atendem todas as necessidades que um analista de dados precisa, sendo o conhecimento de uma linguagem de programação uma boa saída.</p><p>No mercado atual, temos tantas opções, tantas linguagens, qual escolher? Qual a melhor? Python, R, Julia ou Java? Embora haja tantas opções, com o constante avanço da tecnologia o ideal é não nos prendermos a uma linguagem e sim a solidificar conceitos essências, indiferente da linguagem escolhida.</p><p>Uma dica valiosa: tudo que for programado, documente, isso vai trazer uma maior clareza e produtividade ao seu trabalho.</p><p>Dando sequência ao nosso artigo anterior, vamos abordar mais um pouco da linguagem <em>Python</em> aqui.</p><p>Vamos começar o nosso trabalho, detalhando as principais estruturas que precisamos para manipular os nossos dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pfHYR63tq0TRw1_JYWF_PA.png" /></figure><p><strong>Listas</strong></p><p>É uma sequência ou coleção ordenada de valores. Listas são estruturas mutáveis. Cada valor na lista é identificado por um índice, em <em>Python</em> esta indexação inicia a partir do valor 0. Os valores que formam uma lista são chamados <strong>elementos</strong> ou <strong>itens. </strong>Elas podem armazenar tipos distintos de dados, por exemplo: inteiros, <em>floats, strings</em>, listas e booleano. São representadas como uma sequência de objetos separados por vírgula e dentro de colchetes [].</p><p>Vamos ver na imagem abaixo um exemplo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*BlP6DE7gYhvdhI02BhR87Q.png" /></figure><p>Neste exemplo, criamos a lista com os elementos dentro de [], separados por vírgula.</p><p>Identificamos o tipo da estrutura, utilizando a expressão “<em>type</em>”.</p><p>Imprimimos o primeiro elemento da lista, ou seja, o elemento que se encontra na posição 0.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/408/1*zfsrVmIbzVUfDiVZMwxBFw.png" /></figure><p>Aqui trouxemos os valores a partir da posição 3 (lembrando que <em>Python</em> inicia a sua indexação em 0), até a anterior definida.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/592/1*epmq9y7_juqNM7g2FNyEjg.png" /></figure><p>Aqui temos a forma de atualizar um elemento na lista. Para isso é muito simples, basta indicar a posição da lista que deverá ter o elemento alterado, seguido pelo novo valor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/703/1*N-9HL_bVin7GaZfthtgHIA.png" /></figure><p>Quando é preciso inserir um novo elemento na lista, basta indicar a posição em que ele vai ser acrescentado, e o elemento que estava antes nesta posição, é movido para a próxima posição, como os demais elementos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/356/1*KpfpDBloNEO9J8XxBtbC2g.png" /></figure><p>Para inserir elementos ao final desta estrutura, basta utilizar o método “<em>append()”,</em> com o novo elemento a ser acrescentado entre ().</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/428/1*SUe5QPnsPgaVaeQ7eJWxWQ.png" /></figure><p>Para saber o tamanho da sua lista, utilize a expressão “<em>len()”.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/427/1*uWfgxIh5m782kQxWDxlBKg.png" /></figure><p>Caso precise verificar a existência de um elemento dentro da lista, basta colocar o elemento alvo entre aspas simples, seguido pelo operador “<em>in</em>”. Se o elemento existir, “<em>true</em>” será retornado, caso contrário, retornará “<em>false</em>”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/577/1*aaJZgnutNmnZ7BeRAOwisQ.png" /></figure><p>Para remover um elemento da lista, utilize o comando “<em>del</em>”, indicando a posição do elemento a ser removido.</p><p><strong>Strings</strong></p><p>Podem ser definidas como coleções de sequencias de caracteres. Isto significa que assumimos que os caracteres individuais que compõem a cadeia estão em uma determinada ordem, da esquerda para a direita. Embora este conceito possa se assemelhar a estrutura de listas, <em>strings</em> não são mutáveis.</p><p>Vamos ver a seguir alguns métodos interessantes desta estrutura.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/506/1*uLiSJMsqU3Tbg7Yv_6FwoQ.png" /></figure><p>Aqui apenas criamos a variável frase (esta frase foi introduzida na série “Dark”, alguém percebeu?), e lhe atribuímos um conteúdo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/279/1*XrCa-wAciElf1CMayX7nKg.png" /></figure><p>Neste exemplo, buscamos o valor do elemento “3”. Os espaços em branco, também são contabilizados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/413/1*pzH2bx-uC_XOHsyIzgLRTw.png" /></figure><p>O método “<em>capitalize()”</em> coloca a primeira letra da frase em maiúsculo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/429/1*jZGhD4mtVa5vmai6dfDQxw.png" /></figure><p>O método “<em>lower()”</em> coloca toda a <em>string</em> em minúsculo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/428/1*spqoJIlO-qSdNmyZ04x69Q.png" /></figure><p>O método <em>“upper()”</em> coloca toda a <em>string</em> em maiúsculo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/485/1*l0XvRiPPBN441y9K8s-ZAQ.png" /></figure><p>Podemos utilizar o método <em>“count()”</em> para fazer a contagem de um determinado elemento.</p><p>Python é uma linguagem <em>case sensitive, </em>ou seja, ela vai diferenciar caracteres maiúsculos de minúsculos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/458/1*9rhaCcQN77yNxkz5eZxmNw.png" /></figure><p>O método “<em>find()”</em>retorna o índice mais à esquerda onde o <em>substring</em> item é encontrado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/463/1*EINeTOq4NXujKz9inFBW5A.png" /></figure><p>“<em>Replace()”</em> é utilizado para realizar substituições. Para isto basta passar como parâmetro entre aspas o elemento a ser localizado, separado por “,” do elemento novo que substituirá o elemento anterior.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/368/1*r9OqHB1vmaJjni3gRTqsyw.png" /></figure><p>Para quebrar uma <em>string, </em>separando a mesma por espaços, o método “<em>split()”</em> é uma ótima opção.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/549/1*jEEvQufysc8M3p_KAa7WtQ.png" /></figure><p>Aqui realizamos a comparação de <em>strings</em>, utilizando o operador “=”.</p><p>Ao ler você, pode estar pensando, o porque do resultado ser falso, sendo que a primeiro momento a frase a ser comparada, é a mesma que definimos no começo do nosso código. Lembra, que <em>Python</em> é <em>case sensitive? </em>Nesta parte do código, começamos a nossa frase com a primeira palavra em minúsculo, diferentemente da primeira definição.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*p0wSetJFM5evEFtsLKEk8w.png" /></figure><p>Ao tentarmos alterar os elementos de uma lista, um erro é retornado. Diferentemente de lista, <em>Strings</em> são estruturas imutáveis, ou seja, não é possível realizar alterações de seus elementos.</p><h4>Conclusão:</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HRKH_k3KmB63MHhk8gJa2w.jpeg" /></figure><p>Tudo isso parece tão simples né? Neste primeiro momento, precisamos nos familiarizar com estas estruturas, dominando o conceito, não vamos ter muitas dificuldades quando esbarrarmos em partes mais complexas.</p><p>Muito obrigada pela companhia até aqui, em breve teremos a segunda parte do artigo.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=80f7e4029ef3" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/t%C3%B3picos-fundamentais-em-python-para-dominar-antes-de-se-tornar-um-analista-de-dados-parte-i-80f7e4029ef3">Tópicos fundamentais em Python para dominar antes de se tornar um analista de dados (parte I)</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Primeiros passos em Data Science utilizando Python para análise de dados]]></title>
            <link>https://medium.com/data-hackers/primeiros-passos-em-data-science-utilizando-python-para-an%C3%A1lise-de-dados-823436432b28?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/823436432b28</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Wed, 06 May 2020 13:41:57 GMT</pubDate>
            <atom:updated>2020-08-08T00:23:03.351Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*mCL8wVzB6D7TORVlb3wr4Q.jpeg" /></figure><p>Quem já se deparou com um problema de análise de dados que uma ferramenta de marcado não solucionou o problema completamente ou de forma eficiente, levanta a mão aí o/.</p><p>No mundo da análise de dados, se torna cada vez mais necessário sair da sua zona de conforto, e buscar outras ferramentas que sejam úteis para o universo de um cientista de dados. Felizmente nesse cenário Python é uma boa opção.</p><p>Se seu perfil tem uma inclinação para codificar, este é o momento para colocar a mão na massa, de uma maneira simples, acredite, codificar nunca foi tão fácil. Se já está se convencido a dar uma chance para Python, confira as vantagens desta escolha:</p><p>A linguagem Python é de alto nível, código aberto, comunidade online muito ativa, fácil de aprender, imperativa, interpretada de scripts, orientada a objetos, funcional, de forte tipagem e dinâmica. Programar em Python é como escrever uma carta para o computador, uma carta em inglês, vale ressaltar.</p><p>Com tantos motivos para começar agora a aprender a Python, por que não se render a ela?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*JXwtaU8En_Yu-_WmWS2A8g.png" /></figure><p>Vamos conhecer de forma breve a história dessa linguagem.</p><p>Ela foi criada por Guido van Rossum no ano de 1991, com o intuito de possibilitar uma produtividade e legibilidade, em resumo,sua finalidade era produzir código bom e fácil de manter de maneira rápida.</p><p>Em sua origem, ela tinha função de linguagem de um propósito geral, com o passar do tempo e grande interação da comunidade, foram acrescentadas bibliotecas dedicadas para análise de dados e modelagem preditiva. Para quem vai começar a sua jornada de análise de dados agora e optar por utilizar esta linguagem, deve começar por estas seguintes bibliotecas.</p><p><strong>1 NumPy</strong></p><p>Esta biblioteca basicamente contém todas as funções essências de álgebra linear, capacidade de integração com outras ferramentas, funções para manipulação de imagens, sendo principalmente utilizada para cálculos de <em>arrays</em>.</p><p><strong>2 Pandas</strong></p><p>Ela é muito utilizada para a fase de realização da preparação e operação dos dados em alta performance. Esta biblioteca trabalha com duas estruturas principais: <em>Series</em> e <em>Dataframes</em>. <em>Series</em> diz respeito a um array unidimensional ou uma simples lista, enquanto <em>Dataframes</em> trabalham com estrutura bidimensional de dados, assemelhando-se a uma planilha de Excel. Pandas é simplesmente incrível. Adicionada a pouco tempo, foi um dos principais motivos da atração dos cientistas de dados para Python.</p><p><strong>3 Scikit Learn</strong></p><p>Esta biblioteca é voltada para a utilização de <em>Machine Learning</em>, sendo desenvolvida a partir das bibliotecas NumPy, SciPy e MatplotLib, contendo uma enorme variedade de algoritmos eficientes para esse segmento da inteligência artificial e modelagem estatística.</p><p><strong>4 MatplotLib</strong></p><p>Esta por sua vez é amplamente utilizada para visualização de dados. Ela gera gráficos de duas dimensões, sendo o eixo x e y, desde histogramas à gráficos de calor. Esta está por trás dos gráficos gerados pela Pandas.</p><p><strong>5 Seaborn</strong></p><p>Ela funciona em cima do matplotlib melhorando a aparência dos gráficos, deixando o visual mais agradável.</p><p><strong>Agora que temos uma base para começar, vamos colocar as mãos à obra?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*RgNuJ_R-7DzaqYvUjOVuKQ.jpeg" /></figure><p>Para este primeiro momento vamos ver algumas funções básicas utilizando o arquivo .csv com o clássico Iris, que pode ser obtido no repositório da UCI Machine Learning Repository: <a href="http://www.ics.uci.edu/~mlearn/MLRepository.html.">http://www.ics.uci.edu/~mlearn/MLRepository.html.</a></p><p>Esta Database possui quatro variáveis (comprimento e largura de sépalas e pétalas) de 50 amostras de três espécies de íris (Iris setosa, Iris virginica e Iris versicolor). Estas informações foram utilizadas para formar um modelo discriminante linear para classificar as espécies. Este conjunto é muito utilizado para treinamentos de algoritmos.</p><p><strong>Primeiros passos</strong></p><p>Vamos começar importando para o nosso projeto as bibliotecas principais para a nossa análise.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*nfl_RJ_ahtM2TIbLN0sWRQ.png" /></figure><p>A instrução <em>import</em> traz para o Python a biblioteca para ser utilizada no código. A palavra as após o nome da biblioteca. cria um “apelido” a ela, para que possa ser referenciada depois.</p><p>O estilo do gráfico é definido por plt.style.use(“ggplot”).</p><p><strong>Leitura do arquivo</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/995/1*rVgwmREoasWrcSEtMb50dw.png" /></figure><p>Para isto pode ser utilizada a função pd.read_csv (‘local_do_arquivo.extensao’) onde é carregado o dataset para a memória e o armazenado dentro da variável “planta”. O arquivo .csv — separado por vírgulas — será apresentado na forma de tabela, por causa da biblioteca Pandas.</p><p><strong>Função head()</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WY324_hnoFd--ho31YLgaA.png" /></figure><p>A função <em>head()</em> exibe as linhas iniciais da base de dados, se nenhum valor for informado, esta função vai exibir as cinco primeiras linhas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8G6LB1H-QW0bd_Ysp8h86g.png" /></figure><p><strong>Função describe()</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8rtnjA7Vqk72EIDOxcMfiw.png" /></figure><p>Esta função <em>describe(), </em>retorna o resumo das variáveis numéricas da base de dados trazendo informações relevantes dos dados, como média, desvio padrão, etc. que poderão ser utilizados para gerar estatísticas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gp7PClOZYoTedsB_Q1D3ww.png" /></figure><p><strong>Tipo de dados</strong></p><p>A função <em>dtypes</em> mostra como Python interpreta os valores nela, ou seja o tipo de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/956/1*phfIyHwZUodwm4V9pQUjsQ.png" /></figure><p><strong>Tamanho da base de dados</strong></p><p>Pandas possui o comando <em>shape</em>, que retorna uma tupla com dois valores, sendo respectivamente a quantidade de linhas e colunas da tabela.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/955/1*c7f3tKPv359VFaOZLQiXfw.png" /></figure><p><strong>Renomeando as colunas</strong></p><p>A biblioteca Pandas possui o atributo <em>columns</em>, que diz respeito ao nome das colunas da tabela. Uma boa tática, é renomear as colunas para facilitar a manipulação e entendimento da base de dados. Para realizar a modificação basta informar os novos nomes em uma lista do Python e armazená-los como se fosse uma variável.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kdhpm_7B69URHjBpWKkGXw.png" /></figure><p>Verificando como ficou o nome das colunas, utilizando a função <em>head()</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KFioZ6sW3wke8thiVn9_Jg.png" /></figure><p><strong>Valores nulos</strong></p><p>Valores nulos, são campos que não possuem nenhum valor informado. A função <em>isnull()</em> possibilita trabalhar com valores nulos encontrados no <em>DataFrame.</em> O código abaixo, retorna as linhas em que há valores nulos na coluna “sepala_comprimento”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1011/1*7VddXTe5w_JOPSZTtGUTJA.png" /></figure><p>Neste caso nenhum valor nulo foi encontrado.</p><p><strong>Contagem de valores</strong></p><p>Quando você precisar saber o total de cada classificação, poderá utilizar a função <em>value_counts</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZvEjH1Kx3NxxENy4lAo5DQ.png" /></figure><p><strong>Visualização dos dados</strong></p><p>Agora sim, chegamos na parte mais esperada, a cereja do bolo, risos.</p><p>Brincadeiras a parte, um bom gráfico gerado é fundamental para auxiliar o tomador de decisão, por isso a necessidade de saber escolher o tipo de gráfico correto e tornar o mesmo o mais claro possível. Uma dica: o menos é mais neste caso.</p><p>Utilizando a biblioteca Pandas, podemos criar um gráfico com apenas uma linha de código.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dayiTMveLRbC_DQFdOxkNA.png" /></figure><p>Os cinco argumentos passados na nossa linha de código são:</p><p><strong>Kind:</strong> informa o tipo de gráfico, foi escolhido aqui o de barras ou “bar”;</p><p><strong>Figsize:</strong> informa o tamanho que o gráfico terá.</p><p><strong>Grid: </strong>permite que apareça as linhas de grade no gráfico.</p><p><strong>Rot:</strong> informa o grau de rotação dos dados que o eixo X devem ter.</p><p><strong>Color</strong>: a cor do gráfico.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*akakBPI-SPK2jdir94oURg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HW7qfL_cWOSMN1Ol6YFVdA.png" /></figure><p><strong>Finalizando</strong></p><p>Estas foram algumas dicas iniciais, há muito mais a ser explorado, muita coisa para aprender com Python e suas bibliotecas.</p><p>Obrigada pela leitura, até mais!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=823436432b28" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/primeiros-passos-em-data-science-utilizando-python-para-an%C3%A1lise-de-dados-823436432b28">Primeiros passos em Data Science utilizando Python para análise de dados</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Análise de sentimentos gera vantagem competitiva para as empresas]]></title>
            <link>https://medium.com/estas-s%C3%A3o-mat%C3%A9rias-que-escrevi-sobre-data-science/an%C3%A1lise-de-sentimentos-gera-vantagem-competitiva-para-as-empresas-68692731fa03?source=rss-4eb69d3488e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/68692731fa03</guid>
            <category><![CDATA[date]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[business-strategy]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Debora Gobbo]]></dc:creator>
            <pubDate>Sat, 08 Feb 2020 01:03:06 GMT</pubDate>
            <atom:updated>2020-02-08T01:03:06.083Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Os comentários de seus clientes sobre seu produto ou serviço é a chave para alavancar a sua marca no mercado.</em></p><figure><img alt="Figura 1 — Classificação de sentimentos Fonte: Pixabay.com" src="https://cdn-images-1.medium.com/max/960/1*oQ572NQ1iZNO4qu_Wl3snw.jpeg" /></figure><p>A frequente mudança do mercado torna-se presente no cotidiano das empresas, que acabam sendo influenciadas por decisões tecnológicas, governamentais, mercado consumidor, aumento de renda, entre outros fatores. Muitas vezes as organizações não obtêm êxito em filtrar e trabalhar essas informações de mercado e tampouco criar um conhecimento de planejamento de médio e longo prazo.</p><p>A fim de atrair e reter clientes, bem como parceiros de negócios, as organizações necessitam prestar serviços consistentes e com excelência de qualidade, consequentemente, fazendo-se necessária uma perspectiva de automação de processos, pois os mesmos devem ser corretamente projetados e sua execução deve ser apoiada por um sistema que possa atender aos requisitos do trabalho, para isso, a adoção de <em>Business Intelligence </em>é fundamental.</p><p>A identificação da classificação de comentários de clientes sobre um produto ou serviço, em tempo real, é de suma importância para que as mesmas possam identificar se os mesmos estão satisfeitos ou insatisfeitos e intenções subentendidas dos clientes, gerando ao mesmo tempo <em>insights, </em>e fortalecimento de ações de <em>branding.</em></p><p>A combinação destes aspectos, formam uma ferramenta para auxiliar a empresa na tomada de decisão com uma precisão estatística significativa.</p><p>Os comentários relacionados ao produto ou serviço mencionados, permite que a empresa mantenha sua credibilidade e acompanhe a sua reputação, podendo agir de maneira rápida se necessário, permitindo a identificação de um sentimento positivo ou negativo, ainda podendo avaliar os concorrentes em relação ao seu negócio, realizando pesquisas de mercado.</p><p>A Análise de sentimentos, que pode ser encontrada também como “Mineração de Opiniões”, pertence a um âmbito que estuda opiniões, sentimentos, avaliações, atitudes e emoções direcionadas a entidades, que podem ser produtos, serviços, organizações, indivíduos, problemas, eventos, tópicos em relação aos seus atributos e as suas características. Ela automatiza os processos, que se feitos de forma manual utilizaria horas de processamento para classificação de sentenças.</p><p>A principal finalidade da análise de sentimentos é poder definir técnicas automáticas capazes de extrair informações subjetivas de textos em linguagem natural, como opiniões e sentimentos, a fim de criar conhecimento estruturado que possa ser empregado por um sistema de apoio ou tomador de decisão.</p><p>Esse sistema de análise de conteúdo textual utiliza o Processamento de Linguagem Natural, conhecido também como PLN, juntamente com o Aprendizado de Máquina para atribuir pontuações ponderadas de sentimento às sentenças. A Aprendizagem Profunda (<em>Deep Learning</em>), evoluiu consideravelmente a capacidade dos algoritmos em analisar os textos, sendo a Inteligência Artificial fundamental para identificar sentimentos implícitos em decorrência da capacidade de analisar variáveis diversas.</p><p>Uma empresa produz muitos esforços de marketing, podendo obter no final resultados abaixo do esperado, sendo a adoção de técnicas de análise de sentimentos, como as citadas neste texto uma ferramenta para potencializar os resultados!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=68692731fa03" width="1" height="1" alt=""><hr><p><a href="https://medium.com/estas-s%C3%A3o-mat%C3%A9rias-que-escrevi-sobre-data-science/an%C3%A1lise-de-sentimentos-gera-vantagem-competitiva-para-as-empresas-68692731fa03">Análise de sentimentos gera vantagem competitiva para as empresas</a> was originally published in <a href="https://medium.com/estas-s%C3%A3o-mat%C3%A9rias-que-escrevi-sobre-data-science">Data Science</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>