<?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 Valquíria Alencar on Medium]]></title>
        <description><![CDATA[Stories by Valquíria Alencar on Medium]]></description>
        <link>https://medium.com/@valquiria-c-alencar?source=rss-1dd57bf822db------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*MBITDxhL4gOF0fID2IV6kQ@2x.jpeg</url>
            <title>Stories by Valquíria Alencar on Medium</title>
            <link>https://medium.com/@valquiria-c-alencar?source=rss-1dd57bf822db------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 15:44:07 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@valquiria-c-alencar/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[Quais os efeitos do Storytelling no nosso corpo?]]></title>
            <link>https://valquiria-c-alencar.medium.com/quais-os-efeitos-do-storytelling-no-nosso-corpo-9b14338ce6ba?source=rss-1dd57bf822db------2</link>
            <guid isPermaLink="false">https://medium.com/p/9b14338ce6ba</guid>
            <category><![CDATA[neuroscience]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[storytelling]]></category>
            <dc:creator><![CDATA[Valquíria Alencar]]></dc:creator>
            <pubDate>Thu, 05 Jan 2023 19:35:47 GMT</pubDate>
            <atom:updated>2023-01-05T21:21:08.404Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*sPc8Nge7Csf8hBrq" /><figcaption>Photo by <a href="https://unsplash.com/@averey?utm_source=medium&amp;utm_medium=referral">Robina Weermeijer</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Quem me conhece sabe que eu trabalho com dados e que sou formada na área de biológicas. Então, hoje vou trazer uma conexão entre dois assuntos que eu curto muito: <em>Storytelling</em> e Neurociência. E pra começar bora entender o que é o <em>storytelling</em>?</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FcXblnKXr2BQOaYnTni%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FcXblnKXr2BQOaYnTni%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FcXblnKXr2BQOaYnTni%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="362" frameborder="0" scrolling="no"><a href="https://medium.com/media/9136326bdaa1f6d0d4d11e4be6796ef3/href">https://medium.com/media/9136326bdaa1f6d0d4d11e4be6796ef3/href</a></iframe><h3>O que é esse tal de Storytelling?</h3><p>Sabe aquele jogo de RPG Dungeon &amp; Dragons que aparece na série <em>Stranger Things </em>da Netflix<em>?</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*e-I6P2cZmC19zWMUHBd5gQ.png" /><figcaption><em>Imagem de uma cena da quarta temporada da série Stranger Things — Divulgação/Netflix</em></figcaption></figure><p>Se você já assistiu a série ou já jogou algum RPG de mesa você deve se lembrar que é necessário interpretar, incorporar e dar vida aos personagens seguindo regras. Quem dita essas regras é a pessoa narradora, também conhecida como mestre. O papel da pessoa que está narrando é conduzir o jogo, a medida que as outras pessoas que estão jogando interpretam seus personagens e tomam decisões, baseadas na maioria das vezes através de dados multifacetados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5W01MppTNueYpZBQ" /><figcaption>Imagem de dados multifacetados. Photo by <a href="https://unsplash.com/@armato?utm_source=medium&amp;utm_medium=referral">Alperen Yazgı</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Trazendo ainda mais a capacidade de <em>Storytelling</em> para o nosso dia-a-dia, certamente, você conhece ou já ouviu falar no S<em>treamer </em>Casimiro, <em>Simplesmente o rei do entretenimento…</em>Um dos vídeos mais vistos no canal dele no Youtube é o que ele conta sobre o dia em que saiu para comprar um novo iphone.</p><p>Pra quem nunca viu:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FMop-QwmO2Mw%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DMop-QwmO2Mw&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FMop-QwmO2Mw%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/20b422fbdac2b445c22c2d065844da02/href">https://medium.com/media/20b422fbdac2b445c22c2d065844da02/href</a></iframe><p>A narrativa acaba te prendendo muito e os 22 minutos de vídeo passam de forma muita rápida, por conta da descontração, animação e do suspense que ele cria para o desfecho da história.</p><p>Se nós pararmos para refletir nesse momento, vamos nos dar conta que a narrativa está presente em todos os tempos, em todos os lugares, em todas as sociedades. Inclusive, a narrativa começa com a própria história da humanidade. Desde as pinturas rudimentares nas cavernas até os dias de hoje.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*7NQNM1pJfU-Rk4X2" /><figcaption>Imagem de pinturas rudimentares. Photo by <a href="https://unsplash.com/@otaciliomaia?utm_source=medium&amp;utm_medium=referral">Otacilio Maia</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p><em>Storytelling</em> é isso: <strong>a arte de contar histórias</strong>! E quando estamos falando em <em>Data Science,</em> para contar uma história nós precisamos basicamente de três coisas: dados, uma narrativa e recursos visuais. A junção de tudo isso é um caminho efetivo para comunicar os <em>insights</em> obtidos nos nossos projetos.</p><p>Mas o que eu quero compartilhar com você hoje é que quando nós ouvimos boas histórias algumas partes do nosso cérebro são afetadas. Vamos explorar isso a seguir! 😉</p><h3>Os efeitos do Storytelling no nosso corpo</h3><h4>Acoplamento neural</h4><p>Quando uma história está sendo contada ocorre a ativação de partes do cérebro que permitem que quem esteja ouvindo consiga transformar a história em suas próprias ideias e experiências. É como se os cérebros estivessem conectados…</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2F3ogwGd01V1tiCpSMBG%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2F3ogwGd01V1tiCpSMBG%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2F3ogwGd01V1tiCpSMBG%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="244" frameborder="0" scrolling="no"><a href="https://medium.com/media/852998643e6511292ec91d7724491ecf/href">https://medium.com/media/852998643e6511292ec91d7724491ecf/href</a></iframe><p>No artigo <a href="https://www.pnas.org/doi/10.1073/pnas.1008662107"><em>Speaker–listener neural coupling underlies successful communication</em></a> de 2010, publicado na revista PNAS, temos um estudo de como isso acontece. Na imagem abaixo, retirada do artigo, nós temos a atividade neural de um par de pessoas, sendo uma delas a falante e outra a ouvinte durante uma narrativa. Em A temos a captura da gravação da narrativa e em B está o acoplamento neural falante-ouvinte, que foi avaliado através do uso de um modelo linear geral, no qual as séries temporais no cérebro da pessoa que estava falando são usadas para prever a atividade no cérebro da pessoa ouvinte. Esse estudo mostrou que a atividade da pessoa falante é espacial e temporalmente acoplada à atividade da ouvinte. Por conta disso esse acoplamento desaparece quando os participantes não conseguem se comunicar!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4Y8fe6SakZVeqh1gMc4EEg.png" /><figcaption>Atividade neural de um par falante-ouvinte durante a narrativa. <em>Fonte: </em><a href="https://www.pnas.org/doi/10.1073/pnas.1008662107"><em>https://www.pnas.org/doi/10.1073/pnas.1008662107</em></a></figcaption></figure><h4><strong>Liberação de neurotransmissores</strong></h4><p>Além disso, quando há uma carga emocional ocorre a liberação de um neurotransmissor chamado Dopamina.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XwZlSjd8YNXYlzNRK4W5kA.png" /><figcaption><em>Fórmula da Dopamina. Fonte: </em><a href="https://br.freepik.com/vetores-premium/carater-do-orgao-cerebral-e-formula-de-dopamina-no-balao-de-fala_15436441.htm"><em>https://br.freepik.com/vetores-premium/carater-do-orgao-cerebral-e-formula-de-dopamina-no-balao-de-fala_15436441.htm</em></a></figcaption></figure><p>A dopamina funciona como uma mensageira química que leva a informação de um neurônio para uma célula receptora. Ela possui várias funções e também influencia diretamente as nossas emoções. A liberação da dopamina faz com que o público consiga lembrar com maior precisão daquilo que foi falado.</p><blockquote>Estudos já mostraram, inclusive, que histórias que são pessoais e emocionalmente atraentes envolvem mais o cérebro e, portanto, são mais bem lembradas do que simplesmente declarar um conjunto de fatos.</blockquote><blockquote>Fonte: <a href="https://greatergood.berkeley.edu/article/item/how_stories_change_brain">https://greatergood.berkeley.edu/article/item/how_stories_change_brain</a></blockquote><h4>Mudança na concentração de hormônios</h4><p>Você sabia que ouvir uma sessão de contação de histórias pode reduzir os níveis de estresse e dor?! Um estudo recente feito por pesquisadores brasileiros mostrou o efeito tranquilizador da narrativa em crianças internadas na UTI.</p><p>No artigo <a href="https://www.pnas.org/doi/abs/10.1073/pnas.2018409118"><em>Storytelling increases oxytocin and positive emotions and decreases cortisol and pain in hospitalized children</em></a>, publicado em 2021 na revista PNAS, esses pesquisadores avaliaram dois hormônios: o cortisol, que é liberado em condições estressantes, preparando o corpo para enfrentar dificuldades; e a oxitocina, que é produzida em situações de aconchego e favorece a criação de vínculos afetivos com outras pessoas. A concentração de cortisol caiu e a de oxitocina subiu duas vezes mais entre as crianças que ouviram histórias.</p><h4><strong>A atividade do córtex </strong>cerebral</h4><p>Uma história que foi bem contada pode ativar regiões do cérebro como córtex motor, sensorial e frontal (<a href="https://neuroleadership.com/your-brain-at-work/the-neuroscience-of-storytelling/">Bauer, 2021</a>).</p><blockquote>O cérebro consiste em dois hemisférios cerebrais: a camada externa chamada córtex (substância cinzenta) e a camada interna (substância branca). Existem quatro lobos (partes) no córtex, o lobo frontal, lobo parietal, lobo temporal, lobo occipital e essas regiões estão ligadas a memória, tomadas de decisão, controle dos movimentos, reconhecimento espacial, percepção visual e diversas outras funções importantes <a href="https://www.ncbi.nlm.nih.gov/books/NBK538496/">(Jawabri &amp; Sharma, 2022)</a>.</blockquote><p>Então, não apenas as partes de processamento de linguagem em nosso cérebro são ativadas , mas qualquer outra área do nosso cérebro que usaríamos ao vivenciar os eventos da história também são ativadas. Por exemplo, detalhes sensoriais como a pessoa estar tão animada como se tivesse ganhado na mega-sena envolvem o córtex sensorial de uma pessoa que está ouvindo uma história. Enquanto isso, palavras de ação envolvem o córtex motor. Tudo isso faz com que a experiência seja mais conectada e deixa a mensagem mais rica. Ou seja, quanto mais a pessoa narradora transmitir informações em forma de história, mais próxima será a experiência e a compreensão de quem está ouvindo.</p><p>Os neurocientistas ainda estão debatendo sobre essas descobertas, mas nós sabemos por experiência própria que quando estamos ouvindo uma boa história (rica em detalhes e cheia de metáforas) nós tendemos a nos imaginar na mesma situação. Basta ouvir uma história de terro: O coração fica acelerado, você acaba se arrepiando...</p><p>Enquanto isso, as histórias contadas em um ambiente de negócios, como é o caso de nós que trabalhamos com dados, podem não ser tão dramáticas (ou arrepiantes), mas podem ser mais impactantes do que apenas dados. Então, no próximo artigo vou trazer alguns pontos importantes para você refletir quando for criar o seu próprio <em>Storytelling </em>com os seus dados.</p><p>Espero que você tenha curtido a parte biológica desse assunto tão maravilhoso.</p><p>Até mais! 💖</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FZfK4cXKJTTay1Ava29%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FZfK4cXKJTTay1Ava29%2Fgiphy.gif&amp;image=https%3A%2F%2Fmedia1.giphy.com%2Fmedia%2Fv1.Y2lkPTc5MGI3NjExZWIzZmpvYjB1OWhicWlwdno1a2w5ZGp3dGh2czhmcXh5bzJnaDh4byZlcD12MV9naWZzX2dpZklkJmN0PWc%2FZfK4cXKJTTay1Ava29%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="363" frameborder="0" scrolling="no"><a href="https://medium.com/media/f892eddc3ab20778d809b19a02adc81d/href">https://medium.com/media/f892eddc3ab20778d809b19a02adc81d/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9b14338ce6ba" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Time Series Forecasting: Prophet é mesmo um Profeta?]]></title>
            <link>https://valquiria-c-alencar.medium.com/time-series-forecasting-prophet-%C3%A9-mesmo-um-profeta-d3356f7b943f?source=rss-1dd57bf822db------2</link>
            <guid isPermaLink="false">https://medium.com/p/d3356f7b943f</guid>
            <category><![CDATA[prophet]]></category>
            <category><![CDATA[séries-temporais]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[timeseries]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Valquíria Alencar]]></dc:creator>
            <pubDate>Wed, 19 Oct 2022 21:04:33 GMT</pubDate>
            <atom:updated>2022-10-20T00:44:43.587Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rqUnrdw6S-YbPid1I2APJg.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@obviouslyarthur?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Arthur Ogleznev</a> on <a href="https://unsplash.com/s/photos/crystal-ball?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>Olá, pessoal! Recentemente eu e o Allan Spadini escrevemos o livro <em>Séries temporais com Prophet: Análise e previsão de dados com Python. </em>O livro foi publicado pela editora Casa do Código e está disponível nas versões impressa e E-book em: <a href="https://www.casadocodigo.com.br/products/livro-series-temporais-prophet">https://www.casadocodigo.com.br/products/livro-series-temporais-prophet</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/341/0*tSYeq4x2piBZXtZx" /><figcaption>Capa do livro 🥰</figcaption></figure><p>Na capa do livro temos uma bola de cristal e um gráfico de linhas dentro dela indicando algum valor que está caindo e subindo. Por que essa bolinha de cristal? Bom, nesse livro nós discutimos sobre uma biblioteca utilizada na área de Dados, chamada <em>Prophet </em>(que quer dizer Profeta em português). Essa biblioteca pode ser implementada nas linguagens R ou Python e permite a previsão séries temporais.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F22585288&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fcat-wow-shock-drama-ohhh-gif-22585288&amp;image=https%3A%2F%2Fmedia.tenor.com%2FEzhaAaZfTjYAAAAM%2Fcat-wow.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/c0439a46f49ed9358701f4630e532457/href">https://medium.com/media/c0439a46f49ed9358701f4630e532457/href</a></iframe><h3>O que são séries temporais e por que são importantes?</h3><p>Mas antes de tudo vamos entender o que são séries temporais! Pensei em vários exemplos:</p><ul><li>Medições diárias da temperatura média de cidade;</li><li>O número de vendas mensais de uma loja;</li><li>O número de casos diários de COVID-19;</li><li>O número de pessoas vacinadas a cada dia em determinada cidade;</li><li>O preço diário da gasolina;</li><li>Preço diário de fechamento de uma ação da bolsa de valores;</li><li>Lucro líquido mensal de uma empresa;</li><li>Um exame de eletrocardiograma.</li></ul><blockquote><strong>Sim! Até um exame que avalia a atividade elétrica do coração por meio de eletrodos fixados na pele</strong> (onde temos dados coletados em milisegundos)</blockquote><p>Com esses exemplos podemos concluir que quando nós temos dados coletados <strong>sequencialmente ao longo do tempo</strong> em uma determinada <strong>frequência</strong>, nós temos o que chamamos de<strong> Série temporal</strong>!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F17202806&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fcat-changing-the-clock-changing-the-time-kitty-cat-cute-gif-17202806&amp;image=https%3A%2F%2Fmedia.tenor.com%2Fyz_7VcX0WjYAAAAd%2Fcat-changing-the-clock-changing-the-time.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/ea1a4fa6e9fcff31b4aca96ceb648ec6/href">https://medium.com/media/ea1a4fa6e9fcff31b4aca96ceb648ec6/href</a></iframe><p>Essa frequência pode ser:</p><ul><li>em segundos, minutos, horas (Ex: o valor das ações na bolsa de valores)</li><li>mensal, trimestral, anual (Ex: faturamento de uma empresa)</li><li>diário, semanal (Ex: número de acessos em um site)</li></ul><p>Quando nós estudamos uma série temporal, podemos estar interessados em descrever o comportamento das séries, identificando a tendência e sazonalidade (Mais adiante vou falar sobre isso!!!) e em fazer previsões dos valores…</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F13145942&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fcat-mouse-computer-on-workaholic-gif-13145942&amp;image=https%3A%2F%2Fmedia.tenor.com%2FlDoAH0dehbIAAAAC%2Fcat-mouse.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/d353be96d1f42043c1558e153208724c/href">https://medium.com/media/d353be96d1f42043c1558e153208724c/href</a></iframe><p>Mas qual a importância de prever valores? As previsões podem ser extremamente importantes na tomada de decisões estratégicas em uma empresa e em outras áreas.</p><p>A previsão é uma tarefa comum de ciência de dados que auxilia no planejamento, estabelecimento de metas e até mesmo na detecção de anomalias.</p><blockquote>detecção de anomalias: identificação de um valor atípico raro ou de um ponto de dados fora das tendências de um conjunto de dados.</blockquote><p>No caso da saúde, por exemplo, ter uma ideia do número de casos de COVID-19 pode impulsionar estratégias de contenção e possíveis intervenções para controlar a propagação da doença.</p><p>Mesmo que as previsões não sejam uma certeza, saber quais resultados são mais prováveis de acontecerem é bastante útil.</p><h3>Do que são feitas as séries temporais?</h3><p>Quando nós analisamos uma série temporal podemos quebrá-la em partes, conhecidas como componentes:</p><ul><li><strong>Tendência:</strong> É a variação da série temporal ao longo do tempo, sendo o padrão de crescimento/descrecimento da variável em um certo período de tempo.</li><li><strong>Sazonalidade:</strong> É a variação que ocorre em períodos de tempo específicos. Por exemplo, no caso de uma série temporal que tenha as temperaturas de uma cidade ao longo do ano: nós sabemos que temos as estações do ano e que isso vai interferir nas temperaturas. Com isso, temos um “padrão” com temperaturas mais altas em uma época do ano e mais baixas em outro período. Se pensarmos no setor de vendas, vamos nos lembrar que em alguns períodos do ano temos mais vendas. Isso envolve datas especiais, como dia dos namorados, dia das mães, dia dos pais, dias das crianças, black friday, natal…Portanto, nestes períodos temos picos de vendas maiores.</li></ul><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F17363302&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fgift-pet-cat-surprise-cute-gif-17363302&amp;image=https%3A%2F%2Fmedia.tenor.com%2FrK444L09ZB8AAAAM%2Fgift-pet.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/68d5ac3594a7d06fb2ef19a8f33383cb/href">https://medium.com/media/68d5ac3594a7d06fb2ef19a8f33383cb/href</a></iframe><ul><li><strong>Ciclo:</strong> São períodos cíclicos ou sazonais, não necessariamente associados a um período de tempo, que acontecem de vez em quando. Inclusive, estamos <em>“em pleno 2022, ano da tecnologia, ano da copa do mundo, ano da eleição…”</em> Temos esses dois ciclos marcantes neste ano, que só vão se repetir daqui alguns anos. Em um ano de copa do mundo o pessoal está atrás de camiseta da seleção, álbum de figurinha, corneta, vuvuzela…Até nas eleições a gente vê isso: se você for no comércio vai ter toalha de candidato x, y…O que impulsiona o comércio.</li></ul><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F11995341&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fbrazilian-brazilian-pride-world-cup-soccer-gif-11995341&amp;image=https%3A%2F%2Fmedia.tenor.com%2FQfNmD4n2SPcAAAAC%2Fbrazilian-brazilian-pride.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/18db03efaefa6f90ffd4e3b84c7a36ac/href">https://medium.com/media/18db03efaefa6f90ffd4e3b84c7a36ac/href</a></iframe><ul><li><strong>Resíduo:</strong> o que sobra da série ao remover a tendência e a sazonalidade.</li></ul><h3>Quais são os maiores problemas na hora de trabalhar com séries temporais?</h3><p>As etapas necessárias para realizar previsões, com os modelos comumente utilizados, podem dar bastante trabalho. Ainda mais se você não dominar tanto estatística (Bora estudar hein pessoal?! )</p><p>Além disso, alguns dados podem ser difíceis de trabalhar, pois nós não podemos controlar os fatores externos e tudo isso influencia na tendência e sazonalidade. Lembro de um projeto que fiz com dados de COVID-19 aqui do Brasil, onde a série temporal possuía alguns picos, devido às ondas com alto número de casos e óbitos e isso dificultou muito as análises.</p><p>Nesse sentido, o Prophet pode ser muito útil por possuir uma curva de aprendizagem simples e por ter a possibilidade de alterar diversos hiperparâmetros, permitindo um melhor ajuste dos dados ao modelo de previsão.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F15282660&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Ffriends-naruto-thumbs-up-wink-anime-gif-15282660&amp;image=https%3A%2F%2Fmedia.tenor.com%2FczN_60CE7UcAAAAC%2Ffriends-naruto.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/74e7fb5a99426fdf1e75ced18483ed49/href">https://medium.com/media/74e7fb5a99426fdf1e75ced18483ed49/href</a></iframe><h3>Que tipos de modelos são utilizados pelo Prophet?</h3><p>Essencialmente, o Prophet é um modelo de regressão aditiva. Isso significa que o modelo é simplesmente a soma de vários componentes <strong>(opcionais)</strong>, como os seguintes:</p><ul><li>Uma curva de tendência de crescimento linear ou logístico;</li><li>Uma curva de sazonalidade anual;</li><li>Uma curva de sazonalidade semanal;</li><li>Uma curva de sazonalidade diária;</li><li>Feriados e outros eventos especiais;</li><li>Curvas de sazonalidade adicionais especificadas pelo usuário.</li></ul><p>Então, a série usa o termo g para modelar a tendência, o s para as mudanças periódicas e o h para efeitos específicos, como: feriados. O termo de erro e representa informações que não foram refletidas no modelo e, geralmente, é modelado como ruído distribuído normalmente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/692/0*8zJtgVEBZ07lf8ye.png" /><figcaption>Equação do modelo</figcaption></figure><p>O modelo aditivo tem maior aderência a séries temporais com tendência linear, ao passo que o modelo multiplicativo se ajusta melhor quando a tendência tem um comportamento exponencial.</p><h3>Como o Prophet se compara com outras ferramentas de previsão de dados?</h3><p>O Prophet é mais simples de utilizar. Em poucas linhas de código você consegue obter as previsões, realizar validação cruzada e obter métricas de performance.</p><p>Acredito que uma das principais vantagens do Prophet sobre outros modelos é sua interpretabilidade e a possibilidade de alterar parâmetros. Isso permite ajuste de flexibilidade, especificação de pontos de quebra, adição dos feriados e eventos especiais de maneira simples. A proposta do Prophet é justamente gerar um modelo com parâmetros interpretáveis que podem ser ajustados intuitivamente por quem está analisando os dados.</p><p>Além disso, uma grande vantagem em relação aos modelos autorregressivos (por exemplo, ARIMA) é que o Prophet não requer séries temporais estacionárias: um componente de tendência é gerado nativamente.</p><blockquote>Sim, existem séries temporais que são estacionárias! Uma série é <strong>estacionária</strong> quando suas características estatísticas permanecem inalteradas ao longo do tempo. Uma série estacionária avança no tempo de forma aleatória, em torno de uma <strong>média/variância constante</strong>.</blockquote><blockquote>Enquanto isso, séries que apresentam <strong>tendência</strong> (de crescimento ou decrescimento) ou <strong>sazonalidade</strong> <strong>não são estacionárias</strong>, pois a <strong>média não permanece constante</strong> em diferentes janelas de tempo.</blockquote><blockquote>Para avaliar a estacionariedade de uma série temporal podemos usar o olhometro 👀 , mas em alguns casos em que não é tão evidente é importante utilizar o teste de <strong>Dickey-Fuller</strong>.</blockquote><p>Mas e como é a performance do Prophet comparada a outros modelos?Já li vários artigos que comparam o Prophet com os modelos. Um artigo publicado em 2022, sobre previsão de lesões no trânsito no nordeste da China, o modelo LSTM (baseado em rede neural) teve a maior precisão de previsão, seguido pelo modelo Prophet, e o modelo SARIMA teve a menor precisão de previsão.</p><blockquote><a href="https://www.frontiersin.org/articles/10.3389/fpubh.2022.946563/full">The comparative analysis of SARIMA, Facebook Prophet, and LSTM for road traffic injury prediction in Northeast China</a></blockquote><p>Falando em redes neurais, em 2021 também foi lançado o NeuralProphet. O NeuralProphet preenche a lacuna entre os modelos tradicionais de séries temporais e os métodos de aprendizado profundo, baseado em PyTorch! Não cheguei a testar, mas se você tiver curiosidade: <a href="https://ai.facebook.com/blog/neuralprophet-the-neural-evolution-of-facebooks-prophet/">NeuralProphet: The neural evolution of Meta’s Prophet</a>. Acredito que ele seja mais útil quando seus dados não são distribuídos normalmente e/ou quando seus dados são mais complexos.</p><p>E o Prophet é usado mesmo por aí? Andei pesquisando esses dias do ResearchGate e tem bastante coisa! Desde preço das ações e bitcoin, até casos de covid-19, taxa de criminalidade, predição da qualidade do ar…</p><blockquote><a href="https://www.researchgate.net/search/publication?q=facebook%20prophet">https://www.researchgate.net/search/publication?q=facebook%20prophet</a></blockquote><h3>Preciso dominar Python para aprender Prophet?</h3><p>Por fim, nós escrevemos o livro utilizando a linguagem Python. Mas você precisa dominá-la pra usar o Prophet? Eu diria que não precisa ter um conhecimento avançado, pois no livro tudo é feito passo-a-passo. Além disso, todos os códigos foram desenvolvidos em um ambiente muito amigável de trabalhar: O Google Colaboratory. Caso você domine a linguagem R basta dar uma conferida na documentação do Prophet.</p><p>Inclusive, para checar a documentação: <a href="https://facebook.github.io/prophet/">https://facebook.github.io/prophet/</a></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F16717139&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Flittle-white-cat-cat-white-cat-kitten-kitty-gif-16717139&amp;image=https%3A%2F%2Fmedia.tenor.com%2FIvadVoTF21QAAAAC%2Flittle-white-cat-cat.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/ae9297bc5a536c6c7e1048db7d98cb92/href">https://medium.com/media/ae9297bc5a536c6c7e1048db7d98cb92/href</a></iframe><h3>Conclusão</h3><p>Nenhuma previsão vai te entregar 100% de certeza, mas pode ser muito útil para entender o que pode acontecer com os seus dados daqui a um tempo.</p><p>O Prophet se mostra uma ferramenta poderosa e prática, até mesmo para quem não tem conhecimento tão profundo em <em>Time Series Forecasting</em>.</p><p>Então, bora testar a ferramenta, explorar os hiperparâmetros e avaliar os resultados!!!</p><p>Se você não acompanhou a Live de lançamento do livro, vou deixar aqui. Foi um bate-papo muito bacana sobre o tema comigo, o Allan e o Dani Siqueira (da Escola Dados da Alura).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FTxW89EqHOnk%3Fstart%3D3036%26feature%3Doembed%26start%3D3036&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DTxW89EqHOnk&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FTxW89EqHOnk%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/c2cad8f15d5ba119ad421066bc6c8414/href">https://medium.com/media/c2cad8f15d5ba119ad421066bc6c8414/href</a></iframe><p>Muito obrigada pela leitura! Qualquer dúvida mande nos comentários ou pode chamar lá no <a href="https://www.linkedin.com/in/valquiria-alencar/">LinkedIn</a>.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F25847566&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fgoodbye-bye-bye-cat-bye-bye-gif-25847566&amp;image=https%3A%2F%2Fmedia.tenor.com%2F5UrK7rSTuscAAAAF%2Fgoodbye-bye-bye.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/b1b17a8c26ed33e3ee21491b16f846c7/href">https://medium.com/media/b1b17a8c26ed33e3ee21491b16f846c7/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d3356f7b943f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como migrar para Tecnologia?]]></title>
            <link>https://valquiria-c-alencar.medium.com/como-migrar-para-tecnologia-f4c4c787df0e?source=rss-1dd57bf822db------2</link>
            <guid isPermaLink="false">https://medium.com/p/f4c4c787df0e</guid>
            <category><![CDATA[programação]]></category>
            <category><![CDATA[tecnologia]]></category>
            <category><![CDATA[carreira]]></category>
            <category><![CDATA[migração-de-carreira]]></category>
            <dc:creator><![CDATA[Valquíria Alencar]]></dc:creator>
            <pubDate>Wed, 14 Sep 2022 21:13:47 GMT</pubDate>
            <atom:updated>2022-09-14T21:27:12.081Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HNMLEqKJmLF4Gb8iUfHcQQ.jpeg" /><figcaption>Imagem de Emile Perron, obtida no Unsplash.</figcaption></figure><p>Em julho do ano passado eu escrevi um artigo <a href="https://medium.com/@valquiria-c-alencar/por-que-decidi-estudar-data-science-fefaf5a7abb6">aqui</a> contando o porquê de eu ter decidido estudar <em>Data Science</em>. De lá pra cá muita coisa aconteceu… Inclusive, fazia um tempão que eu não escrevia nada aqui, mas estou ON agora!🔥</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F25565526&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fcasimiro-caze-caz%25C3%25A9-casimiro-dan%25C3%25A7ando-dancing-gif-25565526&amp;image=https%3A%2F%2Fc.tenor.com%2FaolR5WuBJk8AAAAM%2Fcasimiro-caze.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/94aa657f4142bef973426431d1c583bb/href">https://medium.com/media/94aa657f4142bef973426431d1c583bb/href</a></iframe><p>E se você ainda não me conhece, vou resumir brevemente minha história antes de migrar para tecnologia:</p><blockquote>Eu sou formada em biologia. Fiz mestrado e doutorado em Biotecnologia e desenvolvi um pós-doutorado por quase 4 anos na área de biologia molecular. Comecei a estudar programação por conta própria e depois fui me especializando em Data Science após participar de uma imersão e um Bootcamp de Data Science da <a href="https://www.alura.com.br/">Alura</a> 🎲.</blockquote><p>Mês passado fez 1 aninho que estou trabalhando como docente no ensino superior no Grupo Alura, na área de dados.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F23597442&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fcasimiro-caze-furacao2000-funk-gif-23597442&amp;image=https%3A%2F%2Fc.tenor.com%2FtYHR8VS1p-gAAAAC%2Fcasimiro-caze.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/9d5e056f3bdaf0f6a0b8a6b9a9c52355/href">https://medium.com/media/9d5e056f3bdaf0f6a0b8a6b9a9c52355/href</a></iframe><p>Nesse 1 ano tanta coisa rolou… Produção de conteúdos de graduação e pós-graduação, gravação de disciplinas e até um livro veio aí! Sim!!! Eu e meu chefe (o querido Allan Spadini) escrevemos e publicamos um livro sobre um assunto que eu amo demais: Séries Temporais.</p><p><a href="https://www.casadocodigo.com.br/products/livro-series-temporais-prophet">Livro de Séries temporais com Prophet - Casa do Código</a></p><blockquote>(Momento publi!). Sim! Eu meti essa kkkk</blockquote><p>No decorrer desse processo todo vi muitas pessoas ao meu redor mudando de área. Também, tenho amigos e amigas querendo fazer a transição para tecnologia. Já recebi muitas mensagens de pessoas me perguntando dicas, etc. Então, hoje eu vim aqui trazer essas informações! São coisas que funcionaram comigo e que podem te ajudar. Vamos lá:</p><p><strong>1 — Decidir a área que você quer migrar</strong></p><p>Bom, temos muitas áreas dentro da tecnologia: Front-end, Back-end, UX design, Devops, Data Science…</p><p>Vou deixar um artigo aqui explicando sobre algumas áreas de tecnologia:</p><p><a href="https://www.alura.com.br/artigos/carreira-em-ti-quais-os-profissionais-mais-requisitados-no-brasil">Carreira em TI: quais os profissionais mais requisitados no Brasil? | Alura</a></p><p>Você deve começar ponderando sobre aquilo que você tem mais afinidade. Eu sempre fui curiosa demais por descobrir as coisas, analisá-las e tirar algum <em>insight</em> sobre as minhas descobertas… Tanto é que trabalhei como Cientista por quase 14 anos antes de migrar para <em>Data Science</em>.</p><p>Beleza! Depois que você sabe o que tem mais a ver com você, é legal pesquisar a fundo sobre as áreas e todas as suas possibilidades de atuação. Em <em>Data Science</em>, por exemplo, você pode se especializar como uma pessoa engenheira de dados, analista de dados, cientista de dados, engenheira de machine learning etc.</p><blockquote>Você pode até fazer aquelas listinhas de prós e contras de cada uma das áreas.</blockquote><p>Pare um pouquinho e pense aí: Quais são as habilidades e as competências que você tem? Isso pode ser um fator decisivo quando você tiver insegurança entre o que escolher.</p><p>Além disso, é importante analisar como está o mercado para a área desejada. Eu lembro que quando decidi querer estudar biologia foi por paixão, sabe? Na época eu era muito nova e nem me questionei sobre: qual é a média salarial? Como o mercado está? Vai ser fácil conseguir um emprego? 😑</p><p>E é claro: converse com pessoas que já atuam na área! Pergunte como é o dia-a-dia, como são as demandas…</p><p><strong>2 — Networking com pessoas da área</strong></p><p>Falando em conversar com pessoas da área, ampliar o networking é tudo, viu?! O LinkedIn permite que você se conecte com muitas pessoas que atuam na área. Aproveite para tocar figurinhas com essa galera!</p><p><strong>3— Invista na sua qualificação</strong></p><p>Estudar é fundamental e você pode escolher, simplesmente, bons cursos livres:</p><ul><li>Na plataforma da Alura temos trilhas com formações em várias áreas: <a href="https://www.alura.com.br/">https://www.alura.com.br/</a></li><li>Na FIAP há vários cursos gratuitos, através da plataforma <strong>Eu capacito</strong>: <a href="https://www.fiap.com.br/2022/06/06/fiap-disponibilza-20-cursos-gratuitos-nas-areas-de-tecnologia-e-negocios/">https://www.fiap.com.br/2022/06/06/fiap-disponibilza-20-cursos-gratuitos-nas-areas-de-tecnologia-e-negocios/</a></li></ul><p>Sobre cursos livres gratuitos eu comentei sobre alguns, nesse artigo aqui:</p><p><a href="https://valquiria-c-alencar.medium.com/olha-olha-passando-em-sua-tela-o-post-sobre-cursos-e-eventos-gr%C3%A1tis-para-%C3%A1rea-de-data-science-2edab8351b72">Olha, Olha… passando em sua tela o post sobre cursos e eventos grátis, para área de Data Science</a></p><p>Se você quiser pode optar por uma segunda graduação ou fazer uma pós-graduação.</p><blockquote>Esteja preparado para sempre estudar! Em tech sempre surge algo novo e você fica em constante atualização.</blockquote><p>Já recebi muitas perguntas do tipo: “Sou da área de humanas/biológicas. Isso me impede de conseguir uma vaga em tecnologia?”.</p><p>Não, gente! não impede!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F24727152&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fcasimito-gif-24727152&amp;image=https%3A%2F%2Fc.tenor.com%2FoCz0wrvlN7gAAAAd%2Fcasimito.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/605efdcf38bb407722e5e91dbf8b7226/href">https://medium.com/media/605efdcf38bb407722e5e91dbf8b7226/href</a></iframe><p>O que os recrutadores querem saber mesmo é se você sabe fazer as coisas… E como você vai mostrar que sabe fazer? É aí que entra o famoso <strong>portfólio</strong>! E a gente já vai falar dele tá?!</p><p>Antes disso só vou contar que a primeira seleção que eu participei era para uma vaga júnior para Engenharia de dados. Na época eu ainda era muito insegura para me candidatar às vagas, mas criei coragem e fui! No dia da entrevista foi super tranquilo e tive que explicar o que sabia fazer, falei dos projetos que eu já tinha publicado no meu GitHub.</p><p>Resultado: eu passei na vaga!</p><p>Então, na moral, não fiquem receosos…</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F21221054&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fcasimiro-gif-21221054&amp;image=https%3A%2F%2Fc.tenor.com%2FFoWlOt_78VcAAAAC%2Fcasimiro.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/f51e10753a3b135a86a6722538cf2935/href">https://medium.com/media/f51e10753a3b135a86a6722538cf2935/href</a></iframe><p>Bora falar do portfólio?</p><p><strong>4 — Crie o seu portfólio</strong></p><p>O portfólio é uma forma de mostrar o que você sabe fazer! Aqui você inclui os seus projetos. Aqueles que você desenvolveu em cursos ou projetos que você mesmo(a) criou. Pode conter artigos, seus certificados…enfim bota tudo o que você saber fazer e fez!</p><p>Esse portfólio pode ser construído no seu próprio LinkedIn. Lá você consegue adicionar seções com diversas informações como experiência, formação, licenças e certificados, competências, publicações, projetos, etc.</p><p>Também dá para o pessoal recomendar suas competências e/ou escrever recomendação sobre você. Essa parte das recomendações me lembra muito aqueles depoimentos da época do Orkut 😅 kkkk.</p><p>Uma dica importante sobre LinkedIn: Sabe esse cabeçalho que aparece abaixo do seu nome?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/603/1*Zn9O1lR5znyRbmhE7gecUQ.png" /></figure><p>É aqui que você coloca as palavras que vão ajudar as pessoas encontrarem você lá! Então, capricha no cabeçalho e coloque os termos que você está se especializando. 😉</p><p>Vou deixar minha página do LinkedIn como exemplo:</p><p><a href="https://www.linkedin.com/in/valquiria-alencar/">https://www.linkedin.com/in/valquiria-alencar/</a></p><p>Outro lugar interessante para isso é o GitHub, pois na página inicial você pode deixar as informações sobre você e linkar lá tudo o que você já produziu.</p><p>Vou deixar meu GitHub aqui também para exemplificar isso:</p><p><a href="https://github.com/vqrca">vqrca - Overview</a></p><p>Além disso, a minha amiga Sthe gravou um vídeo ótimo no canal dela do YouTube sobre o assunto:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F6Odjg9RWswk&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D6Odjg9RWswk&amp;image=http%3A%2F%2Fi.ytimg.com%2Fvi%2F6Odjg9RWswk%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/703eb132d5efdf36606efff37349083a/href">https://medium.com/media/703eb132d5efdf36606efff37349083a/href</a></iframe><p>Ela fez um portfólio sobre <em>Data Science</em> no <a href="https://www.notion.so/">Notion</a>, mas você pode aplicar para outra área. Isso aqui esquece, né? Tá falando da elite! A elite do portfólio.</p><blockquote>Se você não conhece o Notion: deveria conhecer! É uma ferramenta perfeita para organização pessoal e profissional. Eu costumo falar que existe vida antes e após Notion…</blockquote><p>O modelo do Notion da Sthe é esse aqui:</p><p><a href="https://lnkd.in/dhUq2whR">Portfolio Sthefanie</a></p><p>Você pode clicar em duplicar no canto superior direito e criar o seu portfólio a partir dele. Após criar é só compartilhar o link!!! 🚀</p><p><strong>5— Se planeje e se prepare para um possível <em>downgrade</em></strong></p><p>Se você quer migrar de área, você pode passar um tempo apenas se especializando. É claro: caso você tem uma boa reserva financeira para isso. Caso contrário: continue estudando nos tempos que você tiver disponibilidade.</p><p>E é importante estar preparado para o fato de que você pode começar a ganhar menos do que ganha na sua profissão atual, pois certamente você vai começar em uma posição inicial como Júnior ou Pleno.</p><p>Isso é normal, já que você estará iniciando uma nova carreira! No meu caso foi diferente, pois eu era bióloga e bolsista CAPES. Então, ganhar menos seria pouco provável kkkk.</p><p>Mas é isso pessoal! Não desanimem…Todas vezes que eu comentava sobre vagas com os meus amigos que também estavam estudando <em>Data Science</em> surgia essa gif nas conversas:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Ftenor.com%2Fembed%2F14133463&amp;display_name=Tenor&amp;url=https%3A%2F%2Ftenor.com%2Fview%2Fvem-a%25C3%25AD-smile-adelia-gif-14133463&amp;image=https%3A%2F%2Fc.tenor.com%2FGyn3WQhpjzsAAAAC%2Fvem-a%25C3%25AD-smile.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=tenor" width="600" height="400" frameborder="0" scrolling="no"><a href="https://medium.com/media/0e253595d41d4e886edef1443f39dea3/href">https://medium.com/media/0e253595d41d4e886edef1443f39dea3/href</a></iframe><p>E, realmente, veio aí! Se você tiver alguma dúvida não deixa de escrever aí nos comentários.</p><p>Foi bom ter voltado aqui 💖</p><p>Até mais!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f4c4c787df0e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Machine Learning na Saúde: Prevendo a Necessidade de Internação em Leitos de UTI Durante a Pandemia…]]></title>
            <link>https://valquiria-c-alencar.medium.com/machine-learning-na-sa%C3%BAde-prevendo-a-necessidade-de-interna%C3%A7%C3%A3o-em-leitos-de-uti-durante-a-pandemia-c7c274a623b6?source=rss-1dd57bf822db------2</link>
            <guid isPermaLink="false">https://medium.com/p/c7c274a623b6</guid>
            <category><![CDATA[covid19]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[bootcamp]]></category>
            <category><![CDATA[alura]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Valquíria Alencar]]></dc:creator>
            <pubDate>Sun, 08 Aug 2021 19:52:10 GMT</pubDate>
            <atom:updated>2021-08-08T20:10:15.132Z</atom:updated>
            <content:encoded><![CDATA[<h3>Machine Learning na Saúde: Prevendo a Necessidade de Internação em Leitos de UTI Durante a Pandemia de COVID-19</h3><p>Projeto final do Bootcamp de Data Science Aplicada da <a href="https://www.alura.com.br/">Alura</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*KulitkDTsz-r6JA1YwSXWQ.png" /></figure><p>Após 12 semanas muito intensas o Bootcamp chegou ao final e um projeto final de Machine Learning foi realizado!!!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FsSnN2QaBF222cP25j9%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FsSnN2QaBF222cP25j9%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FsSnN2QaBF222cP25j9%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="362" frameborder="0" scrolling="no"><a href="https://medium.com/media/8793c9ce948330b865d53deb5ed736c1/href">https://medium.com/media/8793c9ce948330b865d53deb5ed736c1/href</a></iframe><p>Se você quiser conferir tudo o que foi feito e olhar os códigos o projeto foi inserido em um repositório do meu GitHub: basta clicar <a href="https://github.com/vqrca/bootcamp_alura_projeto_final">aqui</a>!</p><p>Dentro deste repositório eu disponibilizei 3 Notebooks:</p><p>🧹 <a href="https://github.com/vqrca/bootcamp_alura_projeto_final/blob/main/Notebooks/Valquiria_Alencar_Projeto_final_Limpeza.ipynb">Notebook da Limpeza dos Dados</a></p><p>🤿<a href="https://github.com/vqrca/bootcamp_alura_projeto_final/blob/main/Notebooks/Valquiria_Alencar_Projeto_final_An%C3%A1lise_Explorat%C3%B3ria_Features.ipynb"> Notebook da Análise Exploratória dos Dados</a></p><p>🔮 <a href="https://github.com/vqrca/bootcamp_alura_projeto_final/blob/main/Notebooks/Valqu%C3%ADria_Alencar_Projeto_final_ML.ipynb">Notebook das Previsões com Machine Learning</a></p><h3><strong>Contexto</strong></h3><p>Com sua rápida disseminação, a COVID-19 criou uma forte demanda por hospitais e leitos nas UTIs (Unidades de Terapia Intensiva). Esta maior necessidade de recursos hospitalares levou ao colapso dos sistemas de saúde em todo o mundo, o que pode ter contribuído para as maiores taxas de mortalidade relatadas. Em países com sistemas de saúde já sobrecarregados, como é o caso do Brasil, não havia recursos suficientes de equipamentos médicos, medicamentos e pessoal treinado para lidar com o aumento no número de pacientes com COVID-19 que precisavam de suporte hospitalar.</p><p>Pensando nisso, o Hospital Sírio Libanês disponibilizou um dataset no <a href="https://www.kaggle.com/S%C3%ADrio-Libanes/covid19">Kaggle</a>, contendo informações sobre vários pacientes, com os seguintes objetivos:</p><ul><li><strong>Prever admissão na UTI de casos confirmados de COVID-19</strong>, com base nos dados disponíveis, para fornecer aos hospitais terciários e trimestrais a resposta mais precisa, para que os recursos da UTI possam ser arranjados ou a transferência do paciente possa ser agendada.</li><li><strong>Prever NÃO admissão à UTI de casos COVID-19 confirmados</strong>, para fornecer aos hospitais locais e temporários uma resposta boa o suficiente, para que os médicos de linha de frente possam dar alta com segurança e acompanhar remotamente esses pacientes.</li></ul><h3>Métodos</h3><h3>Coleta dos dados 🎲</h3><p>Os dados utilizados neste projeto foram obtidos da base de dados da COVID-19, disponibilizada pelo Hospital Sírio Libanês no <a href="https://www.kaggle.com/S%C3%ADrio-Libanes/covid19">Kaggle</a>, e foram armazenados na pasta <a href="https://github.com/vqrca/bootcamp_alura_projeto_final/blob/main/Data/Kaggle_Sirio_Libanes_ICU_Prediction.xlsx">Data</a> do meu repositório do GitHub.</p><blockquote><em>Após, a etapa de limpeza dos dados, o arquivo final foi salvo na pasta </em><a href="https://github.com/vqrca/bootcamp_alura_projeto_final/tree/main/Data/Clean"><em>Clean</em></a><em> deste repositório.</em></blockquote><p>Nesta base de dados encontramos diversos tipos de informações que foram separadas em 4 grupos:</p><ul><li><strong>Informações demográficas: </strong>3 variáveis do tipo categórica;</li><li><strong>Doenças pré-existentes : </strong>9 variáveis do tipo categórica;</li><li><strong>Resultados do exame de sangue:</strong> 36 variáveis, do tipo contínua: quando necessário, expandidas em média, mediana, max, min, diff(max-min) e diff relativa (diff/mediana);</li><li><strong>Sinais vitais: </strong>6 variáveis do tipo contínua: quando necessário, expandidas em média, mediana, max, min, diff(max-min) e diff relativa (diff/mediana)</li><li>Neste dataset também temos algumas janelas de tempo na coluna denominada como <strong>WINDOW</strong>, onde os pacientes foram agregados por janelas em ordem cronológica, que contam a história do paciente após a admissão no hospital:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/336/1*ZXeX-DMcXpbS8H1Umr5JKw.png" /></figure><ul><li>No dataset também temos uma coluna denominada<strong> ICU</strong>, que corresponde à entrada ou não do paciente na UTI, onde:</li></ul><p><strong>0: indica que o paciente não foi para UTI</strong></p><p><strong>1: indica que o paciente foi para UTI</strong></p><p>Então, foi um critérios obrigatórios neste projeto: não utilizar os dados quando o paciente deu entrada na UTI: ICU = 1, na primeira janela (0–2 horas), pois não sabemos se os dados dos exames de sangue foram coletados antes ou depois do paciente ter sido encaminhado para UTI.</p><p>Além disso, somente a janela de <strong>0–2 horas</strong> foi utilizada, já que quanto mais cedo a previsão for feita é melhor, tornando-se clinicamente mais relevante.</p><p>Após a importação das bibliotecas e dos dados, as seguintes etapas foram realizadas:</p><ul><li>Limpeza dos Dados</li><li>Análise Exploratória</li><li>Análise de Modelos de Machine Learning</li></ul><h3>Limpeza dos Dados 🧹</h3><p>As seguintes etapas foram realizadas:</p><ol><li><strong>Preenchimento das células vazias das variáveis contínuas</strong>: As células com dados nulos que vão da coluna 13 até até a antepenúltima coluna, que correspondem aos resultados de exames de sangue e sinais vitais, foram preenchidas utilizando o método fillna.</li><li><strong>Remoção dos pacientes que deram entrada no hospital e foram para a UTI na primeira janela (0–2)</strong>. Esses dados não contribuem para nosso modelo, pois não sabemos se os dados coletados nessa janela refletem valores de exames feitos antes ou depois do paciente ter dado entrada na UTI.</li><li><strong>Manter apenas os dados referentes à janela 0–2 de cada paciente</strong>, pois quanto mais cedo a previsão for realizada é melhor para o hospital. Dessa maneira, caso o paciente tenha ido para UTI em qualquer uma das janelas posteriores, o “ICU” = 1 foi aplicado e caso o paciente não tenha ido para UTI nas janelas posteriores, o “ICU” se manteve = 0.</li><li><strong>Remoção dos dados nulos que não foram preenchidos nas variáveis categóricas</strong></li><li><strong>Remoção das colunas </strong><strong>PATIENT_VISIT_IDENTIFIER e </strong><strong>WINDOW</strong>, pois não são necessárias para testar os modelos:</li><li><strong>Transformação dos dados da coluna AGE_PERCENTIL em números inteiros</strong></li></ol><p><strong>7. Remoção das colunas altamente correlacionadas</strong>, para dar maior fluidez na hora de testar os modelos de Machine Learning e evitar problemas de <em>Overfitting</em>.</p><p>Após estas etapas o <em>dataset</em> final ficou assim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*Pn-obbkIvV6IV5IMq5PsGA.png" /></figure><h3>Análise de Modelos de Machine Learning 🔮</h3><p>Após definir X como todas as 98 colunas contendo as variáveis categóricas e contínuas e Y como a coluna <strong>ICU</strong>, que é a coluna que queremos prever, o conjunto de dados foi dividido em treinamento e teste e a biblioteca <strong><em>LazyPredict</em> foi utilizada para identificar quais seriam os melhores classificadores possíveis para esses dados:</strong></p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/3ce6292a61d434e8204f888875d35335/href">https://medium.com/media/3ce6292a61d434e8204f888875d35335/href</a></iframe><p>A tabela abaixo mostra o <em>output</em> do LazyClassifier, onde 29 modelos foram obtidos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/695/1*hFbhkr1nqmhfK52efYdUVw.png" /></figure><ul><li>Após testar todos os classificadores disponíveis na biblioteca <em>LazyClassifier</em>, vemos que aquele com <strong>maior valor de acurácia</strong> foi o <strong>XGBClassifier</strong>.</li><li>Em seguida, eu testei três classificadores, que apresentaram maiores valores Accuracy, Balanced Accuracy, ROC AUC e F1 Score:</li><li>XGBClassifier</li><li>ExtraTreesClassifier</li><li>LogisticRegression</li></ul><blockquote>Além disso, também testei o RandomForestClassifier, que não apresentou um bom desempenho nessa análise, mas que trouxe resultados melhores nas aulas.</blockquote><ul><li>Os <strong>classificadores que apresentaram melhor desempenho</strong> foram estudados individualmente, passando por <strong>análises de métricas e <em>Cross-Validation</em></strong>.</li></ul><blockquote>Quando separamos os dados para Treino e Teste, o efeito de aleatoriedade é muito grande. Então, a escolha do algoritmo passa a ter um nível de incerteza um pouco maior. Portanto, é ideal fazer a divisão dos dados de uma forma mais estratégica, utilizando o Cross-Validation. Usando essa abordagem o conjunto de dados é dividido em várias partes. A cada momento uma parte desses dados será utilizada como teste e o restante como treino, garantindo que todos os dados sejam testados e treinados</blockquote><ul><li>Dois classificadores se mostraram mais adequados: <strong><em>XGBClassifier</em></strong> e <strong><em>RandomForestClassifier</em></strong>, e a partir deles os hiperparâmetros foram testados, através do <strong><em>GridSearchCV</em></strong>.</li></ul><p>No modelo <em>XGBClassifier</em> os seguintes hiperparâmetros foram selecionados pelo GridSearchCV,:</p><ul><li>colsample_bytree: 0.6</li><li>gamma: 1</li><li>max_depth: 4</li><li>min_child_weight: 1</li><li>subsample: 1.0</li></ul><p>Os hiperparâmetros foram modificados após alguns testes e o modelo final ficou com esses parâmetros:</p><p>XGBClassifier(learning_rate=0.02, colsample_bytree=0.6, gamma=1, max_depth=6, min_child_weight=1, subsample = 1.0)</p><ul><li>O <strong>modelo escolhido</strong>, por apresentar as melhores métricas, após o ajuste de hiperparâmetros, foi o <strong><em>XGBClassifier</em></strong>.</li><li>O modelo apresentou, nos dados de teste, <strong>83.10% de acurácia </strong>. Portanto, <strong>se o paciente realmente precisa de UTI, o modelo tem 82% de chance de acertar</strong>. Enquanto isso, <strong>no caso do paciente não necessitar de internação em leito de UTI o modelo acerta em 84%</strong>. Abaixo podemos ver a matriz de confusão que mostra esses resultados:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/506/1*jjLXpXBHzlaH348wnv4c3g.png" /><figcaption>Matriz de confusão normalizada do modelo <em>XGBClassifier, </em>que teve o melhores resultados nas métricas</figcaption></figure><p>Após analisar o <em>Classification Report</em> desse modelo, é possível observar que:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/506/1*CduKYl7JvVd9EZHwRtBxXg.png" /></figure><ul><li>Para valores iguais a 0 (pacientes que não precisam de UTI), possuímos uma precisão de 79% e para valores iguais a 1 (pacientes que precisam de UTI) a precisão é de 83%.</li></ul><blockquote>Essa métrica mostra quantos positivos (VP e FP) estão corretos, para ter certeza do que estamos acertando. É ótima para ser analisada quando o falso positivo é pior que o falso negativo.</blockquote><ul><li>O <em>Recall</em> apresentou um desempenho ótimo para valores iguais a 0 (de 87%) e de 73% para valores iguais a 1.</li></ul><blockquote>O <em>Recall</em> mostra a proporção dos Verdadeiros Positivos entre todas as observações que realmente são positivas no seu conjunto de dados. É uma métrica que apresenta maior sensibilidade e representa a capacidade de um modelo em prever a classe positiva.</blockquote><ul><li>O <em>F1 score</em> nos mostra uma média harmônica entre precisão e recall. Para 0, apresentou 82% e para 1 apresentou 77%.</li></ul><blockquote>Pelo F1 é possível ver se a precisão ou recall estão muito baixos.</blockquote><ul><li>O AUC desse modelo foi de 0.84, sendo um bom resultado. Abaixo vemos a curva ROC do modelo:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/586/1*kox97C5bi141UsLpA67Kmg.png" /></figure><blockquote>A pontuação ROC AUC é extremamente útil, pois mostra o quão bom é o seu modelo nas previsões de classificação. Ele informa qual é a probabilidade de uma instância positiva escolhida aleatoriamente ter uma classificação mais alta do que uma instância negativa escolhida aleatoriamente. É um gráfico que visualiza a compensação entre a taxa de verdadeiro positivo (TPR) e a taxa de falso positivo (FPR). Basicamente, para cada limite, calculamos TPR e FPR e os plotamos em um gráfico. Obviamente, quanto maior o TPR e o menor FPR para cada limite, melhor e, portanto, os classificadores que têm curvas mais no canto superior esquerdo são melhores. Quanto mais alto o valor de AUC (Area Under the Curve), que é a área que está abaixo da curva ROC: melhor está a performance do modelo.</blockquote><h3>Conclusões</h3><ul><li>Entre as <em>features</em> que os modelos mais deram importância, podemos destacar: LEUKOCYTES_MEDIAN, PCR_MEDIAN, CALCIUM_MEDIAN e AGE_PERCENTIL. A <em>feature</em> LEUKOCYTES_MEDIAN foi uma das principais em três dos quatro modelos testados.</li></ul><blockquote>O aumento da contagem total de leucócitos e contagem diferencial de neutrófilos foi mais comumente observado em pacientes com COVID-19 grave (<a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7103893/">Yuan <em>et al.,</em> 2020</a>; <a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7605785/">Anurag <em>et al.,</em> 2020</a>).</blockquote><blockquote>A quantidade de vírus que pode ser encontrada através da análise de PCR afeta diretamente o processo inflamatório agudo que ocorre em diferentes tecidos, especialmente os tecidos dos pulmões, vasos sanguíneos e rins, o que contribui para a deterioração do estado do paciente (<a href="https://pubmed.ncbi.nlm.nih.gov/32319439">Martini <em>et al.,</em> 2020</a>).</blockquote><blockquote>Estudos realizados por <a href="https://portlandpress.com/bioscirep/article/40/12/BSR20202690/227080/Low-serum-calcium-a-new-important-indicator-of#3174684">Zhou <em>et al.,</em> 2020</a>, mostraram que o equilíbrio de cálcio é um golpe primário de COVID-19 e um biomarcador de gravidade clínica no início do início dos sintomas. O cálcio está intimamente associado a lesões em múltiplos órgãos associadas ao aumento de citocinas inflamatórias.</blockquote><blockquote>Em pacientes com COVID-19, a idade tem sido apontada como um importante fator de risco para doença mais grave e mortalidade (<a href="https://linkinghub.elsevier.com/retrieve/pii/S0140673620305663">Zou <em>et al.,</em> 2020</a>).</blockquote><ul><li>Diversos trabalhos têm mostrado que o uso do modelo XGBClassifier traz bons resultados, já que ele possui um algoritmo de árvore impulsionada, para construir o modelo. Sendo assim, esse modelo pode controlar o overfitting seguindo o princípio do aumento de gradiente e usando a formalização de modelo mais regularizado, o que lhe confere um desempenho aprimorado. Esse modelo foi projetado para portabilidade, desempenho e eficiência, o que o torna um método de aprendizado de máquina de última geração para dados tabulares (<a href="https://projecteuclid.org/journals/annals-of-statistics/volume-29/issue-5/Greedy-function-approximation-A-gradient-boostingmachine/10.1214/aos/1013203451.full">Friedman, 2001</a> , <a href="https://arxiv.org/pdf/1603.02754.pdf">Chen &amp; Guestrin, 2016</a> , <a href="https://www.techscience.com/cmc/v69n2/43880">Ezz <em>et al.,</em> 2021</a>).</li><li>Estudos anteriores realizados por<a href="https://www.techscience.com/cmc/v69n2/43880"> Ezz e colaboradores (2021)</a> com o mesmo dataset utilizado neste trabalho e com o mesmo modelo (XGBClassifier), porém empregando os dados coletados nas primeiras 12 horas em quatro estágios de acordo com janelas de tempo, mostraram que na primeira janela (0–2 horas) o modelo o atingiu uma AUC de 0.73 e conforme as análises foram feitas nas janelas seguintes, foi observado que o desempenho do modelo melhora, atingindo valores de AUCs de 0.92 (janela de 2–4 horas), 0.95 (janela de 4–6 horas) e 0.97 (janela de 6–12 horas). <strong>Desse modo, vemos que o pré-processamento e hiperparâmetros definidos aqui geraram com esse mesmo modelo um AUC de 0.84 na janela inicial (0–2 horas), o que é algo relevante e que pode ser ainda melhorado utilizando essas janelas seguintes</strong>.</li></ul><h3>Considerações finais</h3><ul><li>Será imprescindível tentar melhorar ainda mais estes resultados, tentando utilizar as janelas seguintes à janela inicial de 0–2 horas.</li><li>Os valores de acertos para falsos negativos e falsos positivos precisam ser melhorados, pois é extremamente ruim, por exemplo, não conceder o leito de UTI para alguém que precisa, mas que foi marcado como falso negativo.</li><li>Por último, ferramentas como essa, após possuírem alta sensibilidade e desempenho na classificação, precisam ser difundidas para definir qual a necessidade de leitos de UTI nos hospitais, não só para o COVID-19, mas quem sabe para outras doenças — aumentando a excelência no planejamento de recursos e o nível de atendimento ao paciente.</li></ul><h3>Para finalizar gostaria de deixar meus agradecimentos…</h3><p>Esse Bootcamp mudou a minha vida e me deu o desejo de reinventar a minha carreira. Foi durante ele que surgiram oportunidades profissionais para migração de área. Sem dúvidas, hoje uma das minhas maiores alegrias é ter entrado no mundo dos Dados.</p><p>Gostaria de deixar meu agradecimento a todos os instrutores do Bootcamp: Thiago Gonçalves, Guilherme Silveira, Allan Spadini e Karoline Penteado. Vocês foram incríveis e trouxeram conteúdos maravilhosos, sempre de forma didática.</p><p>Aos amigos que fiz nesse Bootcamp e que levarei para vida: Os <em>Bootcampers</em> Carolina Dias e Junior Torres.</p><p>Ao Glaudemias Grangeiro, o nosso Rei dos mapas, com quem eu tive muitas discussões sobre os projetos.</p><p>Ao João Vitor pelos cafezinhos e por nos dar dicas valiosas sobre como melhorar as apresentações.</p><p>Ao pessoal do ScubaTeam e do Discord, que em todos esses meses tiraram dúvidas, trouxeram discussões e ideias muito interessantes</p><p>E é claro, obrigada por terem acreditado no meu potencial e pela bolsa de estudos para esse Bootcamp! ❤️</p><p>E obrigada a você que passou aqui pra ler ❤️</p><p>Em breve novas publicações sobre o mundo dos dados… 🎲</p><p>Até mais!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FfnmerxK1EDEpwpA8xU%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FfnmerxK1EDEpwpA8xU%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FfnmerxK1EDEpwpA8xU%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="183" frameborder="0" scrolling="no"><a href="https://medium.com/media/1010d0bcb2bd548bec04a8658e102932/href">https://medium.com/media/1010d0bcb2bd548bec04a8658e102932/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c7c274a623b6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Prophet para previsões de séries temporais com dados da Pandemia de COVID-19 no Brasil]]></title>
            <link>https://valquiria-c-alencar.medium.com/prophet-para-previs%C3%B5es-de-s%C3%A9ries-temporais-com-dados-da-pandemia-de-covid-19-no-brasil-fefbc0d385cc?source=rss-1dd57bf822db------2</link>
            <guid isPermaLink="false">https://medium.com/p/fefbc0d385cc</guid>
            <category><![CDATA[pandemia]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[covid19]]></category>
            <category><![CDATA[prophet]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Valquíria Alencar]]></dc:creator>
            <pubDate>Fri, 02 Jul 2021 23:19:27 GMT</pubDate>
            <atom:updated>2021-07-07T01:35:39.742Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*s_IK0AnV5BxTiEz_wefU-g.png" /></figure><p>Saiu mais um projeto do Bootcamp de Data Science da <a href="https://www.alura.com.br/">Alura</a>!🥰</p><p>Neste projeto apliquei os conhecimentos obtidos no módulo 3. Então, todo arcabouço teórico adquirido até aqui foi aplicado para o entendimento das nuances envolvendo as séries temporais, utilizando a biblioteca <a href="https://facebook.github.io/prophet/"><em>Prophet</em></a><em>, </em>desenvolvida pelo Facebook.</p><p>E pra começar: o que são séries temporais???</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FpObTScL9KCpU3eNI9k%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FpObTScL9KCpU3eNI9k%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FpObTScL9KCpU3eNI9k%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="190" frameborder="0" scrolling="no"><a href="https://medium.com/media/07c46fc4858f8bdb25aefa6a49d16804/href">https://medium.com/media/07c46fc4858f8bdb25aefa6a49d16804/href</a></iframe><blockquote>Uma série temporal é uma sequência de dados ordenados de forma cronológica. Quando analisamos séries temporais, o objetivo é explorar o comportamento passado e também de prever o comportamento futuro em um determinado problema…</blockquote><p>Nesse contexto, o objetivo desse projeto foi fazer previsões sobre o número de casos e óbitos diários, causados pelo novo coronavírus SARS-CoV-2, em Manaus.</p><p>Mas por que Manaus, Valquíria??? 🤔</p><p>Bom, essa motivação veio do <a href="https://github.com/vqrca/bootcamp_alura_projeto_1">meu primeiro projeto</a>, feito nesse Bootcamp, onde eu fiz algumas análises sobre a evolução das taxas de mortalidade aqui no Brasil. Essas análises mostraram que a taxa de mortalidade dobrou no Amazonas em 2021 (apresentando uma taxa de mortalidade de 10,82), quando comparada a 2020 (taxa de 5,46), consequentemente se tornando o Estado com maior taxa de mortalidade do país.</p><blockquote>O dataset utilizado nessas análises anteriores foi obtido no <a href="http://tabnet.datasus.gov.br/cgi/tabcgi.exe?sih/cnv/qiuf.def">Tabnet</a> em junho de 2021, e nesse período os dados disponíveis eram de 2007 a março de 2021.</blockquote><p>O gráfico abaixo foi obtido com esses dados:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/771/1*muZxXoJ4-LLl5XpyYZtFMA.png" /><figcaption>Gráfico evidenciando o aumento nas taxas de mortalidade no Amazonas (em vermelho), quando comparado aos outros Estados (em cinza), no período de 2007 a março de 2021.</figcaption></figure><p>Agora vamos ao projeto atual…</p><h3>Dados</h3><p>Os dados utilizados neste projeto foram obtidos do <a href="https://brasil.io/dataset/covid19/caso_full/">Brasil.io</a>, um banco de dados que disponibiliza dados acerca dos casos e óbitos de SARS-CoV-2 no Brasil todo.</p><p>Eu escolhi o <em>dataset</em>: <strong>caso_full</strong>, que possui os dados para todos os municípios do país.</p><p>O arquivo <em>.csv</em> desse <em>dataset</em> foi salvo no dia 18/06/21 e pode ser encontrado no <a href="https://drive.google.com/drive/folders/1skKBY8LjHj0tL7vk_nZfAQuZ-2G0cDZz">Google Drive</a>.</p><h3>Análises</h3><p>Antes de iniciar as previsões fiz algumas análises preliminares. Essas análises mostraram que a pandemia de COVID-19 no Amazonas é, até o momento, caracterizada por dois picos: a primeira onda começou em março de 2020 e atingiu o pico por volta do início de maio de 2020, quando o número de casos diminuiu e então permaneceu praticamente estável de junho a novembro de 2020. Porém, em meados de dezembro o número de casos começou a crescer exponencialmente, configurando a segunda onda da pandemia, como podemos visualizar abaixo no gráfico, que apresenta as médias de casos diários notificados:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/762/1*KhNizC3zl20qwFJ3ch7e4w.png" /><figcaption>Média de casos diários notificados, causados por SARS-CoV-2, no Amazonas. A linha azul é a média para todos os municípios do Amazonas e a faixa mais clara representa na parte superior o máximo de casos e na parte inferior o número mínimo de casos.</figcaption></figure><p>A mesma situação é observada quando analisamos a média de óbitos diários notificados no Amazonas:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/766/1*IPqFfc2gHLBrpexJVYoYuQ.png" /><figcaption>Média de óbitos diários notificados, causados por SARS-CoV-2, no Amazonas. A linha vermelha é a média para todos os municípios do Amazonas e a faixa mais clara representa na parte superior o máximo de óbitos e na parte inferior o número mínimo de óbitos.</figcaption></figure><p>Estudos indicam que o aumento de casos e óbitos foram impulsionados por uma combinação de diminuições das medidas de distanciamento social e pelo surgimento de uma forma mais transmissível do vírus, a variante P.1, identificada em novembro de 2020. Essa variante causou um aumento exponencial da doença, o que estabeleceu a segunda onda da pandemia no estado.</p><p>Agora vamos ver uma comparação de Novos Casos x Novos Óbitos em Manaus:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/810/1*ePVQYVSuxZXYOvYsQXtvvg.png" /><figcaption>Casos diários X Óbitos diários em Manaus. Em vermelho estão os óbitos diários e em azul estão os casos diários.</figcaption></figure><p>Quando comparamos os casos (<em>em azul</em>) e óbitos diários (<em>em vermelho</em>), vemos que os dados não se alinham totalmente, pois em casos graves, após a pessoa ser contaminada pode levar alguns dias até que o óbito aconteça. Além disso, vemos que assim como os casos, <strong>os óbitos possuem duas ondas bem evidentes e há dois picos altos em setembro e outubro de 2020</strong>. Após verificar informações a respeito, encontrei matérias em alguns sites sobre a reclassificação de óbitos por COVID-19 em Manaus, que correspondem com esses picos. Essa reclassificação ocorreu, pois óbitos que ocorreram entre meses de abril e maio haviam sido registrados como SRAG (Síndrome respiratória aguda grave) de causa não especificada. Provavelmente, esses óbitos reclassificados foram incluídos nas datas: 2020–09–02 e 2020–10–01.</p><p>Quando analisei as médias móveis de casos e óbitos em Manaus, notei que houve uma diminuição e estabilização para casos e óbitos, após abril de 2021. O que, certamente, deve ser <strong>reflexo da vacinação</strong>, que foi iniciada em Janeiro de 2021 e segundo informações da secretaria municipal de saúde de Manaus: em maio de 2021, mais de 250 mil pessoas já estavam com o ciclo de imunização completo em Manaus.</p><blockquote>A média móvel nos permite analisar se o número de casos confirmados e o número de óbitos causados pela COVID-19 na última semana tem aumentado ou diminuído, de acordo com o mesmo intervalo de tempo das semanas anteriores. Ou seja, a média móvel é calculada somando-se o número de casos ou óbitos de cada um dos sete dias anteriores e dividindo esse resultado por 7 (que é o número de dias considerado)</blockquote><p>Aqui podemos ver esses gráficos de média móvel:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*fyCgUNvFqFx98tBP_KxfnQ.png" /><figcaption>Média móvel de casos diários notificados, causados por SARS-CoV-2, em Manaus.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/871/1*Vv5Wxz-9xEzUT4EY2eSJAw.png" /><figcaption>Média móvel de óbitos diários notificados, causados por SARS-CoV-2, em Manaus.</figcaption></figure><p><strong>Bom, e como esse tal de Prophet funciona pra fazer previsões hein?!</strong></p><p>A biblioteca Prophet é usada para criar modelos onde a série é ajustada considerando características não estacionárias, como tendência e sazonalidade.</p><p>O modelo ajustado pelo Prophet é do tipo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/377/1*WpXijn_MGEELNb-LxjTWxw.png" /></figure><p>Neste caso, a série usa o termo <strong>g</strong> para modelar a tendência, o <strong>s</strong> para as mudanças periódicas e o <strong>h</strong> para efeitos específicos, como: feriados. A tendência pode ser modelada como uma equação de reta. Por fim, o <strong>ϵ</strong> representa informações que não foram refletidas no modelo.</p><p>Já, a parte sazonal, utiliza série de Fourier:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/477/1*hyt9av06q_MzccZN4n7Itg.png" /></figure><p>Nesse caso P é igual a 365,25 no caso de sazonalidade anual. As séries de Fourier são uma combinação de funções seno e cosseno, que conseguem modelar os efeitos sazonais com períodos e fases diferentes.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FWS6Bo8J41q1HQXxyDv%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FWS6Bo8J41q1HQXxyDv%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FWS6Bo8J41q1HQXxyDv%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="190" frameborder="0" scrolling="no"><a href="https://medium.com/media/bcd2fed6d2ea541d7ef46f81e202a8ce/href">https://medium.com/media/bcd2fed6d2ea541d7ef46f81e202a8ce/href</a></iframe><p><strong>E quais dados entram na previsão???</strong></p><p>Quando usamos o Prophet, precisamos definir <strong>ds</strong> e <strong>y</strong>:</p><ul><li><strong>ds</strong>: é a coluna dos dados que contém as <strong>datas</strong></li><li><strong>y</strong>: é a coluna com os <strong>dados que vamos querer prever</strong>. No caso desse projeto será a coluna<em> ‘new_confirmed’</em> para prever novos casos e a coluna<em> ‘new_deaths’</em> para novos óbitos.</li></ul><p>Além disso, quando estamos fazendo previsões, para saber se o nosso modelo está bom, precisamos fazer algo importante: Separar os dados em treino e teste!</p><p>Geralmente, quando separamos os dados em treino e teste, usamos 70% para treino e o restante para teste. Porém, no meu caso como temos aquele pico enorme, da segunda onda da Pandemia em Manaus, optei por usar mais que 70% dos dados para treino. Portanto, os 400 dados iniciais foram treinados.</p><p>Abaixo, mostro o código para separar os dados e definir <strong>ds</strong> e <strong>y</strong>:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/29ddabdf5f7dea6a46860c81ec3d6cc2/href">https://medium.com/media/29ddabdf5f7dea6a46860c81ec3d6cc2/href</a></iframe><p>Depois que você define quais serão os seus dados e o que você vai prever é só treinar o modelo e fazer as previsões.</p><p>Eu falei ‘só’ mas, na verdade, dá um certo trabalho 😅…pois você precisa deixar os dados ajustadinhos na curva de tendência e pra isso há uma série de parâmetros para serem estudados e testados.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2Fd95vrmh0COeqtp89xW%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2Fd95vrmh0COeqtp89xW%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2Fd95vrmh0COeqtp89xW%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="183" frameborder="0" scrolling="no"><a href="https://medium.com/media/c7db26e06305359663734ec27af61d1f/href">https://medium.com/media/c7db26e06305359663734ec27af61d1f/href</a></iframe><p>Após realizar as previsões com o Prophet, tanto para novos casos quanto para novos óbitos, consegui obter modelos com curvas bem ajustadas e com dados de teste aderidos à curva. Ambos os modelos, mostram uma tendência de queda para os próximos meses.</p><p>Vou mostrar os modelos ajustados antes e depois da alteração de alguns parâmetros, para vocês notarem a diferença:</p><p><strong>Modelo de Previsão para Novos Casos (Antes de alterar os parâmetros):</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/1*zcQqqFKiLkLaogfnwyXmvQ.png" /><figcaption>Modelo de previsão ajustado, sem alterar parâmetros, para Novos Casos — Os pontos em preto são os nossos dados reais de treino. O modelo ajustado é a curva em azul escuro e há uma região azul mais clara que é o nosso intervalo de confiança. Os pontos em vermelhos são os dados de teste.</figcaption></figure><p>A divisão entre treino e teste é de extrema importância, para saber se o modelo está bom. Vemos que a maioria do pontos vermelhos (do teste) estão próximos ao ajuste. Porém, mais ajustes precisam ser realizados, pois os pontos precisam estar mais aderentes à curva. Além disso há uma grande quantidade de <em>Outliers</em>, que são esses pontos fora do modelo.</p><p><strong>Modelo de Previsão para Novos Casos (Após alterar os parâmetros):</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/863/1*OQcaFE_7PCrVYoaOxciQog.png" /><figcaption>Modelo de previsão ajustado, após remoção de outliers e com parâmetros alterados, para Novos Casos — Os pontos em preto são os nossos dados reais de treino. O modelo ajustado é a curva em azul escuro e temos valores para frente, que foram previstos para 60 dias. Há uma região azul mais clara que é o nosso intervalo de confiança. Os pontos em vermelhos são os dados de teste.</figcaption></figure><p>Agora temos poucos <em>outliers, </em>os dados de teste estão dentro do intervalo de confiança e a maioria deles está aderida ao modelo.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2F1YuBJLQooc6NFmn3N5%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2F1YuBJLQooc6NFmn3N5%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2F1YuBJLQooc6NFmn3N5%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="183" frameborder="0" scrolling="no"><a href="https://medium.com/media/7fc1623663a36efe2314491ff8110190/href">https://medium.com/media/7fc1623663a36efe2314491ff8110190/href</a></iframe><p>Vamos ver os resultados para Novos Óbitos:</p><p><strong>Modelo de Previsão para Novos Óbitos (Antes de alterar os parâmetros):</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/859/1*iWZlbXe7j8bnKZmxNgcZ5Q.png" /><figcaption>Modelo de previsão ajustado, sem alterar parâmetros, para Novos Óbitos — Os pontos em preto são os nossos dados reais de treino. O modelo ajustado é a curva em azul escuro e há uma região azul mais clara que é o nosso intervalo de confiança. Os pontos em vermelhos são os dados de teste.</figcaption></figure><p>Esse modelo, a princípio, ficou ainda pior que o modelo inicial para novos casos. Além da grande quantidade de <em>Outliers</em>, a maioria dos dados de teste nem entrou dentro do intervalo de confiança.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FKDVd5MYb6CkTpjfVZ7%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FKDVd5MYb6CkTpjfVZ7%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FKDVd5MYb6CkTpjfVZ7%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="191" frameborder="0" scrolling="no"><a href="https://medium.com/media/2eb910aaa44faed18d21c5d98cb30fe6/href">https://medium.com/media/2eb910aaa44faed18d21c5d98cb30fe6/href</a></iframe><p><strong>Modelo de Previsão para Novos Óbitos (Após alterar os parâmetros):</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/1*C2O3aqxXJM4_NEVYX-68CQ.png" /><figcaption>Modelo de previsão ajustado, após remoção de outliers e com parâmetros alterados, para Novos Óbitos — Os pontos em preto são os nossos dados reais de treino. O modelo ajustado é a curva em azul escuro e temos valores para frente, que foram previstos para 60 dias. Há uma região azul mais clara que é o nosso intervalo de confiança. Os pontos em vermelhos são os dados de teste.</figcaption></figure><p>Ufa! Agora temos poucos <em>outliers </em>e os dados de teste estão dentro do intervalo de confiança e a maioria deles está aderida ao modelo.</p><p>Observando essas previsões, vemos que quando testamos períodos mais longos, o intervalo de confiança tende a aumentar cada vez mais. No caso das previsões feitas neste projeto, a curva de tendência indica que os números de novos casos e novos óbitos poderão se manter baixos nos próximos dois meses. Porém, quando pensamos em séries temporais o esperado seria encontrar uma sazonalidade constante e não foi isso que vimos nestes dados de Manaus. Em Manaus, observamos essa segunda onda catastrófica, que poderia ter sido evitada, mas uma série de fatores nos trouxeram essa triste realidade de vários óbitos causados pela COVID-19:</p><ul><li>Falha do governo em assumir a liderança e responsabilidade no desenvolvimento de estratégias coerentes destinadas à prevenção da transmissão do vírus;</li><li>Descoordenação das políticas e ações entre os níveis nacional e estados/municípios, comprometendo as capacidades de mobilizar recursos essenciais para o enfrentamento da pandemia;</li><li>Desvalorização de medidas preventivas e de tratamentos baseados na ciência e estímulo generalizado para a adoção de tratamentos sem comprovação científica;</li><li>Demora nas decisões e ações necessárias para garantia de estoque de insumos (equipamentos de UTI e proteção, medicamentos e vacinas);</li><li>E é claro: a criação de um clima de descrédito e desconfiança na população em temas relacionados ao uso de máscaras e ao conjunto de medidas de distanciamento físico e social, bem como às vacinas, minando os esforços de enfrentamento e respostas.</li></ul><p>E como eu consegui ajustar essas previsões?</p><blockquote>Todas as etapas do processo e códigos podem ser encontradas no meu notebook que está disponível no <a href="https://github.com/vqrca/bootcamp_alura_projeto_3">GitHub</a></blockquote><ul><li>Criei uma lista com todos os feriados nacionais, estaduais (Amazonas) e do município Manaus;</li><li>Removi os <em>outliers </em>(que são todos os pontos que ficam fora da curva);</li><li>Então, fiz uma série de testes de como conseguir ajustar os dados e cheguei nos seguintes parâmetros finais:</li></ul><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0b652fd8c02c17db42829694f9ea590d/href">https://medium.com/media/0b652fd8c02c17db42829694f9ea590d/href</a></iframe><blockquote>Quando ajustei o modelo para Novos óbitos um changepoint_range=0.92 me trouxe um melhor resultado, porém para Novos casos eu mantive em 0.90.</blockquote><p>Vamos entender o que é cada parâmetro:</p><ul><li><strong>n_changepoints:</strong> Este é o número de<em> changepoints</em> colocados automaticamente. O padrão de 25 deve ser suficiente para capturar as mudanças de tendência em uma série temporal típica. Em vez de aumentar ou diminuir o número de pontos de mudança, provavelmente será mais eficaz se concentrar em aumentar ou diminuir a flexibilidade nessas mudanças de tendência, o que é feito com <strong>changepoint_prior_scale</strong>.</li></ul><blockquote><strong><em>Change points</em></strong><em> </em>são variações abruptas nos dados da série temporal.</blockquote><ul><li><strong>changepoint_range: </strong>Esta é a proporção em que a tendência pode mudar. O <em>default </em>desse parâmetro é 0.8, (80%), o que significa que o modelo não se ajustará a nenhuma mudança de tendência nos últimos 20% da série temporal. Isso é bastante conservador, para evitar <em>overfitting</em> nas mudanças de tendência no final da série temporal, onde não há pista suficiente para se encaixar bem. Isso é algo que pode ser identificado visualmente com bastante facilidade: pode-se ver claramente se a previsão está indo mal nos últimos 20%. Porém, acabei ajustando para 0.90 (nos Novos Casos) e para 0.92 (nos Novos óbitos), pois devido ao pico de segunda onda da pandemia, a curva não estava se ajustando bem apenas com o valor default de 0.8.</li><li><strong>changepoint_prior_scale:</strong> Este é provavelmente o parâmetro mais impactante. Ele determina a flexibilidade da tendência e, em particular, o quanto a tendência muda nos pontos de mudança de tendência. O <em>default</em> desse parâmetro é de 0.05 e isso funciona para muitas séries temporais, porém ajustei para 0.1.</li><li><strong>seasonality_mode:</strong> As opções são [‘<em>additive</em>’ ou ‘<em>multiplicative</em>’]. O <em>default</em> é ‘aditivo’, mas muitas séries temporais terão sazonalidade multiplicativa. Isso é melhor identificado apenas olhando para a série temporal e verificando se a magnitude das flutuações sazonais cresce com a magnitude da série temporal. No meu caso, a sazonalidade multiplicativa gerou resultados melhores.</li></ul><blockquote>Entendendo o conceito de sazonalidade aditiva e multiplicativa:</blockquote><blockquote>- <strong>Aditiva:</strong> quando a série apresenta flutuações sazonais mais ou menos constantes, não importando o nível global da série.</blockquote><blockquote>- <strong>Multiplicativa:</strong> quando o tamanho das flutuações sazonais variam dependendo do nível global da série.</blockquote><ul><li><strong>holidays: </strong>para passar em um DataFrame de feriados especificados.</li><li><strong>weekly_seasonality:</strong> 7 dias</li><li><strong>periods: </strong>é o número de dias de previsão</li></ul><h4><strong>Análise dos Componentes:</strong></h4><p>Quando geramos as previsões com Prophet, podemos analisar um gráfico que mostra a Tendência, o efeito dos feriados e como os dados se comportam na semana, conforme vemos no gráfico abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/703/1*sXQ6gbYQneY1h6p3WYU4tQ.png" /><figcaption>Análise dos componentes</figcaption></figure><p>Em <em>trend</em> vemos que há uma tendência de queda da previsão. Além disso, em <em>holidays</em> (que são aqueles feriados que eu comentei que adicionei), podemos perceber que há uma baixa nos casos e óbitos notificados, quando os dias úteis se tornam feriados. Finalmente, em<em> weekly</em>, vemos que aos domingos e segundas há uma diminuição da notificação dos casos e óbitos. Esses dados da Pandemia aos domingos, segundas e feriados, costumam ser menores devido a atrasos de notificação nas secretarias da saúde, que nesses dias, trabalham com menos profissionais, em esquema de plantão.</p><blockquote>Para gerar esses gráficos bastar dar o comando: <strong>modelo.plot_components(previsao)</strong>, após ter feito a previsão.</blockquote><h4>E como sei que o modelo está bom?</h4><p>Bom, depois de alterar os parâmetros do nosso modelo, podemos analisar o ajuste dos dados usando o <a href="https://scikit-learn.org/stable/modules/model_evaluation.html"><em>Scikit-learn</em></a>, que possibilita o uso de Métricas e pontuação para quantificar a qualidade das previsões. Nos meus modelos, por exemplo, utilizei as métricas:</p><ul><li>mean_absolute_error</li><li>median_absolute_error</li><li>r2_score</li></ul><p>Cheguei a comparar os resultados delas entre as sazonalidades aditiva e multiplicativa, e em todos os casos os resultados foram melhores na sazonalidade multiplicativa.</p><p><strong>Além disso, é importante fazer a <em>Cross-Validation!!!</em></strong></p><p>Quando vamos validar nosso modelo separamos os dados em treino, validação e teste. Os dados de treino são os que o modelo vai usar para se ajustar. Os de validação são os o que vamos usar para calcular a performance do modelo enquanto alterarmos variáveis como os hiperparâmetros.</p><p>A etapa de separação dos dados pode nos gerar uma limitação, pois vamos validar nossos dados apenas uma vez, já que não podemos prever dados que estavam no conjunto de dados de treino.</p><p>Para resolver isso surgiu a técnica <em>Cross-Validation</em> (CV), que cria mais possibilidades de validação do nosso modelo com a mesma quantidade de dados que tínhamos antes.</p><p><strong>Para criar o dataframe de validação cruzada:</strong></p><p>O critério para essa divisão será definido através de alguns parâmetros:</p><ul><li>o primeiro é o initial, que define a porção inicial de dados que serão usados para o treinamento;</li><li>outro parâmetro de atenção é o horizon que é o horizonte: o tamanho da previsão que será feita;</li><li>o seguinte é o period, onde definimos de quanto em quanto tempo um novo horizonte será previsto.</li></ul><p>Utilizei os seguintes critérios para fazer o <em>Cross-Validation</em> dos meus dados:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/dee4d5b2ff17d121ada5681ee3c0ff51/href">https://medium.com/media/dee4d5b2ff17d121ada5681ee3c0ff51/href</a></iframe><blockquote>Ou seja: eu defini o parâmetro initial como 180 dias. Isso significa que o primeiro grupo será treinando com 180 dias dos dados disponíveis. O parâmetro period com 30 dias, indicando as divisões dos grupos será de 30 em 30 dias. Já o último é o parâmetro horizon que também é de 30 dias, indicando que o modelo de cada grupo fará a previsão para 30 dias.</blockquote><p>Algumas métricas são calculadas, medindo o quanto a nossa previsão está errando:</p><ul><li><strong>MSE</strong>: Média do erro ao quadrado</li><li><strong>RMSE</strong>: Raiz quadrada da métrica MSE</li><li><strong>MAE</strong>: Média do erro absoluto</li><li><strong>MAPE</strong>: Média do erro absoluto percentual</li><li><strong>MDAPE</strong>: Mediana do erro absoluto percentual</li></ul><p>Abaixo, temos um exemplo dos resultados que eu obtive, onde vemos a <strong>MSE</strong> (Média do erro ao quadrado) nos dados de Novos óbitos.</p><p>A <strong>MSE </strong>é a média obtida após calcular a diferença do valor real pelo valor previsto, elevando ao quadrado e realizando a média. Essa métrica dá um peso maior para erros maiores, já que todos os valores são elevados ao quadrado. O resultado dessa métrica para o modelo de previsão de Novos Óbitos, foi melhor do que vimos no modelo de Novos Casos. Vemos que a maioria dos pontos está próxima de zero e temos poucos pontos dispersos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/641/1*zMwR1mKYQZUCI5abR8uSfw.png" /><figcaption>Cross-Validation dos dados de Novos Óbitos: Média do erro ao quadrado</figcaption></figure><blockquote>A avaliação de todas as métricas está disponível no meu notebook no <a href="https://github.com/vqrca/bootcamp_alura_projeto_3">GitHub</a></blockquote><h3>Conclusões</h3><ul><li>O modelo de sazonalidade multiplicativa, que é usado com flutuações sazonais que variam dependendo do nível global da série, se mostrou mais adequado para os modelos previstos nesse projeto.</li><li>Após realizar o <em>Cross-Validation</em> dos modelos de previsão, no geral, vemos que quanto maior o número de dias, maior é a dispersão dos dados no nosso modelo.</li><li>Como esse projeto está usando dados reais da Pandemia de COVID-19, sabemos que em muitos momentos da pandemia os dados sofreram grandes mudanças, com picos de casos e óbitos e isso influencia nessa questão da dispersão dos pontos no modelo. Se fosse uma série temporal estabilizada, contendo dados de um tempo maior, possivelmente, os erros vistos nesses parâmetros poderiam ser bem menores do que estamos vendo aqui.</li><li>Finalmente, duas hipóteses levantadas no início do projeto foram respondidas: Sim, após alguns meses de vacinação houve queda de casos e óbitos e a tendência é de que continuem diminuindo!</li><li>Após concluir as análises, vemos que em poucas linhas de código é possível fazer previsões e validações, o que faz do Prophet uma ferramenta bastante poderosa e prática.</li></ul><h3>Referências</h3><ul><li><a href="https://www.nature.com/articles/s41591-021-01378-7">Naveca <em>et al</em>. COVID-19 in Amazonas, Brazil, was driven by the persistence of endemic lineages and P.1 emergence. Nature Medicine (2021).</a></li><li><a href="https://facebook.github.io/prophet">Documentação do Prophet</a></li><li><a href="https://scikit-learn.org/stable/modules/model_evaluation.html#metrics-and-scoring-quantifying-the-quality-of-predictions">Metrics and scoring: quantifying the quality of predictions</a></li><li><a href="https://www.alura.com.br/artigos/modelos-matematicos-utilizados-em-series-temporais">Modelos matemáticos utilizados em séries temporais</a></li><li><a href="https://portal.fiocruz.br/sites/portal.fiocruz.br/files/documentos/boletim_covid_2021_extraordinario_junho_parte1.pdf">Observatório Covid-19 (Fiocruz)</a></li></ul><p>Muito obrigada pela leitura! Se alguém tiver sugestões ou dúvidas: pode me chamar pelo <a href="https://www.linkedin.com/in/valquiria-alencar/">LinkedIn</a>.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2Fu47zsQUkwVruzcbvwd%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2Fu47zsQUkwVruzcbvwd%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2Fu47zsQUkwVruzcbvwd%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="183" frameborder="0" scrolling="no"><a href="https://medium.com/media/7505d76c65fee5ee75d6e92f3f5cb4c8/href">https://medium.com/media/7505d76c65fee5ee75d6e92f3f5cb4c8/href</a></iframe><p>Até mais ❤️</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fefbc0d385cc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Olha, Olha… passando em sua tela o post sobre cursos e eventos grátis, para área de Data Science]]></title>
            <link>https://valquiria-c-alencar.medium.com/olha-olha-passando-em-sua-tela-o-post-sobre-cursos-e-eventos-gr%C3%A1tis-para-%C3%A1rea-de-data-science-2edab8351b72?source=rss-1dd57bf822db------2</link>
            <guid isPermaLink="false">https://medium.com/p/2edab8351b72</guid>
            <category><![CDATA[cursos-online]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[free]]></category>
            <dc:creator><![CDATA[Valquíria Alencar]]></dc:creator>
            <pubDate>Fri, 25 Jun 2021 15:24:52 GMT</pubDate>
            <atom:updated>2021-06-25T21:41:19.909Z</atom:updated>
            <content:encoded><![CDATA[<h4>Os cursos tão no grau, mami ❤️</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*f7HeNG5ug0rb4sK4KzDBRQ.png" /></figure><p>Hoje estou passando aqui pra falar sobre cursos grátis que me ajudaram a aprender Lógica de programação, Python e que me deram uma introdução em <em>Data Science</em>. Esse post é pra você que deseja performar nessa carreira incrível 😉</p><p>Vou separar os cursos pelas plataformas que eu usei, ok?</p><h3>Coursera</h3><p><em>“Ah, Valquíria, mas os cursos do Coursera não são pagos?”</em> Gente, são sim! Mas muitos deles possuem <strong>Auxílio financeiro disponível</strong>, com certificado incluso, caso você não tenha grana para pagar!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FsVnKj2wDhUTsFKFWhx%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FsVnKj2wDhUTsFKFWhx%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FsVnKj2wDhUTsFKFWhx%2Fgiphy.gif&amp;key=d04bfffea46d4aeda930ec88cc64b87c&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="362" frameborder="0" scrolling="no"><a href="https://medium.com/media/b1b567e785ebb6adc2afb133a74a2be4/href">https://medium.com/media/b1b567e785ebb6adc2afb133a74a2be4/href</a></iframe><p>Os cursos que possuem auxílio disponível apresentam o link <em>Financial aid available, </em>conforme mostro em destaque na figura abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/559/1*OYrkLFS_kn36JMo3K8TsPw.png" /></figure><p>Após clicar nesse link vai surgir essa janela, que informa que os pedidos levam pelo menos 15 dias para serem revisados.</p><blockquote>Quando esse tempo passa e você é aprovado, eles te mandam um email e te dão acesso.</blockquote><p>Basta clicar em<em> Continue to the application:</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/442/1*eYA3wY-wUnvfkXjpenIGHQ.png" /></figure><p>Na página seguinte é só preencher as informações desse jeito que eu preenchi e clicar em <em>Continue</em>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/727/1*FP6jZ3Ap1fvrEc2Z0OcMoQ.png" /></figure><p>Finalmente, surgirá uma página final onde você preenche informações como: <strong>Educational Background, Annual Income</strong> (em dólar)<strong>, Employment Status, How much can you afford to pay? </strong>(se você não puder pagar deixe com 0 dólares), <strong>Why are you applying for Financial Aid? </strong>(com pelo menos 150 palavras), <strong>How will taking this course help you achieve your career goals? </strong>(com pelo menos 150 palavras).</p><p>E no final temos uma última pergunta:<strong> Would you consider using a low-interest loan to pay for your courses? </strong>Nesse caso, querem saber se você poderia considerar um empréstimo para pagar o curso. É só marcar a opção<strong> No </strong>e na última caixinha há:<strong> If you answered no, please help us understand why. </strong>Essa última questão não tem quantidade mínima de palavras e basta responder que no momento você não pode pagar.</p><p>UFA, É ISSO! Bom, como eu não tinha como pagar todos os cursos que eu fiz: já deixei as respostas todas salvas em um arquivo e a cada curso reutilizei as respostas, fazendo modificações quando necessário…</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2Fd3mlE7uhX8KFgEmY%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2Fd3mlE7uhX8KFgEmY%2Fgiphy.gif&amp;image=https%3A%2F%2Fmedia1.giphy.com%2Fmedia%2Fv1.Y2lkPTc5MGI3NjExYXphNzhjMXNtOGdheWZuZ2RwenIwa3ZyYzJxOXR3cDRvd2F6d2cxbSZlcD12MV9pbnRlcm5hbF9naWZfYnlfaWQmY3Q9Zw%2Fd3mlE7uhX8KFgEmY%2Fgiphy_s.gif&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="244" frameborder="0" scrolling="no"><a href="https://medium.com/media/de4f41134477bc8196d4522bc44a3969/href">https://medium.com/media/de4f41134477bc8196d4522bc44a3969/href</a></iframe><p>Agora, finalmente, vamos aos cursos:</p><ul><li><a href="https://www.coursera.org/learn/ciencia-computacao-python-conceitos"><strong>Introdução à Ciência da Computação com Python Parte 1</strong></a></li></ul><p>Este curso não possui pré-requisitos. Não é esperado que você tenha qualquer experiência prévia em programação, no entanto, se supõe que o aluno domine os conceitos básicos de matemática . O objetivo principal é desenvolver o raciocínio aplicado à formulação e resolução de problemas computacionais.</p><ul><li><a href="https://www.coursera.org/learn/ciencia-computacao-python-conceitos-2/"><strong>Introdução à Ciência da Computação com Python Parte 2</strong></a></li></ul><p>Esse é a continuação do curso anterior e ao término do curso, o aluno estará capacitado para escrever pequenos programas em Python e a continuar com estudos mais avançados sobre Python por conta própria usando material disponível na Web.</p><ul><li><a href="https://www.coursera.org/learn/lab-poo-parte-1"><strong>Laboratório de Programação Orientada a Objetos — Parte 1</strong></a></li></ul><p>O curso é voltado para quem já conhece os conceitos básicos de POO e quer se aprofundar no assunto, tornando-se um excelente programador. Ele funciona bem como uma sequência natural aos 2 cursos anteriores .</p><blockquote>Esses três cursos são oferecidos pelo Departamento de Ciência da Computação do Instituto de Matemática e Estatística da USP.</blockquote><p>Os próximos cursos são em inglês e são oferecidos pela IBM <em>(International Business Machines Corporation</em>). São cursos curtos, onde você pega uma visão geral sobre os temas e aprende a usar ferramentas da IBM:</p><ul><li><a href="https://www.coursera.org/learn/what-is-datascience"><strong>What is Data Science?</strong></a></li><li><a href="https://www.coursera.org/learn/open-source-tools-for-data-science"><strong>Tools for Data Science</strong></a></li><li><a href="https://www.coursera.org/learn/data-science-methodology"><strong>Data Science Methodology</strong></a></li><li><a href="https://www.coursera.org/learn/sql-data-science"><strong>Databases and SQL for Data Science with Python</strong></a></li></ul><p>Além desses, tem vários outros da IBM, mas até o momento não consegui finalizar tudo. São <a href="https://www.coursera.org/professional-certificates/ibm-data-science?#courses">10 cursos</a> no total e ao finalizar todos você recebe um certificado profissional de Data Science da IBM.</p><h3>Data Science Academy</h3><p>Na Data Science Academy há alguns <a href="https://www.datascienceacademy.com.br/cursosgratuitos">cursos gratuitos</a>, com certificado após prova final, e eu recomendo os mais completos:</p><ul><li><strong>Python Fundamentos para Análise de Dados (54 horas de duração)</strong></li></ul><p>É um geralzão de Python desde o básico até aplicações em Data Science. Inclusive, há capítulos sobre Machine Learning e Deep Learning.</p><ul><li><strong>Microsoft Power BI Para Data Science, Versão 2.0 (72 horas de duração)</strong></li></ul><p>Esse curso abrange muita coisa! Desde o básico em Power Bi até Dashboards interativos, Visualização de bancos de dados relacionais, Linguagem R, Apache Spark, Machine Learning, SQL Analytics …</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2F0mKPytMujTds4e26IS%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2F0mKPytMujTds4e26IS%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2F0mKPytMujTds4e26IS%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="362" frameborder="0" scrolling="no"><a href="https://medium.com/media/7e128946bf327151c62fab1c7c775070/href">https://medium.com/media/7e128946bf327151c62fab1c7c775070/href</a></iframe><h3>WoMakers code</h3><p>Agora é só para mulheres! A <a href="https://maismulheres.tech/courses/">WoMakers code</a>, em parceira com a Microsoft, oferece cursos para nós! ❤️</p><p>Temos alguns bem interessantes:</p><ul><li>Introdução a Data Science</li><li>Inteligência Artificial na Prática</li><li>3 cursos sobre AZURE: Introdução à Cloud Computing &amp; Fundamentos do Azure, Infraestrutura em Cloud Computing e Segurança em Cloud Computing</li></ul><blockquote>O Microsoft Azure é uma plataforma destinada à execução de aplicativos e serviços, baseada nos conceitos da computação em nuvem.</blockquote><p>Bom sobre cursos foi isso!!! Agora bora falar de eventos, para aprender Data Science na prática, com execução de projetos?</p><p>O melhor jeito de aprender é aplicando na prática e eventos gratuitos que me ajudaram nisso foram:</p><ul><li><a href="https://www.hashtagtreinamentos.com/">Hashtag Treinamentos</a></li></ul><p>Essa empresa costuma oferecer semanas com lives no YouTube sobre Python e outros temas. Basta ficar de olho e participar quando rolar. Inclusive, no canal deles no <a href="https://www.youtube.com/channel/UCafFexaRoRylOKdzGBU6Pgg">YouTube</a> há vídeos de intensivões que já rolaram.</p><ul><li><a href="https://www.alura.com.br/imersao">Imersão de Dados da Alura</a></li></ul><p>Bom, eu não poderia deixar de falar novamente sobre a Semana de Imersão da Alura 💙, né?! Se cadastre na página para saber quando haverá uma nova imersão e não deixe de participar!!! VALE A PENA DEMAIS!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2F8UGGp7rQvfhe63HrFq%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2F8UGGp7rQvfhe63HrFq%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2F8UGGp7rQvfhe63HrFq%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="243" frameborder="0" scrolling="no"><a href="https://medium.com/media/696f962473fdb3c72f858bf445de0d6d/href">https://medium.com/media/696f962473fdb3c72f858bf445de0d6d/href</a></iframe><p>Bom, era isso que eu tinha pra falar hoje. Se alguém tiver alguma dúvida me chame.</p><p>Obrigada pela leitura 😊</p><p>Em breve tem publicação sobre Previsão de Séries Temporais com a biblioteca Prophet, criada pelo Facebook… 🚀</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2Fl1J3CbFgn5o7DGRuE%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2Fl1J3CbFgn5o7DGRuE%2Fgiphy.gif&amp;image=https%3A%2F%2Fmedia3.giphy.com%2Fmedia%2Fv1.Y2lkPTc5MGI3NjExbG51YTI0ZmU3ZTI1OGx2ZGVjY3h4NmJhYTJjeHFuOGZsOGQ1bTd4eiZlcD12MV9naWZzX2dpZklkJmN0PWc%2Fl1J3CbFgn5o7DGRuE%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="281" frameborder="0" scrolling="no"><a href="https://medium.com/media/5fa8f4266a7202d18b96ad7d41b42eef/href">https://medium.com/media/5fa8f4266a7202d18b96ad7d41b42eef/href</a></iframe><p>Até mais!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2edab8351b72" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Por que decidi estudar Data Science???]]></title>
            <link>https://valquiria-c-alencar.medium.com/por-que-decidi-estudar-data-science-fefaf5a7abb6?source=rss-1dd57bf822db------2</link>
            <guid isPermaLink="false">https://medium.com/p/fefaf5a7abb6</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[migração-de-carreira]]></category>
            <category><![CDATA[dados]]></category>
            <category><![CDATA[carreira]]></category>
            <dc:creator><![CDATA[Valquíria Alencar]]></dc:creator>
            <pubDate>Wed, 23 Jun 2021 21:05:05 GMT</pubDate>
            <atom:updated>2021-08-01T21:48:14.650Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*VsEWLifSztAAVuIRBNn-ew.png" /></figure><p>Olá, pessoal! Antes de começar a explicar o porquê, quero me apresentar :)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FD2j3xOKq0O0qQ8BOVC%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FD2j3xOKq0O0qQ8BOVC%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FD2j3xOKq0O0qQ8BOVC%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="362" frameborder="0" scrolling="no"><a href="https://medium.com/media/d5158ba53481c0f865b09d39b1937e9e/href">https://medium.com/media/d5158ba53481c0f865b09d39b1937e9e/href</a></iframe><p>Eu sou a Valquíria, tenho 32 anos e sempre fui uma pessoa curiosa pela vida, que tinha o sonho de se tornar Cientista. Aos 14 anos de idade eu já tinha escolhido qual carreira eu iria seguir. Então, assim que terminei o ensino médio, comecei o curso de Ciências Biológicas. À princípio eu queria trabalhar com zoologia, mas conforme o tempo foi passando acabei me envolvendo em uma área que eu nem fazia ideia que iria trabalhar um dia: Biologia Molecular.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FtlGD7PDy1w8fK%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FtlGD7PDy1w8fK%2Fgiphy.gif&amp;image=https%3A%2F%2Fmedia1.giphy.com%2Fmedia%2Fv1.Y2lkPTc5MGI3NjExZ2hvc2h1aGVpdXA0ZmlwODMwajFhNHVmM28zd2d6OWw3bmUyazA1MSZlcD12MV9naWZzX2dpZklkJmN0PWc%2FtlGD7PDy1w8fK%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="261" frameborder="0" scrolling="no"><a href="https://medium.com/media/858a32c65b8c0390c71f318e4f60c45b/href">https://medium.com/media/858a32c65b8c0390c71f318e4f60c45b/href</a></iframe><p>Em 2008, iniciei minha primeira Iniciação Científica no Laboratório de Genômica Funcional e Estrutural, no Núcleo de Biotecnologia da Universidade em que eu estudava. Acabei fazendo outra Iniciação Científica na sequência e depois disso iniciei o Mestrado em Biotecnologia. Nessa época, trabalhei na parte experimental com o sequenciamento de Genomas de uma bactéria chamada <em>Xylella fastidiosa</em>, que causa doenças em um grande variedade de plantas. Com os sequenciamentos, obtive uma grande quantidade de dados para explorar, analisar e fazer um <em>Storytelling.</em></p><p>Foi nesse momento que o meu interesse por bioinformática começou. Na época eu nem sabia programar e eu analisava tudo através de ferramentas específicas, que já tinham sido desenvolvidas. Eu já tinha muitos resultados e um bom <em>Storytelling</em>, então logo emendei um doutorado.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2Ft3Mzdx0SA3Eis%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2Ft3Mzdx0SA3Eis%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2Ft3Mzdx0SA3Eis%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="244" frameborder="0" scrolling="no"><a href="https://medium.com/media/d661046a18e16c8a2e5f3fa35da53b64/href">https://medium.com/media/d661046a18e16c8a2e5f3fa35da53b64/href</a></iframe><p>No meu doutorado, acabei saindo um pouco da bioinformática e me engajei em experimentos na área de química e bioquímica. Após terminar o doc, comecei um Pós doutorado e me tornei Pesquisadora Colaboradora na Universidade Federal do ABC. Nesse momento, voltei a analisar dados, mas agora eram dados de expressão gênica (que eu acho ainda mais interessante)…</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FDhstvI3zZ598Nb1rFf%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FDhstvI3zZ598Nb1rFf%2Fgiphy.gif&amp;image=https%3A%2F%2Fmedia2.giphy.com%2Fmedia%2Fv1.Y2lkPTc5MGI3NjExbHdubzNuZG02OHVlOGNhZmxlYWc5amdjenl2emp2dHR2d2w2dGU0bSZlcD12MV9naWZzX2dpZklkJmN0PWc%2FDhstvI3zZ598Nb1rFf%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="363" frameborder="0" scrolling="no"><a href="https://medium.com/media/7cc052c30bf95bc0aae778cb76638b4e/href">https://medium.com/media/7cc052c30bf95bc0aae778cb76638b4e/href</a></iframe><p>Porém, em 2020 veio a Pandemia. Minha vida e a vida de todos vocês mudou…Devido às restrições de circulação, fiquei alguns meses em casa.</p><blockquote>Foi então que eu pensei: Pô, Valquíria! Você gosta de tecnologia, gosta de bioinformática. Por que não estudar alguma linguagem de programação?</blockquote><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2F3pkFrdxslEAE5RhPuL%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2F3pkFrdxslEAE5RhPuL%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2F3pkFrdxslEAE5RhPuL%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="362" frameborder="0" scrolling="no"><a href="https://medium.com/media/2b26e0a2e1485688a75ee3d92cb56512/href">https://medium.com/media/2b26e0a2e1485688a75ee3d92cb56512/href</a></iframe><p>Comecei a estudar Python pelo <a href="https://www.coursera.org/">Coursera</a> e gostei muito…Gostei tanto que fiz vários cursos e depois comecei a apreender SQL. Finalmente, dediquei meu tempo com alguns cursos de Data Science.</p><blockquote>(em uma próxima publicação vou compartilhar todos os cursos que ajudaram nesse processo!)</blockquote><p>Eu já tinha conhecimento em programação, mas não tinha nenhuma experiência em desenvolvimento de projetos. Nesse momento, agradeço muito a um amigo, o Eduardo, que comentou comigo sobre a semana da <a href="https://www.alura.com.br/imersao-dados">Imersão Dados da Alura</a>. Essa imersão foi incrível e foi depois dela que eu percebi que era hora de me <strong>reinventar</strong>. Eu andava desmotivada com algumas coisas na minha carreira e foi depois de aprender passo-a-passo a criar um projeto de Data Science, que meus olhos voltaram a brilhar.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FBrB6VyTMD1qyQ%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FBrB6VyTMD1qyQ%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FBrB6VyTMD1qyQ%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="245" frameborder="0" scrolling="no"><a href="https://medium.com/media/9967ba8a080a7aa3b436a29a6e30a313/href">https://medium.com/media/9967ba8a080a7aa3b436a29a6e30a313/href</a></iframe><p>Eu tive a imensa alegria do meu projeto, desenvolvido nesse evento, ser escolhido como um dos 10 melhores projetos e ter ganhando uma bolsa de estudos para o<a href="https://www.alura.com.br/bootcamp/data-science-aplicada/matriculas-abertas"> Bootcamp de Data Science Aplicada da Alura</a>.</p><blockquote>Caso vocês queiram conferir o projeto: ele está disponível no meu <a href="https://github.com/vqrca/imersao-dados-desafio-final">GitHub</a>.</blockquote><p>Hoje estou estudando no Bootcamp, onde fiz networking com pessoas maravilhosas, já aprendi uma série de conteúdos incríveis e até o momento desenvolvi dois projetos:</p><blockquote><a href="https://github.com/vqrca/bootcamp_alura_projeto_1">Projeto 1</a>: Análise dos Gastos Hospitalares do SUS (Sistema Único de Saúde) e Evolução das Taxas de Mortalidade no Brasil</blockquote><blockquote><a href="https://github.com/vqrca/bootcamp_alura_projeto_2">Projeto 2: </a>Análise de Dados: Programa Nacional de Imunizações</blockquote><p>Atualmente, estou desenvolvendo o terceiro projeto, onde estou analisando os efeitos da Pandemia no Amazonas e fazendo previsões de séries temporais com a biblioteca Prophet.</p><p>Bom, tentei resumir ao máximo minha jornada até aqui. Pretendo usar o Medium para fazer divulgação científica, dar dicas sobre cursos, eventos e etc…Espero que vocês voltem para ver os próximos conteúdos ❤</p><p>Obrigada pela leitura :)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FQSJflihoTLhXIzVjYU%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FQSJflihoTLhXIzVjYU%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FQSJflihoTLhXIzVjYU%2Fgiphy-downsized-large.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="362" frameborder="0" scrolling="no"><a href="https://medium.com/media/f5ba9bc20fcc6c951b761ab6b3ae1063/href">https://medium.com/media/f5ba9bc20fcc6c951b761ab6b3ae1063/href</a></iframe><p>Até breve!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fefaf5a7abb6" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>