**O que é Ciência de Dados e apresentação do PANDA — Transcript & Summary | SozAI**
Source: https://sozai.app/transcript/what-is-data-science-and-panda-presentation/

Abertura do curso ICD (Introdução à Ciência de Dados) do grupo de extensão PANDA da UFSCar, com apresentação do Big Data, dos três Vs e do papel da extensão universitária.

## Key Takeaways

- Ciência de dados exige mais do que habilidade técnica: envolve entender problemas reais e comunicar resultados.
- O Big Data é caracterizado por volume, variedade e velocidade, e os dados são hoje um ativo de alto valor.
- O valor dos dados depende de seu tratamento e análise, não apenas de sua posse.
- A extensão universitária do PANDA promove formação prática e troca de experiências com a sociedade.

## What the video covers

- Prof. Alan Valejo (UFSCar) faz a abertura do ICD, curso de introdução à ciência de dados ministrado pelos estudantes do PANDA.
- O PANDA é um grupo de extensão universitária criado na UFSCar em 2022, que hoje se estende também à UNESP (campus Jabuticabal), coordenado pela professora Amanda Lista.
- A extensão universitária é apresentada como troca de conhecimento entre universidade e sociedade, não apenas transferência de conteúdo para fora da academia.
- O curso é introdutório, não exige programação, estatística ou aprendizado de máquina avançados, e busca construir a visão da área gradualmente.
- Discute-se o fenômeno do Big Data e seu crescimento exponencial na geração e armazenamento de dados digitais.
- São apresentados os três Vs do Big Data: volume, variedade (heterogeneidade de fontes e formatos) e velocidade.
- Dados são comparados ao novo petróleo, com valor gerado após refinamento, mineração e análise, dando vantagem competitiva às empresas.
- Explica-se que ciência de dados não se resume a aplicar algoritmos, envolvendo também limpeza, organização e validação dos dados (dados faltantes, duplicados, formatos inconsistentes).
- São apresentadas atividades do grupo, como visitas técnicas e palestras, incluindo parceria com o PET Estatística.
- São dadas orientações de certificado de participação e uso de IA como suporte, além de informações sobre formulários de presença.

## Chapters

1. 00:00 Abertura e apresentação do ICD
2. 03:00 Apresentação do PANDA e da extensão universitária
3. 06:40 Motivação: a era do Big Data
4. 08:50 Os três Vs do Big Data
5. 11:20 Dados como ativo e vantagem competitiva
6. 17:40 Limpeza e preparação dos dados
7. 31:40 Atividades do grupo e informações do curso
8. 50:00 Certificado, IA como suporte e encerramento

Answers

## Questions about this video

O que é o PANDA e quem o coordena?

O PANDA é um grupo de extensão universitária criado na UFSCar em 2022, voltado à ciência de dados. Atualmente também se estende à UNESP de Jabuticabal, sob coordenação da professora Amanda Lista.

Quais são os três Vs do Big Data mencionados?

São volume, variedade (heterogeneidade de fontes e formatos) e velocidade com que os dados são obtidos. A palestra comenta que hoje existem definições com cinco ou mais Vs, mas os três bastam para a introdução.

Preciso ter conhecimento prévio para participar do ICD?

Não. O curso é introdutório e não exige programação avançada, estatística avançada ou aprendizado de máquina. O objetivo é construir a visão da área gradualmente.

## Full Transcript — Download SRT & Markdown

00:39

Speaker A

Pronto a gente já tá ao vivo pessoal. Ah beleza. Bom então primeiramente gostaria de dar boa noite a todo mundo, todos os os presentes aqui nesse início do ICD do Panda. É para quem não me conhece meu nome é Alan Valejo.

00:59

Speaker A

Sou professor aqui do departamento de computação da UFSCar. E hoje eu vou fazer aí uma uma breve abertura do ICD, né? É eu sempre faço a abertura do a gente faz esse esse curso anualmente, né? Eu costumo sempre fazer

01:14

Speaker A

essa abertura, mas é uma abertura breve. Tá? Rapidinho uns 30 minutos depois eu passo para os meninos, tá?

01:21

Speaker A

Então o ICD é o curso de introdução à ciência de dados que tá sendo aí é ministrado pelos estudantes do Panda.

01:29

Speaker A

Então os os estudantes vão tomar conta desse desse curso, tá? O Panda é um grupo de extensão que nasceu aqui na UFSCar em meados de 2022.

01:41

Speaker A

E hoje ele também se estendeu aí para a UNESP, né? Sobre a coordenação da professora Amanda Lista. Então eu vou eu vou abrir aí a palavra para a Amanda dar um dar um oi para para vocês. Ela é

01:54

Speaker A

coordenadora também do Panda, tá? Eh, professora da Unesp. Olá, boa noite a todos. Ah, gostaria de agradecer a presença de todos aqui nessa nesse início do ICD.

02:11

Speaker A

Nós conseguimos essa parceria, né, do Panda Jabuticabal da Unesp de Jabuticabal. E é uma maneira da gente poder levar esse conhecimento de de ciência de dados para que vocês possam também utilizar cada vez mais dentro das suas pesquisas

02:30

Speaker A

nas ciências agrárias, veterinárias. Então, a gente aqui no curso vai ser introdutório, depois a gente vai vai cada vez mais especificando e trazendo ferramentas para que vocês possam levar esse conhecimento para a pesquisa de vocês.

02:48

Speaker A

Então, em breve nós estaremos com um grupo formado também em Jabuticabal. E e desejo um excelente ICD a todos.

02:58

Speaker A

Obrigada. Eh, antes antes de começar, né, a a falar um pouco, fazer essa introdução aqui, né? Na verdade, é uma é um são são reflexões aqui sobre ciência de dados. Eu acho importante também eh, destacar justamente esse caráter de

03:19

Speaker A

extensão do grupo, tá? Ah, quando a gente fala em extensão universitária, a ideia é não não é simplesmente levar aquilo que é produzido dentro da universidade para fora dela, né? A proposta é criar uma troca de experiência, uma troca de conhecimento entre a

03:38

Speaker A

universidade e a sociedade. Então, ao mesmo tempo em que os estudantes têm essa oportunidade de ensinar, de organizar o organizar cursos, né, preparar materiais e colocar em prática aquilo que eles que eles aprendem aqui dentro, tá? Eles também entram em

03:57

Speaker A

contato aí com pessoas, com formações distintas, com experiências distintas, com necessidades de negócio distintas, tá? E esse tipo de atividade é muito importante para a formação deles, tá? É é porque já que a gente tá falando de ciência de

04:16

Speaker A

dados, né? Porque saber ciência de dados não é apenas saber executar um algoritmo ou escrever o código, também é é saber explicar uma ideia, entender um problema real, conversar com pessoas ah de outras áreas e transformar conhecimento técnico, tá, em algo em

04:34

Speaker A

algo que possa ser utilizado por outras pessoas. E esse curso tem muito desse espírito. A ideia, então, é apresentar para vocês alguns dos conceitos fundamentais de ciência de dados de uma maneira bastante introdutória e prática, assim como a

04:51

Speaker A

professora Amanda citou, né? Ah então não é necessário chegar aqui já sabendo programação avançada, estatística avançada ou aprendizado de máquina. O objetivo é justamente construir essa visão aos poucos, entender o que é ciência de dados, que tipo de problemas a área tenta resolver,

05:15

Speaker A

como os dados são trabalhados e como podemos extrair informações e conhecimento a partir desses dados, tá?

05:23

Speaker A

Eu vou eu começar aqui a fazer algumas reflexões. Ah Então o roteiro aqui dessa dessa apresentação que eu sempre faço no início do desse do do ICB, né? Uma é uma motivação, né, e uma breve introdução aqui à ciência de dados.

05:44

Speaker A

Ah E eu gosto de começar, né, não pela ciência de dados. Eu gosto de começar pelos dados, a comentar, fazer comentários e reflexões sobre os dados que a gente tem hoje em dia.

05:56

Speaker A

Atualmente a gente tá na era do Big Data. Aí, e o que é Big Data? Para quem ainda não conhece esse termo Big Data, o que acontece é que a grande quantidade de dados disponível e que são coletados,

06:10

Speaker A

eles crescem de forma exponencialmente. Eu tô falando de dados digitais, né? Cresce de forma exponencialmente a cada ano.

06:17

Speaker A

É, produzimos, consumimos dados o tempo todo. Ainda mais hoje, considerando é, que temos essa uma capacidade gigantesca de armazenamento. Hoje é comum vermos um notebook com tera, um terabyte, é, de armazenamento e um preço aí relativamente acessível.

06:37

Speaker A

Ou mais especificamente, é provável que tenha em seu bolso celular com uma boa capacidade de armazenamento.

06:44

Speaker A

Agora, é, claro que agora a gente está aí numa alta de preço de, de memória, armazenamento, ficou um pouco mais difícil, mas mesmo assim as capacidades de armazenamento são gigantescas.

06:56

Speaker A

E sem perceber as pessoas geram dados o tempo todo, a todo momento. Quando alguém faz uma compra com cartão de crédito, clica em um anúncio em uma rede social ou faz uma ligação para um amigo, tudo isso é coletado e armazenado.

07:14

Speaker A

É, notícias políticas em mídias digitais são dados valiosos também. E quem pode, é, é, e que pode ser utilizados por empresa para agregar ali vantagem competitiva que a gente fala.

07:28

Speaker A

E esse fenômeno chamado Big Data, há um tempo atrás, ele era definido pelo que a gente chama de três Vs. E, hoje em dia, tem muito mais Vs em sua definição, né?

07:42

Speaker A

O Big Data aí tem cinco V's, tem livros aí com 10 V's. Quando a gente vai para outros temas como IoT, a gente vai ver 15 V's ali de definição do Big Data.

07:53

Speaker A

Mas é três V's aqui são suficientes para vocês entenderem, né, do que que se trata o Big Data. Bom, primeiro, o primeiro V, eh, do Big Data indica volume, né? Ou seja, eh, como eu já comentei, temos um volume

08:10

Speaker A

gigantesco de dados, tá? Então a gente está relacionando aí, eh, o Big Data com o volume de dados que a gente tem.

08:17

Speaker A

O segundo V indica variedade ou heterogeneidade desses dados. Eh, e o que que significa essa heterogeneidade? Significa que temos dados de diferentes fontes e de diferentes formas.

08:31

Speaker A

Por exemplo, temos dados numéricos obtidos, eh, através de um relatório em nossa empresa, mas também temos dados no formato de texto obtidos através de notícias e mídias digitais ou temos, eh, imagens disponibilizadas por usuários nas redes sociais. Então percebam que as

08:53

Speaker A

fontes são inúmeras e os formatos também. Temos essa heterogeneidade nos dados. E por fim, não podemos deixar de comentar sobre o último V, tá? Que é a a a velocidade com que esses dados são obtidos. Em questão de dias aí a nossa

09:09

Speaker A

empresa pode gerar uma quantidade muito grande de dados, certo? Eh, deixa eu ver se não pulei o slide. Está certo.

09:20

Speaker A

E e hoje em dia, eh, esses sistemas computacionais que temos nas empresas, até na nossa casa ali, a gente geralmente tem algum sistema computacional, mas em uma quantidades cada vez maiores de dados. E esses dados, eh, como eu disse, são coletados de

09:35

Speaker A

várias formas, tá? Desde os os processos realizados dentro das empresas, por exemplo, os dados referentes às etapas de produção de um produto, passando por dados externos referentes às notícias, ao mercado local e internacional.

09:52

Speaker A

Ah, outro exemplo, dados sobre competidores, bolsa de valores, políticas, preço de produto, matéria prima, até chegar nos dados relacionados, é claro, com os clientes do seu negócio. Por exemplo, quais produtos os clientes mais consomem, os dados mais sensíveis, como

10:12

Speaker A

o perfil ah do, do, do cliente se comporta, eh, outros dados, como idade, altura, gosto, né, que a gente pode utilizar.

10:23

Speaker A

Vejam que os dados, eles são oriundos, então, de diversas fontes e esses dados estão cada vez mais ricos, cada vez mais valiosos, tá? Cada vez mais a gente tem informações que a gente pode extrair no futuro desses dados.

10:38

Speaker A

Dizemos que hoje os dados são o novo petróleo tá do das empresas. Ter acesso a uma grande quantidade de dados gera vantagem competitiva no mercado. Dados são artefatos de valor, né?

10:52

Speaker A

Eh, mas a, a grande questão aqui eh, e eh, por que a ciência de dados existe, né?

11:02

Speaker A

Se a gente já tem os dados, se os dados já tem tanto valor assim, né, o que, o que, o que, da onde entra essa questão da ciência de dados?

11:10

Speaker A

A grande questão aqui, pessoal, é que dados podem ser valiosos, tá? Mas apenas se eles forem refinados, analisados ou minerados.

11:22

Speaker A

Então, dados têm valor, mas após o seu refinamento, após a sua mineração, após a sua análise, após a extração de padrões e de conhecimento que a gente tem ali dentro.

11:37

Speaker A

Assim como o petróleo, ele deve ser refinado, a gente não não não tem ali produtos específicos com o petróleo bruto, geralmente a gente refina esse petróleo, os dados precisam receber um tratamento correto para estarem aí prontos para a sua utilização

11:55

Speaker A

em seu total potencial. Só depois de minerados os dados, eles vão apresentar valor para a nossa empresa.

12:06

Speaker A

E e aí que tem a questão mais interessante. Eh, se atentem para uma coisa muito importante, a disponibilidade de dados gera uma grande oportunidade para obtenção de informação.

12:20

Speaker A

Ter dados necessariamente vai implicar em oportunidades e é uma oportunidade de tornar os processos produtivos da sua empresa mais eficiente.

12:31

Speaker A

Reduzir o custo da produção de um produto, por exemplo, aumentar a produção de um determinado produto, otimizar o tempo de fabricação, otimizar o nosso próprio tempo, né?

12:45

Speaker A

Nosso o o o que é o mais valioso hoje em dia para nossa vida, né? O tempo, otimizar o nosso tempo.

12:51

Speaker A

Tornar o processo de tomada de decisão menos custoso. Empresas de tecnologia, por exemplo, informações obtidas de dados podem ser utilizadas para evitar fraudes.

13:04

Speaker A

Podemos utilizar também eh eh o valor agregado e obtido através da análise dos dados para melhorar o relacionamento com o cliente. Através dos dados, podemos predizer o nível de insatisfação de um cliente, né? Podemos recomendar um produto, podemos recomendar um serviço de

13:24

Speaker A

interesse, aumentar a fidelização do cliente através de atendimentos mais rápidos precisos personalizados. Então, uma empresa aí só consegue criar um serviço personalizado se ela tiver posse de dados sobre, né, os seus processos, sobre os seus clientes, sobre o mercado, dados

13:46

Speaker A

oriundos de diversas fontes, tá? Personalização sem dados não existe. E, então, ah, ah, dizemos que as empresas que não souberem usar ciência de dados ao seu favor tendem a desaparecer.

14:03

Speaker A

Porque isso é realidade hoje em dia. Como um empresário vai sobreviver em um, em um mercado no qual os seus concorrentes analisam o tempo todo dados de seus clientes, dados de notícias, dados de bolsa de valores, dados de seus

14:19

Speaker A

processos internos, né? Analisam dados de seus concorrentes locais. Principalmente. É, se você tem uma empresa, seus concorrentes estarão analisando os dados ou pelo menos os dados que são públicos, tá? Seus con, seus concorrentes vão analisar aí dados de postagens no Instagram, eh, preços,

14:40

Speaker A

eh, nos, nos sites, acompanhando páginas ali do Reclame Aqui, analisando o sentimento dos clientes em relação ao serviço, produto ou através de comentários. A diferença começa a ficar discrepante, tá? E fugir dessa realidade não é a estratégia mais adequada. Ou, ou você

14:59

Speaker A

se adapta a essa nova realidade ou você cruza os dedos para ter muita sorte e sorte não é algo que podemos contar todo instante, né?

15:11

Speaker A

E Tá, então, até agora a gente viu que dados são importantes, né? Eles devem ser minerados, devem ser analisados, a a deve extrair padrões desses dados e mas é mas a grande questão é é é como analisamos esses dados

15:31

Speaker A

como extraímos padrões desses dados, como extraímos valor ou como agregamos valor nesses dados, porque ao extrair padrões a gente tá agregando mais valor ainda aos dados que a gente tem tá? A gente extrai muita informação encontra padrões e esses padrões agregam

15:51

Speaker A

valor aos dados que a gente já tem tá? Se são tão importantes mas ao mesmo tempo eu disse que esses dados são complexos dado a sua natureza massiva e heterogeneidade, como que fazemos isso?

16:03

Speaker A

Como que podemos analisar esses dados? Bom pessoal, a resposta que eu tenho para vocês é que o caminho não é simples exige conhecimento do que chamamos de ciência de dados, é para isso que a gente usa ciência de dados, né? Para

16:19

Speaker A

agregar valor e para extrair informação e padrão de dados tá? Desde a aquisição é ou coleta, pré-processamento dos dados até a extração dos dados. Então a gente diz que a ciência de dados é quem cuida de todo o ciclo de vida dos dados, tá?

16:40

Speaker A

Então esse é um ponto importante, a ciência de dados, tá? É é a questão mais importante aqui que vocês tem que entender ela cuida de todo esse ciclo de vida dos dados, tá? Ela começa lá na aquisição dos dados, na coleta dos dados e vem

16:59

Speaker A

seguindo ali através do pré-processamento até chegar na extração do conhecimento. Ela engloba todo esse percurso, ela é como se fosse um guarda-chuva gigante, tá? Em todo esse ciclo de vida dos dados Então, quando a gente fala em ciência de

17:19

Speaker A

dados, é importante entender que não estamos falando simplesmente de pegar uma base de dados e aplicar um algoritmo de aprendizado de de máquina.

17:30

Speaker A

Na prática, existe todo um processo, todo uma cadeia, todo um ciclo de vida que esse dado vai passar. E esse processo é o que chamamos de ciência de dados. Então, veja aqui que a ciência de dados está representado por um grande

17:44

Speaker A

guarda-chuva, né? E dentro do guarda-chuva, a gente tem aqui todos os processos que a gente pode fazer, né? Ah, em cima dos nossos dados, tá? A gente vê aqui que a primeira etapa, por exemplo, é a definição do problema. Deixa eu

18:02

Speaker A

tirar aqui agora. A gente vê aqui, a primeira etapa, definição do problema. Antes de pensar em dados ou algoritmos, eu preciso saber qual pergunta eu quero responder, tá? Se eu não sei nem a pergunta que eu quero responder, então preciso entender um

18:16

Speaker A

pouco mais o problema que eu tô querendo resolver. Por exemplo, eu quero prever quais clientes podem cancelar um serviço? É esse problema que eu tô trabalhando? Eu quero identificar alunos com risco de evasão da minha uni universidade?

18:32

Speaker A

Eu quero descobrir grupos de consumidores com comportamentos parecidos tá? Então, primeiro vem o problema. A tecnologia vem depois, tá?

18:44

Speaker A

A segunda etapa é a obtenção de dados, né? Depois que eu sei o que eu quero investigar, eu preciso descobrir quais dados podem me ajudar a responder essa pergunta.

18:56

Speaker A

Esses dados podem vir do banco de dados, de sensores, de redes sociais, de questionários, de sistemas de uma empresa, tá? Entre várias outras fontes.

19:09

Speaker A

Certo? Então, é é notem que é esse início também do ciclo de dados, ele é envolvido pelo, pelo guarda-chuva da ciência de dados.

19:20

Speaker A

E depois que eu sei o que eu quero, né, é, é, investigar, tá? É, é, tem aí a obtenção dos dados.

19:29

Speaker A

E depois, o que que acontece? Normalmente esses dados não chegam prontos para uso, tá? Por isso que a gente tem que fazer aí o pré-processamento desses dados, porque esses dados vão chegar bagunçados, eles vão chegar, é, é, com problemas, eles vão chegar com

19:46

Speaker A

ruído, tá? Aqui nós vamos limpar, a gente vai organizar esses dados, podemos ter de informações faltantes, valores incorretos, dados duplicados, atributos em formatos diferentes.

20:00

Speaker A

Também podemos, é, precisar de transformar alguma variável para que elas possam ser utilizadas pelos algoritmos, tá?

20:11

Speaker A

Então tem esse segundo percurso aí, esse próximo percurso do pré-processamento. E depois que a gente pré-processou, a gente pode fazer a análise exploratória dos dados, né? É, essa é a etapa em que a gente começa a conhecer melhor a nossa base de dados. Nós

20:28

Speaker A

olhamos gráficos, médias, distribuições, relações entre atributos e também valores aí muito discrepantes ou diferentes dos demais, tá? É quase como conhecer os dados antes de tentar tirar alguma conclusão sobre eles, tá? Então aqui ó opa, pera aí.

20:51

Speaker A

É, não, que, então aqui, então a gente passou aqui, definição do problema, obtenção dos dados, pré-processamento, depois a gente vai fazer uma análise exploratória desses dados, tá? Então, é, é, vejam que é todo um ciclo que o dado vai passando ali. E aí

21:11

Speaker A

depois vem a próxima etapa, que inclusive é a que eu acho mais interessante, que é a minha área de pesquisa, né? A próxima etapa é a descoberta de padrões.

21:19

Speaker A

É aqui que entram muitos dos algoritmos que normalmente associamos aí ao aprendizado de máquina. Então, aprendizado de máquina faz parte aí do das ferramentas que a ciência de dados utiliza, né? Podemos, por exemplo, com o aprendizado de máquina construir um

21:33

Speaker A

modelo para prever alguma coisa, classificar objetos, classificar imagens, classificar áudios, encontrar grupos de, é, é, usuários semelhantes, identificar comportamento fora do padrão, né? Encontrar falhas ou detectar falhas, detectar fraudes ou possíveis fraudes tá?

21:57

Speaker A

E, e é claro, a gente descobre esse padrão, mas encontrar um padrão não significa automaticamente que encontramos algo útil, tá? É, por isso que existe também a próxima etapa, que é a etapa de validação. A, aqui a gente, é, a faz a,

22:14

Speaker A

a, a pergunta, né? A famosa pergunta: "Esse resultado realmente, ah, é útil? Esse resultado realmente funciona para, para eu utilizar como, é, é, tomada de decisão, para tomada de decisão?" Se eu criei um classificador, por exemplo, eu preciso verificar se ele consegue fazer

22:35

Speaker A

boas previsões em dados que não foram utilizados para construí-lo. É, se eu encontrei grupos nos dados, eu preciso analisar se esses grupos realmente fazem sentido, tá?

22:48

Speaker A

Então, é, é uma etapa ali posterior que a gente tem que validar se os nossos resultados são adequados, tá? Pro problema que a gente quer resolver.

22:58

Speaker A

E aí, claro, né? No final ali a gente tem a apresentação e o compartilhamento dos resultados é aqui é muito interessante né porque não adianta encontrar algo útil se ninguém consegue entender o que foi encontrado então precisamos transformar esses resultados

23:17

Speaker A

em gráficos tabelas relatórios sistemas ou explicações aí que outras pessoas consigam interpretar porque é talvez você consiga interpretar os dados do jeito que você está trabalhando você está sentado ali no problema há vários meses por exemplo ah você está tentando

23:39

Speaker A

resolver o problema você está você está sentado nesses dados aí trabalhando minerando há vários meses então uma planilha às vezes é com pouca formatação já te traz é muita informação útil porque você está ali há meses trabalhando com isso agora se você for

23:56

Speaker A

apresentar isso para uma outra pessoa uma outra pessoa por um outro gestor que nunca teve contato com esses dados isso vai ter que ser ali um pouco mais elaborado tá por isso ciência de dados tá é uma coisa

24:12

Speaker A

muito interessante apesar de desse desenho aqui mostrar essas etapas em sequência na prática esse processo pessoal não é completamente linear tá ele não não não é esse passo a passo bonitinho aqui na prática muitas vezes chegamos a analisar e percebemos que

24:31

Speaker A

precisamos voltar né a gente analisa os dados e aí a gente tem que voltar e melhorar o pré-processamento ou descobrimos que faltam dados ou até percebemos que a pergunta inicial ali reformulada na primeira caixinha aqui da ciência de dados ela precisa ser

24:48

Speaker A

reformulada e a gente volta tudo então é um ciclo ciência ciência de dados é muito mais do que simplesmente executar esse pipeline ou executar um algoritmo, é um processo que começa com uma pergunta, passa pelos dados e pelos

25:03

Speaker A

modelos e termina tentando produzir um conhecimento útil a partir desses dados. E são algumas dessas tarefas aí que o Panda vai apresentar com mais detalhes nos módulos dos do curso, tá?

25:15

Speaker A

Mas a princípio o importante é entender que todos esses processos estão dentro aí desse guarda-chuva que chamamos de ciência de dados.

25:27

Speaker A

E bom, aí aqui, antes de terminar, eu faço um disclaimer, tá? Eh, esse disclaimer eu acho muito importante porque aqui começa uma pequena confusão de nomes, tá? E eu vou eu vou eu vou depois simplificar, né? Porque a gente

25:42

Speaker A

não precisa ficar entendendo o que que é cada nomenclatura, tá? Que a gente encontra na internet.

25:49

Speaker A

Então, quando a gente entra nessa área, começa a ouvir vários termos: inteligência artificial, machine learning, deep learning, ciência de dados estatística análise exploratória, tá? E esses termos eh não são exatamente sinônimos, tá?

26:03

Speaker A

Podemos pensar de uma maneira bem simples, mas eles não são sinônimos. Eh, alguns deles aqui, só para ilustrar, claro que eu vou vou apresentar todos, eh inteligência artificial é um campo bastante amplo. A ideia é desenvolver sistemas capazes de executar tarefas que

26:20

Speaker A

de alguma forma ah a gente associa a um comportamento inteligente, né? Eh, e aí a gente vê que dentro de inteligência artificial a gente tem o machine learning, ou aprendizagem de máquina, que é a minha área de pesquisa.

26:34

Speaker A

E aqui, em vez de de de programarmos explicitamente regrinhas, como se fosse um algoritmo sofisticado, a gente tenta fazer com que o computador aprenda padrões, né? Eu falo computador, mas é o algoritmo, tá? Que a gente desenvolve, aprenda padrões eh a partir de dados, a

26:51

Speaker A

partir de informações. E dentro do machine learning também temos o deep learning que trabalha principalmente com redes neurais profundas, tá?

27:01

Speaker A

Ah, então podemos pensar mais ou menos assim, olhando para essa figura aqui. Deep learning está dentro do machine learning, machine learning está dentro da inteligência artificial. E aí aparece a ciência de dados. E ciência de dados não é simplesmente outro nome para

27:15

Speaker A

machine learning, tá pessoal? Ela utiliza bastante machine learning, mas também utiliza coisas que vem de outras áreas, por exemplo, da estatística, da matemática, da visualização de dados, da análise exploratória. Por isso eu gosto dessa figura aqui, ela mostra

27:31

Speaker A

ciência de dados justamente nessa intersecção, tá? Em alguns problemas aí eu vou usar bastante inteligência artificial e machine learning, outras talvez eu nem precise de um modelo sofisticado, tá? Já uma uma uma boa análise estatística, uma boa visualização já podem responder a

27:49

Speaker A

pergunta que eu tenho que responder. Então só voltando, pessoal, não necessariamente a gente precisa, né, executar todo esse pipeline. Eu já falei que esse pipeline é um ciclo, né, mas a gente pode, por exemplo, parar aqui, tá?

28:03

Speaker A

Nada impede de a gente parar aqui a o nosso pipeline. Se já respondeu a nossa pergunta, então a gente tem um problema, tem uma pergunta uma pergunta que a gente quer responder, se a gente já respondeu na análise

28:14

Speaker A

exploratória, já é o suficiente, a gente não precisa caminhar, né, até o final, tá?

28:20

Speaker A

E o problema é é é que não para por aí, né? Quando começamos a estudar essa área, aparecem ainda mais nomes, né? Data mining, big data, IoT, KDD, data analytics, né, reconhecimento de padrões.

28:37

Speaker A

Aí é comum é alguém pensar: "Meu Deus do céu, preciso decorar exatamente a diferença entre todos esses termos aqui". Gente, a resposta é não, tá? Pelo menos nesse momento não, isso não é o mais importante aqui, tá? É é

28:55

Speaker A

claro, no futuro, vocês vão começar a entender o que que é cada um dos termos, conseguir separar, mas por enquanto, né?

29:03

Speaker A

É é a gente sabe que alguns desses conceitos realmente é apresentam áreas, é são problemas diferentes, outros têm sobreposições muito grandes e dependendo do contexto, né? Ou até da época, como o KDD, tá? O KDD é é algo também que é

29:19

Speaker A

muito atrelado à época, são utilizados de maneiras diferentes, tá? Então, as fronteiras entre esses conceitos aqui nem sem nem sempre são rígidas tá?

29:30

Speaker A

Então, depois de ver todos esses nomes, provavelmente a sensação é mais ou menos é é é isso, né? Professor, então, qual que é a diferença entre tudo isso? Essa confusão é normal, tá, pessoal? Na prática, o que eu quero que vocês levem

29:45

Speaker A

daqui é não é uma lista de definições para decorar, tá? O mais importante é entender a ideia central.

29:52

Speaker A

Nós temos dados, temos um problema e queremos extrair alguma informação ou conhecimento desses dados. Isso, é isso que eu quero que vocês levem daqui. Dados, problema e extrair informação ou conhecimento desses dados, tá?

30:09

Speaker A

Ah, então, a gente quer transformar esses dados em informação útil para resolver um problema.

30:17

Speaker A

Ok? Eu acho que vocês podem focar aqui nessa imagem por enquanto, tá? Porque essa imagem aqui, eu não deixei muitos termos complexos, tá? Então, esqueçam aqueles 3.987 termos, foquem aqui nessas é é é nessas caixinhas, nesse pipeline, depois vocês

30:38

Speaker A

vão ali se acostumando com todos esses termos da área, tá? E agora, pessoal, né? Eh, eu vou passar pros nossos estudantes do Panda.

30:52

Speaker A

Primeiro eu gostaria de falar se a a a professora Amanda quer fazer algum comentário, tá? E e aí depois eu passo pros meninos do Panda.

31:09

Speaker A

Eu gostaria de complementar, né, que a nós temos muitos dados no nosso campus, dados agronômicos e que temos alguns alunos que estão presentes aqui no ICD.

31:25

Speaker A

Eh, e e gostaria que vocês, em cada ponto, cada ensinamento que for apresentado aqui durante o curso, que vocês pensem na pesquisa de vocês, nos dados que vocês possuem, tá? Porque ao longo do ICD nós vamos ter a

31:40

Speaker A

oportunidade também de discutir aplicações da das técnicas que serão apresentadas pra que a gente possa utilizar dentro da pesquisa nas ciências agrárias, tá?

31:54

Speaker A

Então é muito importante que vocês fiquem atentos a cada conhecimento novo, cada informação, podem parar, fazer perguntas, nós estaremos aqui com vocês.

32:06

Speaker A

E logo lá mais pro final do ICD eu vou apresentar também uma uma palestrinha pra vocês com aplicações nas ciências agrárias. Eu tô aqui fazendo um pós-doc na UFSCar sobre a co-supervisão do professor Alan também em reconhecimento visual de espécies

32:25

Speaker A

invasoras na eh na nas agrárias, no meu caso é cana de açúcar. Então é uma área muito interessante que vocês podem também estar colaborando e e que sejam bem-vindos. Vamos todos, se alguém quiser fazer alguma pergunta antes de iniciar com os alunos a parte

32:47

Speaker A

técnica, estamos à disposição. Muito obrigada. Aí, então, abro a perguntas e aos estudantes do Panda aí que depois vão falar um pouco mais do Panda.

33:15

Speaker A

Eu acho que não tem nenhuma pergunta. Pessoal perguntou se depois a gente vai mandar os slides para eles, a gente vai.

33:26

Speaker A

Acho que é isso, muito obrigada, Alan. Ah, então, Tamara, a palavra é toda sua aí, tá? Vou estar por aqui qualquer coisa.

33:34

Speaker A

Tá bom. Eu vou roubar a tela. Pode roubar. Deixa eu descompartilhar aqui. Ah, pessoal, posso interromper só um momentinho?

33:45

Speaker A

Pode sim, eu vou apresentando aqui. A gente tem duas perguntas. Ah, a primeira é: Gostaria de saber como a Data Science é aplicado pequenas e nas pequenas e médias empresas.

34:05

Speaker A

Ah, então, o Data Science nas pequenas e médias empresas é até mais interessante porque é, os dados dessas empresas, elas são geralmente inchados, né? Elas têm nichos ali.

34:21

Speaker A

Então, geralmente os clientes ali, eles têm um padrão de comportamento muito interessante, né? Então, ali, geralmente, vamos supor, uma loja de roupa, é, para montanhistas, né? Então, é um, é um nicho bem específico. Então, por conta de, é, é,

34:42

Speaker A

ser, às vezes, uma empresa de, de nicho, né? É, os padrões ali que a gente consegue encontrar são bem interessantes. E ao mesmo tempo, ah, pequenas, é, e médias empresas não têm um volume, é, estratosférico de, de dados, né? Às vezes ali,

35:03

Speaker A

elas conseguem processar informações ali com a, a, é, linguagens de programação e bibliotecas disponíveis ali que são muito boas, como scikit-learn, né? Como a própria, a própria biblioteca pandas, tá? Que trabalha com, com dados tabulados, que foi ali uma das, das

35:26

Speaker A

inspirações do nosso nome. É, trabalhar com, com Colab, processar algum dado ali no Colab, mas o, o pipeline é o mesmo, tá? O pipeline ali, que é a definição do problema, a obtenção dos dados, depois o pré-processamento, uma análise exploratória dos dados,

35:48

Speaker A

descoberta de padrões, validação, apresentação e compartilhamento desses resultados. O pipeline é o mesmo para é, pequenas empresas, médias empresas e grandes empresas, tá? A diferença aí, eu acho que é, por exemplo, uma big tech, né? Provavelmente vai precisar de um

36:08

Speaker A

poder computacional muito maior do que uma pequena empresa. Porque às vezes o volume de dados que vai trabalhar é maior e aí precisa também um investimento muito maior.

36:19

Speaker A

Agora, pequenas empresas, talvez o, o investimento para conseguir processar esses dados e executar um pipeline da ciência de dados seja um pouco menor, seja um pouco mais reduzido, então isso é uma vantagem, né, para conseguir extrair padrões aí desses dados. E o que

36:34

Speaker A

eu falei, geralmente é é é uma empresa, talvez aí, é, que tem um nicho, um segmento muito mais específico e aí vai encontrar informações bem interessantes ali dentro.

36:49

Speaker A

Espero que tenha respondido aí a questão. Se quiser perguntar outra também. Ah, a gente tem uma sobre o ambiente profissional.

37:01

Speaker A

É, se o ciclo de vida é adaptado aos modelos de gerenciamento, por ou existe um específico para ciência de dados?

37:13

Speaker A

Tudo pode ser adaptado. Tem os modelos sim, de de é é específicos para ciência de dados, então tem ali, é, livros bem interessantes, é, que tem, é, esses modelos que tentam ali adaptar esse pipeline da ciência de dados, mas você

37:31

Speaker A

consegue tranquilamente encaixar esse pipeline, por exemplo, no Scrum, né? É, você pode pegar a caixinha ali da definição do problema, né, fazer uma uma rodada ali, depois pegar outra caixinha de de obtenção dos dados, pré-processamento.

37:48

Speaker A

Então é facilmente adaptado, embora tenha ali os modelos ali já voltados para ciência de dados, mas assim, não necessariamente você precisa usar um modelo específico, tá? Essa essa esse pipeline aqui que a gente tem é totalmente adaptável.

38:08

Speaker A

Beleza, muito obrigado, professor. Eu acho que algumas perguntas que a gente está recebendo no chat, a gente vai responder no decorrer das próximas aulas.

38:18

Speaker A

Beleza. Oi pessoal. Vocês estão conseguindo visualizar a apresentação? Tá dando algum é, o Tamara, não sei se é só para mim, mas tá dando um ecozinho no microfone.

38:55

Speaker A

Ah, e agora? Ah, parece que que melhorou. Pode falar qualquer coisa. É, melhorou, tá sim.

39:05

Speaker A

Sim. Travou ah foi. Então. Bom gente, eu vou apresentar um pouquinho para vocês sobre o Panda, também explicar como vai funcionar o nosso curso de introdução à ciência de dados.

39:23

Speaker A

E primeiro desejo todo mundo seja muito bem-vindo. A gente ficou muito feliz com a quantidade de pessoas que ficou interessado no curso e fiquem por aqui, a gente tem várias iniciativas, vocês vão conhecer algumas.

39:37

Speaker A

Mas esse ano vem para a gente tem workshop, a gente está conversando com o Panda Unesp para a gente ter a semana do da ciência de dados no agro. A gente tem vários projetos para ciência de dados aberto para todo mundo e sem nenhum

39:52

Speaker A

custo. Ah, para quem ainda não conhece, o Panda é o grupo de processamento e análise de dados da UFSCar. Somos um grupo de extensão universitária que surgiu lá em 2022 para trabalhar principalmente com ciência de dados. O Panda ele

40:17

Speaker A

ajunta estudantes de diferentes cursos, não só pessoal da computação, da estatística, a gente aceita qualquer estudante, qualquer curso, porque isso faz a gente ser um grupo interdisciplinar, a gente consegue aplicar ciência de dados em vários campos, não só

40:38

Speaker A

no mundo do negócio, mas sim no agronegócio, como a Amanda falou, na bioestatística, a gente tenta ser o mais abrangente possível.

40:52

Speaker A

Hã, agora eu vou falar um pouquinho do que o Panda faz, a gente tem a parte capacitação, hã, que a gente tem grupo de estudo, também, hã, em relação ao grupo de estudo, a gente vai ter um grupo de

41:05

Speaker A

estudo com a Visagio sobre IA generativa e ao longo desse grupo de estudo que a gente vai ter com eles, eles vão falar sobre oportunidades na Visagio, vai falar sobre estágio e também ensinar IA no, na, no ramo

41:25

Speaker A

profissional, não só acadêmico, então, se vocês ficarem interessados, pesquisa a gente no Instagram, que lá tem todo forms, toda explicação, a matriz curricular desse curso.

41:38

Speaker A

Hã, a gente tem projetos, a gente tem minicursos, hã, a gente também tem bastante parceria com empresas, a gente tem a Visagio, a Monk, a Data Bricks, a gente tenta fazer workshop, trazer essas empresas para vocês conhecerem, também a gente tem palestra individual,

41:57

Speaker A

onde uma empresa vem, apresenta, também a gente costuma, primeira palestra, ela apresenta, na outra palestra, ela traz um tema que ela trabalha no dia a dia, para a gente conhecer, hã, agora a gente tá com essa parte que

42:12

Speaker A

eu falei sobre minicurso com a empresa. Então a gente sempre tenta trazer o mercado pro Pandas e todas essas coisas que a gente faz é aberto.

42:21

Speaker A

A gente tem atividade de formação, que seria os cursos que a gente faz, a gente tem divulgação científica, a gente tem interação com a comunidade, que seria isso que a gente tá fazendo. A gente é aberto pra todo mundo.

42:37

Speaker A

A os nossos cursos. Hã, aqui é uma parceria que a gente fez com a Bosch.

42:46

Speaker A

Hã, foi uma visita técnica que a gente fez aqui e aqui. Esse daqui a gente trouxe o Banco ABC lá pra UFSCar. Essa palestra a gente fez ela híbrida, tanto online como presencial.

43:04

Speaker A

Hã. Agora uma informação muito importante. É mais pro pessoal da UFSCar, da UNESP. Hã, antigamente o ICD era um pré-requisito pra entrar no Pandas, mas como a gente tá passando por uma reestruturação, a gente pulou essa parte. Então,

43:22

Speaker A

pra ser membro do Pandas, não precisa mais participar do ICD. Hã, infelizmente a extensão ela é só pro pessoal que tá vinculado com a UFSCar e com a UNESP. A gente não consegue colocar pessoas fora desse núcleo no Pandas, mas todas as

43:39

Speaker A

atividades que a gente tem, por ser extensão, a gente abre pra todo mundo. Então, se você tá UFSCar, da UNESP, de Jaboticabal, fique esperto que em 2027.1 a gente vai abrir o nosso processo seletivo, você vai conseguir fazer parte

43:55

Speaker A

desse mundo que a gente que a gente tá inserido, vai fazer palestra, workshop, minicurso, ministrar aula.

44:09

Speaker A

Hã. Agora vou falar um pouquinho sobre o curso. Ah, esse curso é um ICD, Introdução à Ciência de Dados, e é um curso introdutório. Você não precisa chegar aqui sabendo tudo. A ideia é a gente construir a base e indo

44:24

Speaker A

evoluindo aos poucos. Nós vamos passar por várias etapas: programação estatística visualização de dados, preparação de dados, análise de dados e no final a gente vai dar um um desafio para vocês e vocês vão ter que entregar para a gente, a gente vai olhar.

44:43

Speaker A

Agora eu vou mostrar um pouquinho sobre a matriz curricular para vocês. Não sei se todo mundo recebeu o e-mail, mas essa é nossa primeira aula, o que é Ciência de Dados e apresentação sobre o curso. Na próxima quarta a gente vai ter

44:57

Speaker A

pensamento computacional e lógica. É uma base muito importante. Depois a gente vai ter Introdução ao Python. A gente vai ter duas aulas e essa aula de introdução Python a gente convidou o PET da computação. Então são pessoas que realmente usam Python no dia

45:16

Speaker A

a dia, que vocês podem tirar dúvidas, podem adicionar no LinkedIn trocar ah, informação sobre projeto.

45:25

Speaker A

Depois a gente vai ter Introdução à Estatística. A gente vai ter duas aulas também para vocês pegarem muito bem.

45:31

Speaker A

Ah, interessante também é que a gente convidou o PET Estatística, então vocês vão aprender estatística com estatísticos de verdade. É uma coisa bem rara, então aproveitem.

45:44

Speaker A

Depois a gente vai ter visualizações de dados que vai ser um membro do Pandas mesmo e limpeza e pré-processamento, que vai ser outro membro do Pandas.

45:53

Speaker A

E a última aula, antes do trabalho final, a nossa queridíssima Amanda vai mostrar para a gente na prática uma análise exploratória de dados. Então, [roncando] ela vai unir tudo o que vocês aprenderam nessas oito aulas e vai mostrar

46:10

Speaker A

como que limpa o dado, como que importa, como eu vejo o gráfico. E é uma aula perfeita, vocês vão gostar bastante. E depois a gente tem um trabalho final, se eu não me engano, vocês vão ter em torno

46:22

Speaker A

de um mês para escolher um banco de dados, importar, fazer a análise, fazer um slide.

46:31

Speaker A

Então, é bem legal, aproveita bastante, quando eu fiz, eu amei. Ah, agora a parte que todo mundo tá pro, todo mundo que tá mandando mensagem, a gente vai ter um certificado, mas esse esse certificado não vale horas complementares. Então, se você tá na

46:49

Speaker A

UFSCar ou de alguma universidade, a gente não vai dar um certificado que vale horas complementares.

46:56

Speaker A

Você [roncando] precisa ter pelo menos 70% de frequência. Então, você tem que responder o forms e no período certo. A gente colocou em torno de um dia. Então, a gente vai, depois que acabar a aula, a gente vai

47:14

Speaker A

postar no YouTube, mandar em todas as nossas redes de comunicação com vocês. Aí vocês têm 24 horas para assistir o vídeo e preencher o forms.

47:24

Speaker A

Eu sei que é um pouquinho rígido, mas é que a gente já deixou o CEI online, gravar.

47:30

Speaker A

E 70% é tipo facinho. Ah, também vai ter a entrega do trabalho final, que para ter horas complementares, horas complementares, para ter o certificado, você precisa entregar o trabalho final.

47:45

Speaker A

E é importante dizer que para ter o certificado de participação, você precisa ter os dois.

47:51

Speaker A

Tanto a presença como entrega do trabalho final. É para o e-mail do Pandas. Eu acho que é isso gente, vocês tem alguma dúvida em relação ao projeto?

48:14

Speaker A

Aqui é o nosso e-mail, acho que vocês estão no Classroom, se você não tá no Classroom, pode ficar tranquilo, a gente vai mandar todos os e-mails, tanto no Classroom, como no WhatsApp e no e-mail.

48:28

Speaker A

A ideia é que mesmo que você não conseguiu acessar o Classroom, você não não falte informação para você. Em todas as áreas a gente vai tentar manter a comunicação. Ah, esse material a gente vai colocar em no, vai mandar para vocês

48:46

Speaker A

no e-mail, no Classroom e no WhatsApp, então vocês vão ter acesso. Ah, vocês tem alguma pergunta?

49:02

Speaker A

Além do formulário de presença? Ah, sim, perguntaram se terão as, terão atividades, que essa parte não ficou muito clara, no caso, exercícios para fazer.

49:19

Speaker A

Ah, [roncando] em rela, o único exercício obrigatório que vocês vão ter, vão ser o trabalho final.

49:26

Speaker A

Normalmente, o PET da computação, o PET da estatística, eles hum, tão, os exercícios no final, mas é só para vocês praticarem em casa, para ver se entenderam mesmo.

49:38

Speaker A

A gente também vai mandar uns Colabs que o Panda mesmo fez e nesse Colabs tem uma parte que, de exercício para vocês tentarem participar, entenderem um pouquinho como que foi a, a como que foi o conteúdo, ver se vocês

49:54

Speaker A

entenderam. Mas entrega obrigatória só o trabalho final. E como vai ser mais ou menos esse projeto do trabalho final?

50:08

Speaker A

Esse projeto do trabalho final vai ser uma ideia simples, então o que que a gente espera de vocês?

50:15

Speaker A

Tudo bem vocês usarem a, mas a gente quer que vocês não se apeguem a isso. A IA é só um suporte, então vocês podem tirar dúvidas que às vezes não ficou muito muito clara para vocês, mas a ideia é que vocês realmente tentam.

50:33

Speaker A

Hã, a gente vai a gente vai mandar vários bancos de dados, então você vai ter que inventar uma historinha em relação a os dados, tipo, vai ser dados sobre agronegócio.

50:46

Speaker A

Hã, um fazendeiro que mora em São Carlos tá com um problema X, então pediu para um analista de dados analisar. Aí vocês vão aplicar tudo que vocês aprenderam, hã importar hã, visualizar os dados, fazer gráfico, hã, usar as ferramentas estatísticas,

51:08

Speaker A

média moda mediana. A gente quer isso, a gente não quer nada muito além, sabe? A gente quer o básico bem feito e a gente vai olhar todos para ver se vocês realmente fizeram.

51:21

Speaker A

Então seria muito legal se vocês realmente tentassem fazer, não jogar para o ChatGPT, ele fez e só jogar no Colab e entregar.

51:32

Speaker A

Tanto que a primeira aula que vai ser com a Analice, ela vai ensinar vocês toda a parte o que é um Colab, como que eu faço para rodar uma célula do Colab, a gente quer pegar do do para

51:45

Speaker A

quem que não sabe nada do básico e até um pouquinho além. Tem mais alguma?

51:59

Speaker A

Ah. Perguntaram se tem a hipótese de usar dados próprios para trabalho. Ah. Depende. Nos outros anos que a gente teve, a gente pedia para enviar o o os dados para a gente ver se faz sentido ou não. Porque às

52:19

Speaker A

vezes você usa os dados próprios, mas é uma coisa que você já fez e você só vai reutilizar a análise.

52:27

Speaker A

Aí assim, meio que não pode, né? Então. Eu acho que a gente conversa entre a gente mesmo para entender um pouquinho. Na próxima aula a gente volta nesse ponto e a gente fala.

52:47

Speaker A

Entendi. Muito obrigada, Tamara. Acho que sobre perguntas a gente não tem mais nenhuma. Em relação ao formulário de presença, pessoal, a senha é ICD 2026/2.

53:02

Speaker A

É, se atentem às letras maiúsculas e minúsculas. Esse formulário vai estar aberto amanhã até às 19:00, então vocês podem enviar lá novamente, vocês podem responder esse formulário para contar presença.

53:15

Speaker A

Em relação ao trabalho final, a gente vai postar para vocês um documento, é, com todas as datas, com as instruções, é, inserindo alguns bancos de dados que vocês poderiam usar, mas caso, é, vocês tenham algum banco de dados de

53:33

Speaker A

preferência, a gente vai analisar se é possível ou não, tá bom? É, qualquer dúvida também vocês podem contatar a gente por e-mail, por Instagram.

53:44

Speaker A

E é isso. Muito obrigado à Tamara, muito obrigado ao professor Alan, à professora Amanda e a todos que estão nessa live do YouTube, tá bom?

54:26

Speaker A

Já encerraram a encerraram lá no YouTube? Parar a gravação também. Hum, eu acho que não, porque eu tô vendo um negocinho aqui.

54:41

Speaker A

Isa. Acho que a gravação tem que parar.

Topics: ciência de dados big data extensão universitária PANDA UFSCar UNESP introdução à ciência de dados três Vs análise de dados

Estudar este vídeo

- [Flashcards deste vídeo](https://sozai.app/pt/tools/flashcard-maker/?from=transcript&id=88706)
- [Quiz sobre este vídeo](https://sozai.app/pt/tools/quiz-generator/?from=transcript&id=88706)
- [Cruzadinha a partir deste vídeo](https://sozai.app/pt/tools/crossword-maker/?from=transcript&id=88706)
- [Caça-palavras a partir deste vídeo](https://sozai.app/pt/tools/word-search-maker/?from=transcript&id=88706)
- [Guia de estudo a partir deste vídeo](https://sozai.app/pt/tools/study-guide-maker/?from=transcript&id=88706)

Grátis, feito por IA a partir desta transcrição. Sem cadastro.


---
This is the markdown twin of https://sozai.app/transcript/what-is-data-science-and-panda-presentation/ — the same content, without the markup.
Published by SozAI (https://sozai.app). Reuse and quotation are allowed with attribution and a link back.
Machine-readable index: https://sozai.app/llms.txt · data API: https://sozai.app/api/