Data-Science-For-Beginners/translations/pt/4-Data-Science-Lifecycle/14-Introduction

Introdução ao Ciclo de Vida da Ciência de Dados

Introdução ao Ciclo de Vida da Ciência de Dados - Sketchnote por @nitya

Questionário Pré-Aula

Neste ponto, provavelmente já percebeu que a ciência de dados é um processo. Este processo pode ser dividido em 5 etapas:

• Captura
• Processamento
• Análise
• Comunicação
• Manutenção

Esta lição foca em 3 partes do ciclo de vida: captura, processamento e manutenção.

Foto por Berkeley School of Information

Captura

A primeira etapa do ciclo de vida é muito importante, pois as próximas etapas dependem dela. É praticamente duas etapas combinadas em uma: adquirir os dados e definir o propósito e os problemas que precisam ser abordados.
Definir os objetivos do projeto exigirá um entendimento mais profundo do problema ou da questão. Primeiro, precisamos identificar e envolver aqueles que precisam de uma solução para o seu problema. Estes podem ser partes interessadas de uma empresa ou patrocinadores do projeto, que podem ajudar a identificar quem ou o que se beneficiará deste projeto, bem como o que e por que precisam disso. Um objetivo bem definido deve ser mensurável e quantificável para determinar um resultado aceitável.

Perguntas que um cientista de dados pode fazer:

• Este problema já foi abordado antes? O que foi descoberto?
• O propósito e o objetivo são compreendidos por todos os envolvidos?
• Existe ambiguidade e como reduzi-la?
• Quais são as restrições?
• Como será o resultado final?
• Quantos recursos (tempo, pessoas, computação) estão disponíveis?

A próxima etapa é identificar, coletar e, finalmente, explorar os dados necessários para alcançar esses objetivos definidos. Nesta fase de aquisição, os cientistas de dados também devem avaliar a quantidade e a qualidade dos dados. Isso exige alguma exploração dos dados para confirmar se o que foi adquirido ajudará a alcançar o resultado desejado.

Perguntas que um cientista de dados pode fazer sobre os dados:

• Que dados já estão disponíveis para mim?
• Quem é o proprietário desses dados?
• Quais são as preocupações de privacidade?
• Tenho dados suficientes para resolver este problema?
• Os dados têm qualidade aceitável para este problema?
• Se eu descobrir informações adicionais através desses dados, devemos considerar alterar ou redefinir os objetivos?

Processamento

A etapa de processamento do ciclo de vida foca em descobrir padrões nos dados, bem como na modelagem. Algumas técnicas utilizadas nesta etapa exigem métodos estatísticos para identificar os padrões. Normalmente, esta seria uma tarefa tediosa para um humano realizar com um grande conjunto de dados e, por isso, depende-se de computadores para acelerar o processo. Esta etapa também é onde a ciência de dados e o aprendizado de máquina se cruzam. Como aprendeu na primeira lição, o aprendizado de máquina é o processo de construir modelos para compreender os dados. Modelos são representações da relação entre variáveis nos dados que ajudam a prever resultados.

Técnicas comuns utilizadas nesta etapa são abordadas no currículo de ML para Iniciantes. Siga os links para saber mais sobre elas:

• Classificação: Organizar dados em categorias para uso mais eficiente.
• Agrupamento: Agrupar dados em grupos semelhantes.
• Regressão: Determinar as relações entre variáveis para prever ou estimar valores.

Manutenção

No diagrama do ciclo de vida, pode ter notado que a manutenção está entre captura e processamento. A manutenção é um processo contínuo de gestão, armazenamento e segurança dos dados ao longo do projeto e deve ser considerada durante toda a sua duração.

Armazenamento de Dados

As decisões sobre como e onde os dados são armazenados podem influenciar o custo de armazenamento, bem como o desempenho de acesso aos dados. Decisões como estas provavelmente não serão feitas apenas por um cientista de dados, mas ele pode ter que tomar decisões sobre como trabalhar com os dados com base em como estão armazenados.

Aqui estão alguns aspectos dos sistemas modernos de armazenamento de dados que podem influenciar essas escolhas:

No local vs fora do local vs nuvem pública ou privada

"No local" refere-se a hospedar e gerir os dados nos seus próprios equipamentos, como possuir um servidor com discos rígidos que armazenam os dados, enquanto "fora do local" depende de equipamentos que não são seus, como um centro de dados. A nuvem pública é uma escolha popular para armazenar dados que não exige conhecimento sobre como ou onde exatamente os dados estão armazenados, sendo que "pública" refere-se a uma infraestrutura unificada compartilhada por todos os que utilizam a nuvem. Algumas organizações têm políticas de segurança rigorosas que exigem acesso completo ao equipamento onde os dados estão hospedados e, por isso, optam por uma nuvem privada que oferece serviços próprios de nuvem. Aprenderá mais sobre dados na nuvem em lições futuras.

Dados frios vs dados quentes

Ao treinar os seus modelos, pode precisar de mais dados de treino. Se estiver satisfeito com o seu modelo, mais dados chegarão para que o modelo cumpra o seu propósito. Em qualquer caso, o custo de armazenar e acessar dados aumentará à medida que acumular mais. Separar dados raramente usados, conhecidos como dados frios, de dados frequentemente acessados, conhecidos como dados quentes, pode ser uma opção mais barata de armazenamento através de serviços de hardware ou software. Se for necessário acessar dados frios, pode demorar um pouco mais para recuperá-los em comparação com os dados quentes.

Gestão de Dados

Ao trabalhar com dados, pode descobrir que alguns deles precisam ser limpos utilizando algumas das técnicas abordadas na lição sobre preparação de dados para construir modelos precisos. Quando novos dados chegam, será necessário aplicar as mesmas técnicas para manter a consistência na qualidade. Alguns projetos envolvem o uso de ferramentas automatizadas para limpeza, agregação e compressão antes que os dados sejam movidos para o local final. O Azure Data Factory é um exemplo de uma dessas ferramentas.

Segurança dos Dados

Um dos principais objetivos de garantir a segurança dos dados é assegurar que aqueles que trabalham com eles têm controle sobre o que é coletado e em que contexto está sendo utilizado. Manter os dados seguros envolve limitar o acesso apenas àqueles que precisam deles, aderir às leis e regulamentos locais, bem como manter padrões éticos, conforme abordado na lição de ética.

Aqui estão algumas ações que uma equipa pode realizar com a segurança em mente:

• Confirmar que todos os dados estão encriptados
• Fornecer aos clientes informações sobre como os seus dados são utilizados
• Remover o acesso aos dados de pessoas que saíram do projeto
• Permitir que apenas certos membros do projeto alterem os dados

🚀 Desafio

Existem muitas versões do Ciclo de Vida da Ciência de Dados, onde cada etapa pode ter nomes diferentes e um número distinto de fases, mas conterá os mesmos processos mencionados nesta lição.

Explore o Ciclo de Vida do Processo de Ciência de Dados em Equipa e o Processo padrão da indústria para mineração de dados. Nomeie 3 semelhanças e diferenças entre os dois.

Processo de Ciência de Dados em Equipa (TDSP)	Processo padrão da indústria para mineração de dados (CRISP-DM)
Imagem por Microsoft	Imagem por Data Science Process Alliance

Questionário Pós-Aula

Revisão & Autoestudo

Aplicar o Ciclo de Vida da Ciência de Dados envolve múltiplos papéis e tarefas, onde alguns podem focar em partes específicas de cada etapa. O Processo de Ciência de Dados em Equipa fornece alguns recursos que explicam os tipos de papéis e tarefas que alguém pode ter em um projeto.

• Papéis e tarefas no Processo de Ciência de Dados em Equipa
• Executar tarefas de ciência de dados: exploração, modelagem e implementação

Tarefa

Avaliação de um Conjunto de Dados

---

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original no seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se uma tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes do uso desta tradução.