CIÊNCIA DE DADOS APLICADO À LOGÍSTICA

Lucas Confortini Batista; Marcus Rogério de Oliveira

doi:10.31510/infa.v19i1.1397

Autores

Lucas Confortini Batista Faculdade de Tecnologia de Taquaritinga (Fatec) – Taquaritinga – SP – Brasil https://orcid.org/0000-0002-1734-8930
Marcus Rogério de Oliveira Faculdade de Tecnologia de Taquaritinga (Fatec) – Taquaritinga – SP – Brasil https://orcid.org/0000-0002-8823-1916

DOI:

https://doi.org/10.31510/infa.v19i1.1397

Palavras-chave:

Ciência, Dados, Regressão, Logística, Predição

Resumo

A quantidade de dados cresce de maneira exponencial e é importante que a partir destes possam ser abstraídos conhecimentos e informações com intuito de gerar vantagens competitivas. Em vista disso, a ciência de dados surgiu com o intuito de extrair essas informações e interpretá-las com modelos matemáticos, estatísticos e algoritmos de inteligência artificial. Diante disso, o presente artigo com a utilização de modelos matemáticos e estatísticos tem por objetivo a aplicação de modelos de regressão na logística, a fim de obter predição de custos. Dentro desse contexto, este artigo apresenta a atuação da ciência de dados aplicada à área de logística, com introdução a termos, métodos e experiência prática, enfatizando a partição de predição de custos. A metodologia proposta abrange inicialmente uma pesquisa bibliográfica descritiva e posteriormente, analisa mais de 30 mil coeficientes aplicados a diferentes modelos de regressão. Os resultados permitem identificar a influência dos coeficientes no lucro líquido e a comparação de precisão dos modelos de regressão aplicados à predição de custos.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Referências

Nelli Fabio. Python Data Analytics, Data Analysis and Science UsingPandas, matplotlib, and the Python Programming Language. APRESS.

Guerra Saulo, Oliveira Paulo Felipe e McDonnell Robert. Ciência de Dados com R Introdução.

Provost Foster, Fawcett Tom. Data Science for Business: What you need to know about data mining and data-analytic thinking.

Steele Brian, Chandler John e Reddy Swarna. Algorithms for Data Science.

Mailund Thomas. Beginning Data Science in R Data Analysis, Visualization, and Modelling for the Data Scientist.

Manyika James, Chui Michael, Brown Brad, Bughin Jacques, Dobbs Richard, Roxburgh Charles, e Hung Byers Angela. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute

Gorelik Alex. The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science. O'Reilly, 2019.

Skiena S. Steven . The Data Science Design Manual. Springer, 2017. DOI: https://doi.org/10.1007/978-3-319-55444-0

EMC Education Services. Data Science & Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. WILEY, 2015. DOI: https://doi.org/10.1002/9781119183686

Provost Foster e Fawcett Tom. Data Science for Business What you need to know about Data Mining and Data-Analytic Thinking. O'REILLY, 2013.

Kukreja Manoj. Data Engineering with Apache Spark, Delta Lake, and Lakehouse: Create scalable pipelines that ingest, curate, and aggregate complex data in a timely and secure way. Pack, 2021.

Crickard Paul. Data Engineering with Python: Work with massive datasets to design data models and automate data pipelines using Python. Packt, 2020.

VanderPlas J. Python Data Science Handbook. O'REILLY, 2017.

Apresenta a documentação das bibliotecas do Python. Disponível em: <https://docs.python.org/3/library/index.html>. Acesso em 22 fevereiro de 2022

Apresenta a documentação da extensão SciPy. Disponível em: <https://docs.scipy.org/doc/scipy/tutorial/general.html>. Acesso em 22 fevereiro de 2022

Müller C. Andreas e Guido Sarah. Introduction to Machine Learning with Python. O’REILLY, 2017.

Apresenta a documentação do XGBoost. Disponível em: <https://xgboost.readthedocs.io/en/stable/index.html>. Acesso em 22 fevereiro de 2022

Apresenta a documentação do LightGBM. Disponível em: <https://lightgbm.readthedocs.io/en/latest/index.html>. Acesso em 22 fevereiro de 2022

Nokeri C. Tshepo. Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn. APRESS, 2022. DOI: https://doi.org/10.1007/978-1-4842-7762-1

Minastireanu E. A. e Mesnita G. .Light GBM Machine Learning Algorithm to Online Click Fraud Detection. IBIMA, 2019. DOI: https://doi.org/10.5171/2019.263928

Densmore James. Pipelines Pocket Reference Moving and Processing Data for Analytics. O’REILLY, 2021.

Zhang Arthur. Data Analytics Practical Guide to Leveraging the Power of Algorithms, Data Science, Data Mining, Statistics, Big Data, and Predictive Analysis to Improve Business, Work, and Life. 2017.

Kuhn Max e Johnson Kjell. Applied Predictive Modeling. Springer, 2013. DOI: https://doi.org/10.1007/978-1-4614-6849-3

Zinoviev Dmitry. Data Science Essentials in Python Collect → Organize → Explore → Predict → Value. The Pragmatic Programmers, LLC, 2016.