ESTUDOS SOBRE DATA SCIENCE
um enfoque em storytelling
DOI:
https://doi.org/10.31510/infa.v20i2.1802Palavras-chave:
Ciência de Dados, Storytelling, Tratamento de Dados, Descrição de experiênciasResumo
Este trabalho aborda a área de Ciência de Dados, utilizando a análise descritiva, exploratória e de levantamento por meio de entrevistas à um especialista da área com o objetivo de apresentar casos de sucesso e de insucesso para auxiliar empresas na compreensão e utilização de princípios da Ciência de Dados. Os relatos desses casos são conhecidos como Storytelling, que segundo a literatura envolve experiências contadas a fim de serem analisadas, revelando padrões, tendências e desafios, bem como envolve uma prática que possibilita insights e conhecimento para tomada de decisão. Espera-se mostrar benefícios, desafios e impactos que a Ciência de Dados pode causar nas empresas por meio de relatos de casos a fim de melhor compreender e escolher a implantação de tal conceito.
Downloads
Métricas
Referências
AMARAL, F. Introdução a ciência de dados: mineração de dados e Big Data. Rio de Janeiro: Alta Books, 2016.
ANKERKAR, R. Artificial Intelligence for Business. Cham - Suiça: Springer, 2019.
BELL, G. Foreword. The fourth paradigm: data-intensive scientific discovery. In: HEY, T.; TANSLEY, S.; TOLLE, K. M. Redmond, WA: Microsoft Research, p. 11-14, 2009.
CIELEN et al. Introducing Data Science. New York – Estados Unidos: Manning, 2016.
DAVENPORT, T. H.; PATIL, D. J. Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review, v. 90, n. 10, p. 70-128, 2012. Disponível em: https://www.researchgate.net/publication/232279315_Data_Scientist_The_Sexiest_Job_of_the_21st_Century. Acesso em: 30 ago. 2023.
DEAN, J. Big data, data mining, and machine learning: value creation for business leaders and practitioners. New Jersey – Estados Unidos: Wiley, 2014. DOI: https://doi.org/10.1002/9781118691786
FOG et al. Storytelling: Branding in Pratice. Berlim: Springer, 2010. DOI: https://doi.org/10.1007/978-3-540-88349-4
LEITE, F.; POSSA, A. Metodologia da Pesquisa Científica. 2. ed. Florianópolis: IFSC, 2013.
NETTO, A; MACIEL, F. Python para Data Science. Rio de Janeiro: Alta Books, 2021.
PYTON, Python. About. Python.org, 2023. Disponível em: https://www.python.org/about/. Acesso em: 30 ago. 2023.
SAMPIERI, R.; COLLADO, C.; LUCIO, M. Metodologia de Pesquisa. Porto Alegre: Penso, 2013.
SEVERINO, A. Metodologia da Pesquisa Científica. 23. ed. São Paulo: Cortez, 2007.
SHARDA et al. Business Intelligence e Análise de Dados para gestão do negócio. Porto Alegre: Bookman, 2019.
SILVA et al. Introdução à mineração de dados: Com aplicações em R. Rio de Janeiro: Elsevier, 2016.
SOUZA, A. S.; OLIVEIRA, G. S.; ALVES, L. H. A pesquisa bibliográfica: princípios e fundamentos. Monte Carmelo: FUCAMP, v. 20, n. 43, p. 64-66, 2021.
RASCHKA, S. Python Machine Learning. Birmingham – Reino Unido: Packt, 2015.
VANDERPLAS, J. Python Data Science Handbook. 1. ed. Sebastopol – Estados Unidos: Editora O’Reilly Media, 2016.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Revista Interface Tecnológica
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos publicados pertencem à revista Interface Tecnológica e seguem o padrão Creative Commons (CC BY 4.0), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.
- Resumo 147
- PDF 85
.jpg)
1.png)
1.png)