Este repositório unifica as resoluções dos exercícios propostos nos módulos do Bootcamp Data Analytics WoMakersCode. Abaixo estão os detalhes de cada módulo.
O objetivo deste desafio é aplicar os conceitos abordados em aula sobre visualização de dados com Python, utilizando as bibliotecas Matplotlib, Seaborn e Plotly.
O propósito deste desafio é analisar dados históricos de vendas para calcular métricas e prever vendas futuras utilizando Google Sheets e Python.
O foco desses exercícios é a análise e compreensão de dados, aplicando os conceitos abordados em aula sobre modelos de classificação e regressão logística.
O foco desses exercícios é a análise e compreensão de dados, utilizando os princípios abordados em aula relativos à correlação e regressão linear.
O objetivo principal destes exercícios consiste na análise e interpretação de dados, aplicando os conceitos estudados em aula sobre testes de hipótese. Utilizamos uma base fictícia que representa uma amostra de dados de pacientes com problemas cardíacos de um hospital.
O foco principal desses exercícios é a análise e interpretação dos dados utilizando uma base fictícia que representa uma amostra de dados da população brasileira.
O foco principal desses exercícios é a análise e interpretação dos dados utilizando uma base fictícia que representa as notas dos candidatos do ENEM 2023.
Este módulo explorou os fundamentos de banco de dados, tais como manipulação de dados e execução de consultas e análises. Os exercícios incluem tarefas como criação de tabelas, inserção de dados e consultas complexas.
O foco principal desses exercícios é a análise de dados utilizando Python.
Este projeto utiliza as seguintes bibliotecas:
- Pandas: Para manipulação e análise de dados.
- NumPy: Para cálculos numéricos e operações matemáticas.
- Plotly: Para criar gráficos interativos e visualizações dinâmicas.
- Matplotlib: Para criar gráficos e visualizações dos dados.
- Seaborn: Para criar visualizações estatísticas de forma simples e atraente.
- Sqlite3: Para conexão com banco de dados.
- Scipy.Stats: Para funções estatísticas.
- Statsmodels: Para modelagem estatística.
- Scikit-Learn: Para aprendizado de máquina.
Contribuições são sempre bem-vindas! Se você tem sugestões de melhorias, encontrou algum bug ou simplesmente quer dizer "olá 👋🏽", sinta-se à vontade para abrir uma issue ou enviar um pull request.
Divirta-se aprendendo e analisando dados! 🚀📊
