Renzo Ziegler é um engenheiro eletrônico e de computação que trabalha há 12 anos com análise de dados. Atualmente é líder de equipe de software e cientista de dados na BTT Corp, onde busca padrões em sinais cerebrais para correlacionar com doenças.

1. Renzo Ziegler
Data Scientist and SoftwareTeam Leader
BTT Corp
Nogord.ioTalks

2.  Engenheiro eletrônico e de computação
 Trabalho há 12 anos com captura e análise de dados
 Hoje trabalho na BTT Corp
 Buscando padrões em sinais de temperatura cerebral
 Cruzando com dados de doenças e condições clínicas desfavoráveis

3.  The Sexiest Job of the 21st century (By Harvard Business review)
 Combina
 Estatística e Matemática
 Computação
 Conhecimentos da área
 Formas criativas para captura e armazenamento de dados
 Resolução de problemas
 Olhar diferente para os dados
 Buscar padrões
 Extrair insights
 Obter informações
https://www.simplilearn.com/data-science-vs-big-data-vs-data-analytics-article

4.  Define o problema
 Obtém dados necessários
 Processa os dados
 Explora os dados
 Realiza uma análise profunda
 Machine Learning, Modelos estatísticos, algoritmos
 Comunica os resultados da análise
https://medium.springboard.com/the-data-science-process-the-complete-laymans-guide-to-what-a-data-scientist-actually-does-ca3e166b7c67

5.  Área da Inteligência artificial onde algoritmos fazem o computador
aprender sem ser codificado explicitamente
 Habilidade de uma máquina em aprender usando grandes
quantidades de dados ao invés de regras hard-coded
 Faz com que programas de computadores mudem quando expostos a
novos dados
https://medium.com/@mindfiresolutions.usa/the-effect-of-machine-learning-on-web-application-development-c88a9e5f9553

6.  O grande desafio da IA e do Machine Learning é a coleta de
dados, e não os algoritmos
 A coleta de dados depende de usuários, de seres humanos
executando tarefas de forma eficiente em computadores
 Os seres humanos interagem com computadores através de
interfaces e o design, a experiência do usuário e a
tecnologia determinam a qualidade das interações.
https://explosion.ai/blog/how-front-end-can-improve-ai

7. Data Prep
Algorithm

8. https://en.wikipedia.org/wiki/Data_science

9. 1. Coleta e entendimento dos dados
2. Preparação dos dados
3. Construção do modelo
4. Validação eTeste do modelo
5. Deploy do modelo
https://www.quora.com/Recently-I-learned-python-I-find-artificial-intelligence-very-interesting-since-I-love-coding-very-much-What-do-you-
suggest-I-should-do-next-to-develop-an-AI-system-Assume-I-know-basics-such-as-neural-networks-and-decision-tree

10.  Defina o problema, questionando o usuário
 Leve em conta o conhecimento da área em cada etapa
 Crie um protótipo da aplicação
 Fluxo de dados & Frontend
 Comece pelo Frontend!
▪ Pense sempre nos seus usuários

11.  Obtenha os dados corretos
 Produza alguns elementos visuais para saber como preparar
os dados no próximo passo
 Entenda seus dados para responder algumas questões
estratégicas antecipadamente
 Outliers
 Correlações
 Missing data

12.  Limpe & prepare os dados
 Merge tables
 Engineer new features
 Handle missing data, outliers etc.
 Clean, standardize/normalize as needed.

13.  A parte mais rápida!
 Escolha alguns algoritmos para avaliar
 De acordo com seus pontos fortes e fracos
 Tente com diferentes parâmetros e/ou tuning automático

14.  Verifique se o resultado tem qualidade e faz sentido
 Depende de qual abordagem escolhida
 MSE, R2
 Sensitivity vs Specificity
 Precision vs Recall
 Não esqueça de validar com os usuários!
 O resultado faz sentido?
 Você consegue tirar conclusões com os outputs?

15.  Fluxo de dados up and running
 Alimentando o frontend
 Modelo reprodutível
 Modelo automatizado que possa coletar, preparar, modelar, validar e
colocar em produção um novo modelo, a partir de novos dados?

16. http://www.tivix.com/blog/full-stack-development-services-means-data-sci/

17. Renzo Ziegler
rziegler@bttcorp.com
https://www.linkedin.com/in/renzo-ziegler-49b1b62/