Ciência de Dados - Machine Learning #15 - K-Nearest Neighbors (KNN)
- Machine Learning #14 - Dados Categóricos e Bagging
- Machine Learning #13 - Validação Cruzada e Grid Search
- Machine Learning #12 - Regressão Logística
- Machine Learning #11 - Agrupamento: Hierárquico e K-Means
- Machine Learning #10 - Avaliando Classificadores: Matriz de Confusão e Curv...
- Machine Learning #9 - Árvore de Decisão
- Machine Learning #8 - Escala de Dados e Divisão Treino/Teste
- Machine Learning #7 - Regressão Polinomial e Múltipla
- Machine Learning #6 - Regressão Linear
- Machine Learning #5 - Gráfico de Dispersão
- Machine Learning #4 - Distribuição de Dados
- Machine Learning #3 - Desvio Padrão e Percentis
- Machine Learning #2 - Média, Mediana e Moda
- Machine Learning #1 - Introdução
- Matplotlib #11 - Salvando Figuras e Gráficos 3D
- Matplotlib #10 - Mapas de Calor e Dados 2D com imshow, contour e pcolormesh
- Matplotlib #9 - Boxplot, Violin Plot e Barras de Erro
- Matplotlib #8 - Texto Matemático, rcParams e Gráficos Polares
- Matplotlib #7 - Estilos, Anotações e Texto
- Matplotlib #6 - Legendas, Eixos Duplos e Escalas
- Matplotlib #5 - Subplots Avançados: GridSpec, subplot2grid e Eixos Comparti...
- Matplotlib #4 - Interface Orientada a Objetos: Figure e Axes
- Matplotlib #3 - Preenchimento de Área, Stem e Step
- Matplotlib #2 - Dispersão, Barras, Histogramas e Pizza
- Matplotlib #1 - Introdução e Gráficos de Linha
- Pandas #18 - Gráficos Avançados: Boxplot, Área, Pizza e Subplots
- Pandas #17 - Lendo e Escrevendo Excel, HTML e Exportando Arquivos
- Pandas #16 - Combinando DataFrames: merge, join e concat
- Pandas #15 - MultiIndex: Índices Hierárquicos
- Pandas #14 - Remodelando Dados: pivot_table(), melt() e stack()/unstack()
- Pandas #13 - Agrupando e Agregando Dados com groupby()
- Pandas #12 - Datas e Séries Temporais
- Pandas #11 - Trabalhando com Texto e Dados Categóricos
- Pandas #10 - apply(), map() e pipe(): Aplicando Funções
- Pandas #9 - Correlações e Visualização de Dados
- Pandas #8 - Funções Cumulativas, rank() e Janelas Móveis
- Pandas #7 - Estatísticas Descritivas e describe()
- Pandas #6 - Ordenando e Reindexando DataFrames
- Pandas #5 - Dados Ausentes: isna(), ffill(), bfill() e interpolate()
- Pandas #4 - Analisando e Limpando Dados
- Pandas #3 - Operações Aritméticas em Series e DataFrames
- Pandas #2 - Selecionando e Filtrando Dados com loc, iloc e Máscaras Booleanas
- Pandas #1 - Introdução: Series e DataFrames
- NumPy #11 - Dados Ausentes e Arquivos
- NumPy #10 - Distribuições de Probabilidade (Parte 2)
- NumPy #9 - Distribuições de Probabilidade (Parte 1)
- NumPy #8 - Estatísticas Descritivas
- NumPy #7 - Broadcasting e Álgebra Linear
- NumPy #6 - MDC, MMC, Trigonometria e Operações de Conjunto
- NumPy #5 - Arredondamento, Logaritmos e Somas/Produtos Acumulados
- NumPy #4 - Random e Funções Universais (ufunc)
- NumPy #3 - Join, Split, Search e Sort
- NumPy #2 - Copy vs View, Shape e Iterando Arrays
- NumPy #1 - Criando e Indexando Arrays
- #Datathon2018: um Hackathon de dados on-line
- As 3 etapas da Ciência de Dados
- Pizza de Dados: Um podcast entre amigos cientistas de dados
- Open Data Day 2018
- Construindo habilidades em Ciência de Dados na graduação
- Cientistas de Dados, Engenheiros de Dados, Engenheiros de Software: a difer...
- 3 Podcasts da IBM sobre Machine Learning para conferir
- Big Data e Data Science: pra quê afinal?
- 4 Podcasts da IBM sobre Ciência de Dados para 'Expertinhos'
- Data Science e Política na Operação Serenata de Amor
- Papers para Ensino de Ciências de Dados na Graduação
- 5 Papers de pesquisas em Ciência de Dados para ler no verão de 2017
- Desvendando o Big Data: a importância de um bom cientista de dados
- Small Data, Big Data, Open Data
- Melhores práticas em Machine Learning
- Livros gratuitos online para Ciência de Dados