ROADMAP

PARA
AS ÁREAS
DE DADOS
Vem cá ver o que você precisa
saber para começar!
 CIÊNCIA DE DADOS
Uma das profissões que vamos
conhecer por aqui é a Ciência de
Dados, uma profissão onde você vai
poder trabalhar com machine learning
e muitas coisas incríveis. Bora lá?
 O QUE É CIÊNCIA
DE DADOS?
A ciência de dados é uma área
multidisciplinar que nos permite
transformar dados brutos em
conhecimento, principalmente através
de modelos.
*
Hard skills
necessárias
l ad C
o

o
ã

a r hn
ça

o a ice
m

a
á
ar

ed em
p

e
g

ci

n
or

t
ç

o
P

Estatística

*Hard skills : conhecimentos técnicos

 1. Programação
Vamos passar pela primeira etapa das
hard skills: a programação. Quando
falamos de ciência de dados, temos
duas linguagens-chave:

+
Python

Python 1
1. Variáveis
2. Operadores
3. Estrutura básica de dados
4. Loop de repetições
5. Estrutura de condições
6. Métodos de funções
7. Bibliotecas básicas:
numpy, math, SciPy.
8. Tratamento de erros
2 SQL
1. Introdução a banco de dados
2. Consultas em geral
3. Manipulação de dados
4. Joins
5. Funções
3 Manipulação de dados com Python
1.Biblioteca: Pandas

4 Visualização de dados com Python*

1.Biblioteca: Matplotlib
2.Biblioteca: Seaborn

5
Modelagem de dados com Python*
Biblioteca: Scikit Learn
1. Regressão Linear – Simples
2. Regressão Linear – Múltipla
3. Análise de Resíduos
4. Regularização L1 e L2
5. Modelos Lineares Generalizados
6. Regressão polinomial
7. Naives Bayes
8. Arvores de Decisão
9. KNN
10. Regressão Logística
11. SVM (Máquinas de vetores de suporte)
12. K-means
13. DBSCAN
14. PCA
15. Métricas de avaliação de modelos:
Acurácia, F1 Score, Precisão, Recall, Matriz de Confusão,
Area Under the ROC Curve, Log Loss, Mean Squared
Error, Mean Absolute Error, Mean Absolute
Percentage Error, R2, Kolmogorov Smirnov.

*Estudar estas etapas após o estudo teórico de estatística

 2. Estatística
Vamos passar pela segunda etapa das
hard skills: a estatística.

Estudo teórico de estatística:

1. Estatística Descritiva Univariada:
Média, Moda, Mediana.
2. Medidas de Dispersão:
Amplitude, Desvio-Médio,
Variância, Desvio-padrão, Erro-padrão.
3. Medidas de Assimetria e Curtose
4. Medidas de Associação entre
Variáveis Quantitativa:
Diagrama de dispersão, Covariância, Correlação.
5. Probabilidade:
Experimento Aleatório, Espaço amostral,
Eventos, Operações com eventos,
Eventos mutuamente excludentes,
Eventos independentes,
Probabilidade condicional,
Teorema de Bayes.
Estudo teórico de estatística
(continuação):
6. Variáveis Aleatórias e Distribuições de
probabilidade:
Esperança Matemática, Variância, Covariância,
Coeficiente de correlação.
7. Distribuições discretas:
Distribuição de Bernoulli, Distribuição binomial,
Distribuição de Poisson.
8. Distribuições contínuas:
Distribuição uniforme, Distribuição normal,
Distribuição Log-normal.
9. Distribuições de probabilidade conjunta:
Distribuição conjunta de variáveis discretas,
Distribuição conjunta de variáveis contínuas.
10. Inferência Estatística e Principais Teoremas de
Probabilidade:
Teorema de Tchebycheff, Lei dos grandes números,
Teorema Central do Limite, Intervalo de confiança,
Testes de hipóteses.
 3. Conhecimento da
área de aplicação
Essa é nossa última etapa de hard skills
em ciência de dados. No entanto, ela é
uma etapa que depende muito da área
de aplicação que escolhemos seguir.
Podemos aplicar ciência de dados na
saúde, na oferta de crédito, na
agricultura e até mesmo no marketing.

Descubra sua área

de aplicação 1
favorita
Nessa etapa, não há certo ou
errado. Pesquise bastante
sobre as áreas disponíveis no
mercado e que combinam
com você e com seus gostos.
Não tenha medo de explorar
várias áreas. Hoje temos
diversos eventos de
empresas e/ou comunidades
que mostram onde os dados
podem ser aplicados.
Participe sempre que puder e
conheça tudo que há para
fazer. O céu é o limite!
 Procure pessoas 2
que trabalham na
área
É muito importante que você
procure pessoas que já estão
atuando na sua área de
interesse. Chame-as no
LinkedIn e peça indicação de
conteúdos que possam te
ajudar nessa jornada. Não
tenha medo de pedir ajuda!
3 Encontre
comunidades que
possam te oferecer
apoio
Lembre-se: você não está
sozinha. Há várias mulheres que
estão passando pelo mesmo que
você e várias que já passaram
por isso. Vá até comunidades
que possam te oferecer suporte
e sororidade.

O aprendizado é 4
contínuo e deve
ser compartilhado
Mesmo depois de estar na
área, suas soft skills vão
continuar evoluindo.
Compartilhe seus
aprendizados com mais
mulheres - além de ajudá-las,
você estará se
desenvolvendo também.
 ANÁLISE DE DADOS
A segunda profissão que vamos
conhecer por aqui é a análise de
dados, área na qual você vai poder
trabalhar com visualizações de dados,
trazendo muito conhecimento para
compartilhar. Vem com a gente!
 O QUE É ANÁLISE
DE DADOS?
A análise de dados também é uma área
multidisciplinar que nos permite
transformar dados brutos em
conhecimento, mas com o foco em
visualização dos dados.

* Hard skills
necessárias
e o

l ad C
o
s ã
o

a r hn
da

o a ice
d il
ç

a
á
a
ed au

ed em
p
z

e
i
oc siv

tn
n

o
a

ã
B

Estatística

*Hard skills : conhecimentos técnicos

 1. Banco de dados
e visualização
Vamos passar pela primeira etapa das
hard skills: a parte de banco de dados e
visualização. Quando falamos de análise
de dados, focamos sempre em
ferramentas de coleta, manipulação e
visualização de dados.

Excel 1
1. Funções de análises
2. Gráficos
3. Manipulação de dados

2 SQL
1. Introdução a banco de dados
2. Consultas em geral
3. Manipulação de dados
4. Joins
5. Funções

Ferramentas de 3
visualização de dados
1. Tableau
2. PowerBI
3. Qlik Sense
4. Google Data Studio
 2. Estatística
Vamos passar pela segunda etapa das
hard skills: a estatística. Este tópico é
idêntico ao tópico de estatística de
ciência de dados.

Estudo teórico de estatística:

1. Estatística Descritiva Univariada:
Média, Moda, Mediana.
2. Medidas de Dispersão:
Amplitude, Desvio-Médio,
Variância, Desvio-padrão, Erro-padrão.
3. Medidas de Assimetria e Curtose
4. Medidas de Associação entre
Variáveis Quantitativa:
Diagrama de dispersão, Covariância, Correlação.
5. Probabilidade:
Experimento Aleatório, Espaço amostral,
Eventos, Operações com eventos,
Eventos mutuamente excludentes,
Eventos independentes,
Probabilidade condicional,
Teorema de Bayes.

Estudo teórico de estatística

(continuação):
6. Variáveis Aleatórias e Distribuições de
probabilidade:
Esperança Matemática, Variância, Covariância,
Coeficiente de correlação.
7. Distribuições discretas:
Distribuição de Bernoulli, Distribuição binomial,
Distribuição de Poisson.
8. Distribuições contínuas:
Distribuição uniforme, Distribuição normal,
Distribuição Log-normal.
9. Distribuições de probabilidade conjunta:
Distribuição conjunta de variáveis discretas,
Distribuição conjunta de variáveis contínuas.
10. Inferência Estatística e Principais Teoremas de
Probabilidade:
Teorema de Tchebycheff, Lei dos grandes números,
Teorema Central do Limite, Intervalo de confiança,
Testes de hipóteses.
 3. Conhecimento da
área de aplicação
Essa é nossa última etapa de hard skills
em análise de dados. Assim como na
ciência de dados, ela é uma etapa que
depende muito da área de aplicação que
escolhemos seguir.

Descubra sua área

de aplicação 1
favorita
Nessa etapa, não há certo ou
errado. Pesquise bastante
sobre as áreas disponíveis no
mercado e que combinam
com você e com seus gostos.
Não tenha medo de explorar
várias áreas. Hoje, temos
diversos eventos de
empresas e/ou comunidades
que mostram onde os dados
podem ser aplicados.
Participe sempre que puder e
conheça tudo que há para
fazer. O céu é o limite!
 Procure pessoas 2
que trabalham na
área
É muito importante que você
procure pessoas que já estão
atuando na sua área de
interesse. Chame-as no
LinkedIn e peça indicação de
conteúdos que possam te
ajudar nessa jornada. Não
tenha medo de pedir ajuda!
3 Encontre
comunidades que
possam te oferecer
apoio
Lembre-se: você não está
sozinha. Há várias mulheres que
estão passando pelo mesmo que
você e várias que já passaram
por isso. Vá até comunidades
que possam te oferecer suporte
e sororidade.

O aprendizado é 4
contínuo e deve
ser compartilhado
Mesmo depois de estar na
área, suas soft skills vão
continuar evoluindo.
Compartilhe seus
aprendizados com mais
mulheres - além de ajudá-las,
você estará se
desenvolvendo também.
 ENGENHARIA DE
DADOS
A última profissão que vamos conhecer
por aqui é a engenharia de dados, área
onde você vai poder ajudar a construir
uma infraestrutura robusta para que os
dados sejam acessíveis. Vamos lá?
 O QUE É
ENGENHARIA DE
DADOS?
A engenharia de dados é uma área
multidisciplinar onde você arquiteta e/ou
integra sistemas que coletam,
gerenciam e convertem dados brutos
em informações.

* Hard skills
necessárias
l ad C
o

o
ã

a r hn
ça

o a ice
m

a
á
ar

ed em
p

e
g

ci

n
or

t
ç

o
P

Arquitetura

*Hard skills : conhecimentos técnicos

 1. Programação
Vamos passar pela primeira etapa das
hard skills: a programação. Quando
falamos de engenharia de dados, temos
quatro pontos-chave:

+ + +
Python NoSQL Big Data

Python 1
1. Variáveis
2. Operadores
3. Estrutura básica de dados
4. Loop de repetições
5. Estrutura de condições
6. Métodos de Funções
7. Bibliotecas básicas:
numpy, math, SciPy
8. Tratamento de erros
2 SQL
1. Introdução a banco de dados
2. Consultas em geral
3. Manipulação de dados
4. Joins
5. Funções
3 NoSQL
1.Manipulação de Dados
a) Não Estruturados
b) Semi-Estruturados
2.MongoDB

4 Big Data
1. Ecossistema Hadoop
2. Pig e Flume
3. Processamento com Spark

5 ETL
1. Transformação de Dados
2. Criação de Data Warehouse
3. Exportação de Dados
 2. Arquitetura
Vamos passar pela segunda etapa das
hard skills: a arquitetura.

Clould Computing 1
1. Introdução a Cloud
2. Modelos de Cloud
3. Nuvem pública
4. Cloud Builders
5. Segurança de dados
6. Banco de dados
7. Virtualização de infraestrutura
8. Soluções Multicloud
9. Orquestração de Serviços e
Kubernetes

2
GitHub
1. Arquitetura do GitHub
2. Comandos

3
APIs
1. Desenvolvimento de APIs
2. Modelagem de APIs
 3. Conhecimento da
área de aplicação
Essa é nossa última etapa de hard skills
em engenharia de dados. No entanto,
assim como nas outras duas profissões
que vimos, ela é uma etapa que
depende muito da área de aplicação que
escolhemos seguir.

Descubra sua área

de aplicação 1
favorita
Nessa etapa, não há certo ou
errado. Pesquise bastante
sobre as áreas disponíveis no
mercado e que combinam
com você e com seus gostos.
Não tenha medo de explorar
várias áreas. Hoje, temos
diversos eventos de
empresas e/ou comunidades
que mostram onde os dados
podem ser aplicados.
Participe sempre que puder e
conheça tudo que há para
fazer. O céu é o limite!
 Procure pessoas 2
que trabalham na
área
É muito importante que você
procure pessoas que já estão
atuando na sua área de
interesse. Chame-as no
LinkedIn e peça indicação de
conteúdos que possam te
ajudar nessa jornada. Não
tenha medo de pedir ajuda!
3 Encontre
comunidades que
possam te oferecer
apoio
Lembre-se: você não está
sozinha. Há várias mulheres que
estão passando pelo mesmo que
você e várias que já passaram
por isso. Vá até comunidades
que possam te oferecer suporte
e sororidade.

O aprendizado é 4
contínuo e deve
ser compartilhado
Mesmo depois de estar na
área, suas soft skills vão
continuar evoluindo.
Compartilhe seus
aprendizados com mais
mulheres - além de ajudá-las,
você estará se
desenvolvendo também.
 DICAS
FINAIS

Parabéns por ter chegado até

aqui! Vamos às últimas dicas
para que você continue nessa
linda jornada!
 E AS SOFT
SKILLS?
Não são só as hard skills que nos
fazem ter sucesso no mundo de
dados. Precisamos também ter
atributos não técnicos que nos
ajudam a interagir com outras
pessoas e com os dados
propriamente ditos.
oc e elb
it d o
í

s
r ed rp

a
c

C
m
o a r

u
t

r
n

i
e o l

so
m
t

di
n ev
a e er

a
s

ed
n
v
eP

os

Boa comunicação e
trabalho em equipe
Alguns fatores
relevantes

1 ano
Tempo médio de dedicação para
ingressar na área

5 mil reais
Salário médio da área

64,9%
É a porcentagem de equipes de
tech onde as
mulheres representam no máximo
20% do time. Tech precisa de você!

Referências
para estudar
Playlist completa de Estatística básica da
UFPR
Estatística e Probabilidade (Khan Academy)
Estatística (Univesp)
Curso de Python
Python para Machine Learning
Matemática para Machine Learning
Algoritmos de Machine Learning
Tutoriais para Python e SQL (W3schools)
Cursos da Kaggle
PlayList de SQL (Curso)
Playlist Excel
Google Data Studio
Tableau
Power BI
MongoDB
Spark
Hadoop
Big Data
APIs
GitHub
Azure