Introdução à Ciência de Dados

Afinal, o que é Ciência de Dados?

Antes de resolver o problema do MackFlix, vamos entender a área que dá nome ao curso.

Comece pelos ingredientes:

O ciclo de um projeto: CRISP-DM

Projetos de dados não começam pelo código. Eles seguem um roteiro. O mais usado na indústria é o CRISP-DM, com seis etapas que se repetem em ciclo.

Clique em cada etapa da roda para entender o que acontece nela.

O mapa das tarefas

Dentro do Machine Learning — o motor da Ciência de Dados — os problemas se dividem em dois grandes grupos. Clique em cada tarefa para ver um exemplo.

Você consegue classificar o problema?

Para cada situação de negócio, escolha o tipo de tarefa. As respostas aparecem na hora.

A tarefa de predição, por dentro

Aprendizado supervisionado é simples de entender: mostramos ao computador muitos exemplos com a resposta certa e ele aprende o padrão.

No MackFlix, cada exemplo é um filme que alguém já avaliou. As entradas são as características do filme (duração, gênero…) e a resposta é a nota. A regressão procura uma reta (uma regra simples) que melhor explica a relação entre entradas e resposta.

Ajuste a reta e veja o erro mudar

Abaixo, cada ponto é um filme avaliado por um fã de comédias: quanto mais longo o filme, menor a nota que ele costuma dar. Mexa nos controles e tente aproximar a reta dos pontos. As linhas cinzas são os erros (o quanto a reta erra em cada filme).

O algoritmo, passo a passo

O mesmo processo em Python (scikit-learn)

Este é o esqueleto que faremos rodar nas próximas aulas. Repare como cada linha corresponde a um passo acima.

# 1. Importar as ferramentas
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 2. Dados: filmes avaliados  (genero: 1=Acao 2=Comedia 3=Drama)
df = pd.DataFrame({
    'genero':  [1, 2, 1, 3, 2, 3],
    'duracao': [120, 90, 120, 150, 90, 150],
    'nota':    [4, 5, 3, 4, 5, 2]
})

# 3. Entradas (X) e resposta (y)
X = df[['genero', 'duracao']]
y = df['nota']

# 4. Dividir treino e teste
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42)

# 5. Treinar o modelo
modelo = LinearRegression()
modelo.fit(X_train, y_train)

# 6. Prever e avaliar
y_pred = modelo.predict(X_test)
print('MSE:', mean_squared_error(y_test, y_pred))

Aplicação: o recomendador do MackFlix

Agora colocamos tudo junto. Temos um catálogo de filmes e quatro perfis de assinantes. Escolha um perfil e veja o modelo em ação.

Para cada perfil, um modelo de regressão aprendeu com os filmes que a pessoa já avaliou e agora prevê a nota dos filmes que ela ainda não viu. Os de maior nota prevista viram recomendação.

Marina Souza — Fã de comédias leves

Adora comédia e prefere filmes curtos e descontraídos. Dramas longos não costumam agradar.

O que este perfil valoriza (coeficientes aprendidos)

Os números abaixo foram aprendidos pelo modelo a partir das notas do usuário. Sinal positivo puxa a nota para cima; negativo, para baixo.

Top 5 recomendações

Filmes ainda não assistidos por este perfil, ordenados pela nota prevista.

• 1Casamento Atrapalhado · Comédia · 95 min5.0
• 2Meu Chefe Maluco · Comédia · 88 min5.0
• 3O Golpe Atrapalhado · Comédia · 91 min5.0
• 4Vizinhos Barulhentos · Comédia · 84 min5.0
• 5Contagem Regressiva · Ação · 108 min2.8

Monte um filme e veja a nota prevista

Ajuste as características de um filme hipotético e observe como a nota prevista muda para o perfil selecionado.