Você aprende a ler linhas, colunas, chaves e formatos comuns de tabelas. Também vê por que dados “arrumados” tornam análises, gráficos e modelos muito mais fáceis.

Você transforma dúvidas vagas em perguntas verificáveis, métricas e critérios de sucesso. O foco é evitar análises bonitas que não respondem ao problema real.

Você usa barras, linhas, dispersão e histogramas para enxergar padrões simples. O capítulo mostra quando cada gráfico ajuda e quando ele engana.

Você trabalha com chance, risco, variabilidade e eventos independentes sem depender de fórmulas pesadas. Esses conceitos preparam o caminho para amostragem, inferência e modelos.

Você vê como uma parte dos dados pode representar, ou distorcer, o todo. O capítulo cobre população, amostra, viés de seleção, erro amostral e coleta cuidadosa.

Você acompanha a passagem da estatística manual para bancos de dados, computação, internet, big data e aprendizado de máquina. A história mostra por que a ciência de dados mistura matemática, programação, negócios e responsabilidade social.

Você usa planilhas para filtrar, ordenar, calcular, resumir e conferir dados pequenos. A planilha vira uma ferramenta de raciocínio, não apenas um lugar para digitar números.

Você escreve Python para carregar dados, calcular resultados e automatizar tarefas repetitivas. O capítulo apresenta variáveis, listas, funções e bibliotecas usadas em análise de dados.

Você organiza notebooks, arquivos, dependências e versões do trabalho. Git entra como forma de salvar mudanças, voltar atrás e colaborar sem perder o histórico.

Você consulta bancos relacionais com SELECT, filtros, ordenação, agregações e joins. SQL vira a ponte entre perguntas de negócio e dados guardados em sistemas reais.

Você obtém dados de CSV, Excel, JSON, APIs, formulários e páginas da web. O capítulo também trata limites legais, termos de uso e cuidados ao registrar dados de pessoas.

Você identifica valores ausentes, duplicatas, erros de digitação, formatos quebrados e outliers suspeitos. A limpeza é tratada como investigação cuidadosa, não como apagar tudo que parece estranho.

Você combina bases por chaves, empilha registros, transforma colunas em linhas e cria tabelas prontas para análise. O capítulo evita perdas silenciosas causadas por joins errados.

Você calcula resumos, compara grupos, procura padrões e levanta hipóteses com gráficos e tabelas. A análise exploratória ajuda a descobrir o que vale investigar com mais rigor.

Você constrói gráficos claros para públicos diferentes e escolhe escalas, cores e anotações com intenção. O foco é comunicar evidências sem exagerar a certeza.

Você usa vetores, matrizes, distâncias e produtos escalares como ferramentas práticas. Esses objetos aparecem em regressão, recomendação, busca semântica, redes neurais e redução de dimensão.

Você trabalha com distribuições, média, mediana, variância, desvio padrão, quantis e correlação. O capítulo mostra como resumir dados sem esconder diferenças importantes.

Você calcula estimativas, erro padrão, margem de erro e intervalos de confiança. A habilidade central é dizer não só “quanto deu”, mas quanta incerteza existe no resultado.

Você usa testes de hipótese, valor-p, poder estatístico e tamanho de efeito com cuidado. O capítulo destaca o risco de caçar significância em vez de responder uma pergunta real.

Você usa a ideia bayesiana de atualizar crenças com evidências novas. O capítulo cobre priors, likelihood, posterior e aplicações simples em risco, diagnóstico e previsão.

Você conecta erro, função de perda, gradiente e mínimos locais à forma como modelos melhoram. Essa base prepara regressões, redes neurais e ajuste de hiperparâmetros.

Você ajusta uma reta para prever valores numéricos e interpretar relações entre variáveis. O capítulo cobre resíduos, multicolinearidade, variáveis categóricas e limites de causalidade.

Você modela probabilidades para decisões de sim ou não, como fraude, churn ou aprovação. O capítulo inclui limiares, odds, calibração e interpretação responsável.

Você planeja testes A/B com grupos de controle, aleatorização, métricas primárias e duração adequada. Também vê armadilhas como múltiplos testes, vazamento entre grupos e parar cedo demais.

Você separa associação de causa usando gráficos causais, confundidores, pareamento, diferença em diferenças e variáveis instrumentais em nível inicial. A meta é tomar decisões melhores quando experimentos não são possíveis.

Você transforma dados brutos em variáveis úteis para modelos. O capítulo cobre codificação de categorias, normalização, datas, texto simples, vazamento de dados e pipelines de pré-processamento.

Você monta o ciclo de treino, validação e teste para modelos supervisionados. O capítulo mostra como separar dados, evitar overfitting e comparar alternativas com justiça.

Você escolhe métricas como RMSE, MAE, acurácia, precisão, recall, F1, ROC-AUC e log loss conforme o problema. Também pratica matriz de confusão, validação cruzada e análise de erro.

Você usa árvores de decisão, random forests e gradient boosting para dados tabulares. O capítulo cobre importância de variáveis, hiperparâmetros e o equilíbrio entre desempenho e interpretação.

Você lida com classes raras, custos diferentes de erro e decisões baseadas em risco. O capítulo mostra reamostragem, pesos de classe, ajuste de limiar e métricas adequadas para casos desbalanceados.

Você encontra grupos em dados sem rótulos usando k-means, hierarquia e DBSCAN. O capítulo mostra como avaliar agrupamentos e evitar dar nomes forçados a padrões fracos.

Você reduz muitas colunas a representações menores com PCA, UMAP e embeddings. Também vê como essas técnicas ajudam visualização, compressão, busca e modelos mais estáveis.

Você detecta comportamentos incomuns em transações, sensores, logs e operações. O capítulo trata outliers estatísticos, isolamento, sazonalidade e investigação antes de acusar erro ou fraude.

Você trabalha com datas, tendência, sazonalidade, janelas móveis e validação temporal. O capítulo cobre previsões com modelos estatísticos e de aprendizado de máquina sem embaralhar o tempo.

Você cria recomendações com filtragem colaborativa, conteúdo, fatoração de matrizes e ranking. Também vê o problema do usuário novo, bolhas de recomendação e métricas online.

Você modela decisões em sequência com estados, ações, recompensas e políticas. O capítulo apresenta casos em jogos, robótica, preços, alocação de recursos e limites práticos de segurança.

Você transforma texto em dados usando tokens, n-gramas, TF-IDF, embeddings e classificação. O capítulo cobre sentimento, tópicos, busca e cuidados com linguagem informal e viés cultural.

Você trabalha com coordenadas, mapas, distâncias, áreas e relações de vizinhança. O capítulo usa exemplos de logística, saúde pública, varejo, clima e desigualdade territorial.

Você cria redes neurais simples com camadas, ativações, backpropagation e regularização. O capítulo também mostra por que GPUs mudaram a escala do aprendizado profundo.

Você usa convoluções, aumento de dados e modelos pré-treinados para classificar e detectar objetos em imagens. O capítulo inclui qualidade de rótulos, privacidade visual e avaliação por classe.

Você vê como atenção, embeddings contextuais e pré-treinamento mudaram texto, imagem, áudio e código. O capítulo conecta transformers a tarefas práticas sem pular a matemática essencial.

Você trabalha com modelos de linguagem, prompts, contexto, temperatura, alucinações e limites de conhecimento. O foco é usar LLMs como componentes de sistemas, não como oráculos.

Você combina embeddings, busca vetorial e geração para responder com base em documentos próprios. O capítulo cobre chunking, recuperação, reranking, citações, atualização de bases e avaliação de respostas.

Você adapta modelos já treinados com fine-tuning, LoRA, instruction tuning e preferência humana em nível prático. O capítulo compara custo, dados necessários, risco e quando um bom prompt ou RAG basta.

Você testa sistemas com LLMs contra respostas erradas, vazamento de dados, prompt injection e uso indevido de ferramentas. O capítulo cobre guardrails, red teaming, logs e revisão humana em pontos críticos.

Você cria e usa dados sintéticos para teste, treinamento, privacidade e simulação. O capítulo mostra como medir utilidade, risco de reidentificação e distorções geradas artificialmente.

Você usa AutoML e assistentes de IA para gerar código, testar modelos e acelerar análises. O capítulo ensina a revisar resultados, detectar atalhos perigosos e manter autoria técnica.

Você monta fluxos que extraem, transformam, carregam e atualizam dados com horários e dependências. O capítulo cobre orquestração, idempotência, logs, falhas e documentação do caminho dos dados.

Você diferencia bancos transacionais, data warehouses, data lakes e lakehouses. O capítulo mostra particionamento, formatos colunares, catálogos, custos em nuvem e escolhas de arquitetura.

Você processa volumes grandes com computação distribuída e formatos eficientes. O capítulo cobre Spark, particionamento, shuffle, paralelismo e quando “big data” é exagero.

Você define métricas consistentes, constrói camadas semânticas e entrega painéis que respondem perguntas recorrentes. O capítulo trata filtros, drill-down, alertas e manutenção de dashboards usados de verdade.

Você acompanha um projeto completo: pedido inicial, recorte do problema, dados disponíveis, análise, modelo, validação, entrega e acompanhamento. O capítulo reforça decisões práticas que evitam retrabalho e falsas conclusões.

Você transforma análises e modelos em APIs, relatórios automatizados, apps internos ou rotinas de decisão. O capítulo cobre latência, custo, experiência do usuário e pontos de revisão humana.

Você gerencia versões de dados, código, modelos e experimentos após a entrega. O capítulo cobre CI/CD, registro de modelos, feature stores, testes, monitoramento, drift e rollback.

Você cria checagens para frescor, volume, esquema, valores esperados e quebras entre equipes. O capítulo cobre observabilidade, data contracts, linhagem e resposta a incidentes de dados.

Você protege dados pessoais com minimização, controle de acesso, anonimização, criptografia e retenção correta. O capítulo conecta práticas técnicas à LGPD, consentimento, base legal e direitos dos titulares.

Você avalia explicabilidade, justiça, impacto social, documentação e prestação de contas em modelos. O capítulo cobre model cards, datasheets, auditoria, riscos regulatórios e governança de IA.

Você identifica funções como analista, cientista de dados, engenheiro de dados, engenheiro de machine learning, analista de BI e pesquisador aplicado. O capítulo orienta portfólio, projetos demonstráveis, certificações úteis, comunidades, leitura técnica e formas de acompanhar mudanças da área.