Baixe o app para aproveitar ainda mais
Prévia do material em texto
ASOMOSTERA.COM DATA SCIENCE O guia completo para começar na área https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ SUMÁRIO INTRODUÇÃO ENTENDENDO A ÁREA DE DATA SCIENCE O PAPEL DE CIENTISTAS DE DADOS PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ CONCLUSÃO 02 04 14 18 33 41 02SOMOSTERA.COM INTRODUÇÃO Para quem está em transição de carreira para uma área tão vasta e recente no mercado como é a Ciência de Dados, o caminho para sair do zero e evoluir até uma vaga de emprego nem sempre está claro. Existe um benefício claro com o acesso às informações pela internet: são conteúdos em blogs, cursos gratui- tos, fóruns e grupos de discussão que favorecem uma imersão no universo dos dados. Mas é fácil se perder nesse processo de estudos ou acabar colocando muita energia em materiais que nem sempre fazem diferença para entrevistas e pro- cessos seletivos. É por isso que, eventualmente, preferimos e precisamos de um caminho bem traçado que nos “leve pela mão” e mostre conteúdos realmente relevantes para o desenvolvimento na carreira. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://www.linkedin.com/school/somostera/ https://somostera.com/ 03SOMOSTERA.COM Essa é a proposta deste e-book. Após ler este material, esperamos que você: » se sinta confiante ao dominar os principais conceitos da área; » tenha pontos de partida seguros para estudar temas mais desafiadores; » entenda a dinâmica das vagas e processos seletivos do mercado; » saiba como se preparar para conquistar sua primeira vaga como cientista de dados. Boa leitura e bom aprendizado. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://www.linkedin.com/school/somostera/ https://somostera.com/ ENTENDENDO A ÁREA DE DATA SCIENCE 05SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE Chamamos de Data Science a área que estuda a coleta, o processamento, o tratamento, a aná- lise, a modelagem e a visualização de dados. Geralmente, os dados passam por esses proces- sos para serem convertidos em insights e em informação para gerar conhecimento e viabilizar a tomada de decisões nas empresas. É uma área que envolve muitos campos inter- conectados: negócios, matemática, estatís- tica, programação e outros. Está associada a estratégias de construção de arquitetura de armazenamento de dados, criação de modelos e algoritmos para análise e geração de formas de visualizar e comunicar os dados de uma forma mais compreensível. Os insumos principais para a Data Science são os dados massivos gerados em todo lugar atual- mente. A ideia de Big Data é fundamental para entender isso. São dados em diversos formatos e tamanhos, gerados em bases massivas, estrutu- rados ou não estruturados, com erros e/ou ruídos. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 06SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE Big data faz referência ao grande volume, variedade e velocidade de dados que demandam formas inovadoras e rentáveis de processamento da informação, para melhor percepção e tomada de decisão. Big Data, segundo a Gartner Nesses dados, a pessoa responsável, chamada de data scientist, terá que tratar as bases, buscar padrões e tendências e, eventualmente, automa- tizar a análise, caso precise. Para isso, existe uma série de ferramentas, padrões e linguagens que mencionaremos ao longo deste guia. A área de Ciência de Dados é extremamente ampla e continua em constante crescimento. Nela, você pode se especializar em engenharia de dados, em visualização, em modelos de machine learning, em testes e otimização de algoritmos, entre outras funções. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 07SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE IMPORTÂNCIA NO NEGÓCIO A carreira de cientista de dados aparece em primeiro lugar na lista de profissões em alta demanda para os próximos anos, de acordo com o relatório Future of Jobs, do Fórum Econômico Mundial. O motivo é sua relevância para os ne- gócios e seu consequente impacto em toda a sociedade moderna. Não se trata somente de analisar os dados. A área envolve uma análise que se volta a problemas reais e a responder questionamentos que estão sendo feitos. Desse modo, a pessoa cientista de dados precisa ter uma boa visão do negócio para saber o que priorizar e o que descartar em suas análises. A Ciência de Dados pode ser uma das profissões mais interessantes do momento. Mas, para que realmente faça a diferença dentro de uma em- presa, profissionais de dados precisam ir além da tecnologia, entendendo a fundo o negócio a ser amparado pela análise. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 08SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE Alguns pontos fundamentais para diminuir o abismo entre Data Science e negócios: ENTENDER PARA ATENDER O time de Ciência de Dados precisa entender, na íntegra, de forma empática, as decisões-chave que líderes da organização estão tentando tomar. Só então cientistas poderão apresentar resul- tados analíticos que vão contribuir para essas decisões. CRIAR LAÇO COM OS OBJETIVOS-CHAVE Para garantir que os resultados analíticos sejam relevantes para a empresa, é também indispen- sável estabelecer um laço entre esses resultados e os principais objetivos de negócio: eficiência, custo, receita. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 09SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE VIVER E RESPIRAR O BUSINESS Em qualquer empresa, sempre há pessoas expe- rientes em termos de relação com clientes, de desenvolvimento de produto, de mercado etc. Data scientists devem ter proximidade com elas. Devem trocar constantemente e de forma ágil para dar transparência à evolução dos projetos e experimentos. E os feedbacks dessas pessoas vão indicar se estão no caminho certo ou não. MEDIR OS RESULTADOS Um time de Data Science só deve começar um projeto se souber o porquê de ele existir, e como ele ficará se for bem-sucedido. Não tem segredo: se você não utilizar um placar, só estará treinando, e não jogando. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 10SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE “ Para ser cientista de dados de verdade, você tem que entender que seu trabalho não é apenas sobre a pesquisa. Você precisa quantificar e qualificar o que faz de forma que faça sentido para toda a companhia.” GORDON RIOS, primeiro Data Scientist da Pandora, rádio online norte-americana e responsável pelo ambicioso Music Genome Project. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ http://www.pandora.com/about/mgp 11SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE DIFERENTES PAPÉIS NO CICLO DOS DADOS É importante entender que a Ciência de Dados é considerada uma grande área, unindo conheci- mentos que serão responsáveis por todo ciclo de dados em uma empresa. Esse ciclo abrange desde a limpeza e modela- gem de dados até a fase em que os dados podem ser visualizados e interpretados para tomada de decisões. Nele, entram profissionais de Engenharia de Dados, Data Science, Engenharia de Machine Learning, Análise de Dados, entre outros. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/https://www.linkedin.com/school/somostera/ 12SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE Compreensão do problema de negócio Abordagem analítica Modelagem Feedback Dados requisitados Deployment Coleta de dados Avaliação Compreensão dos dados Preparação dos dados JOHN ROLLINS Data Scientist, IBM Analytics, IBM https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 13SOMOSTERA.COM _ ENTENDENDO A ÁREA DE DATA SCIENCE ANALISTAS E CIENTISTAS DE DADOS Um ponto que costuma ser motivo de dúvida para quem está entrando no mercado de Data Science e até mesmo para quem já vivencia a rotina na empresa é sobre a fronteira entre Análise e Ciência de Dados. A falta de clareza acontece por esse ser um campo de conhecimento relativamente novo e em constante evolução. Assim, empresas podem lidar de formas diferentes com as nomenclaturas e responsabilidades de analistas e cientistas. A principal diferença entre analista de dados e cientista de dados é que analistas terão maior foco em análises para respostas rápidas, geração de insights para decisões e até união dos dados com a experiência e intuição para a resolução de problemas. Enquanto isso, cientistas de dados assumem projetos de longo prazo, desenvolvendo modelos para uma finalidade específica ou mesmo fazendo a limpeza dos dados desde os primeiros estágios. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ O PAPEL DE CIENTISTAS DE DADOS 15SOMOSTERA.COM _ O PAPEL DE CIENTISTAS DE DADOS Com esse pano de fundo, podemos nos apro- fundar melhor no papel de cientistas de dados. Profissionais dessa área vão mergulhar nos dados para, através deles, encontrar padrões e infor- mações que sejam importantes para resolver um problema. Para atuar como cientista de dados, é necessário desenvolver uma bagagem ampla, que reúna conhecimentos de tecnologia, programação, es- tatística, matemática e — muito importante — do modelo de negócio em que você está trabalhando. Isso porque cientistas de dados têm um papel fundamental em alimentar com inteligência e informações as mais diversas áreas da empre- sa. Muito mais do que uma área técnica, essa é uma carreira estratégica e de alto impacto nas organizações. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 16SOMOSTERA.COM _ O PAPEL DE CIENTISTAS DE DADOS Mais algumas informações que podem te interessar sobre o papel de data scientists: O dia a dia da profissão envolve trabalhar em problemas específicos por períodos significativos; a ciência exige método, paciência, experimentos e resiliência quando iniciativas não derem certo; Suas funções vão depender do contexto da empresa em que você vai atuar e da maturidade de dados dela; enquanto alguns negócios já têm dados estruturados, outros precisam de profissionais para conduzir esse processo desde os estágios iniciais; Você não precisa ter domínio avançado dos três pilares da Ciência de Dados — tecnologia, estatística e negócios —, mas é essencial ter domínio de todas essas áreas e mais profundidade em pelo menos uma delas; Para entender melhor o que o mercado está pedindo, o ideal é observar as vagas para cientistas de dados de empresas com perfis que você considera interessantes. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 17SOMOSTERA.COM A Tera levantou dados interessantes sobre perfil, habi- lidades e responsabilidades de cientistas de dados nas empresas brasileiras. Confira a seguir e entenda como se preparar para a rotina dessa carreira. COMO SE DESENVOLVE YouTube, Cursos e treinamentos, livros HABILIDADES TÉCNICAS interpretação do problema, modelagem de dados, captação de dados e ETL SOFT SKILLS Mentalidade orientada a dados, resolução de problemas complexos, resiliência, criatividade RESPONSABILIDADES Engajamento com outros stakeholders, coleta de dados, análise de dados, modelagem de dados FERRAMENTAS Python, SQL, Git jcomp - Freepik.com https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://www.linkedin.com/school/somostera/ https://somostera.com/ O PASSO A PASSO DE CONHECIMENTOS DO ZERO A VAGA DE EMPREGO 19SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA Depois de conhecer mais sobre a área de Ciência de Dados e as diferentes possibilidades de atu- ação nesse mercado tão aquecido, é essencial compreender como de fato se desenvolver com confiança. Nas próximas páginas, você vai navegar por habilidades técnicas e comportamentais, teorias e ferramentas que consideramos chaves para destravar esse mercado e seu currículo como cientista de dados. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 20SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA LINGUAGENS DE PROGRAMAÇÃO Para entender como começar em ciência de dados, é preciso compreender as linguagens de progra- mação. Na área, temos a proeminência de Python, por ser uma linguagem orientada a objetos, versátil, extremamente limpa e apresentar uma série de bibliotecas já implementadas. Além disso, outra vantagem de Python é dispor de um conjunto de elementos já configurados, como ambientes de desenvolvimento. Eles ajudam muito a lidar com as instalações de bibliotecas necessárias e a preparar a máquina para geren- ciar os dados nas tarefas do cotidiano. Desse modo, você só precisa importar de forma simples quando precisar de alguma função. Como opções que você deve conhecer, citamos o Anaconda e as ferramentas de notebook, que preparam toda a estrutura para o desen- volvimento na nuvem. É fundamental também dominar o github e seus controles de versiona- mento para organizar a codificação e ter uma boa visão na programação em grupo. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 21SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA MODELAGEM DE BANCO DE DADOS Na ciência dos dados, a modelagem de banco de dados, evidentemente, cumpre um papel muito importante. Nesse sentido, a pessoa cien- tista deve entender muito bem o padrão SQL e dominar as ferramentas que implementam seus conceitos em Python, como os bancos de dados SQlite e PostGreSQL. É importante ter a capaci- dade de desenvolver modelos para estruturar a relação entre os dados e implementá-los com uma linguagem. Da mesma forma, é necessário aprender a ma- nipular os dados em estruturas relacionais, de modo a efetuar consultas, filtragens e alterações nas bases. Também é interessante conhecer fer- ramentas para dados não estruturados, como as tecnologias e o NoSQL. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 22SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA RESOLUÇÃO DE PROBLEMAS COMPLEXOS A pessoa cientista de dados deverá se deparar com problemas complexos e reais que afetam as pessoas. Por isso, é importante ser analítico e sa- ber dividir os problemas para chegar à solução de maneira ágil. Nesse ponto, os conhecimentos do negócio são úteis também. ESTATÍSTICA DESCRITIVA Outro importante campo é a estatística descriti- va. É fundamental compreender os métodos de análise para descrever os dados e buscar infor- mações imediatas acerca deles, como médias, medianas, tabelas de frequências e gráficos. Isso é fundamental, por exemplo, para comparar dados em bases diferentes e estabelecer uma visão de como cada uma delas estácaracterizada. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 23SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA Além disso, a probabilidade e as distribuições aju- dam a compreender e embasar outros conceitos relevantes, principalmente na modelagem estatís- tica. São conceitos que devem estar solidificados na mente da pessoa que trabalha com dados. ANÁLISE EXPLORATÓRIA DE DADOS É mandatório também conhecer os métodos para uma boa análise exploratória em uma base de dados. Nesse sentido, a pessoa profissional pre- cisa saber como encontrar padrões e tendências nos dados, a partir de manipulações de funções e recursos já existentes em bibliotecas como o Pandas e Matplotlib. Inclusive, essa parte ajuda na criação de hipóte- ses que podem ser confirmadas ou negadas pos- teriormente. É uma forma de estudar as bases com a ajuda de elementos visuais como os grá- ficos e outros métodos de visualização de dados. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 24SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA MODELAGEM ESTATÍSTICA A modelagem estatística é outra parte integral do currículo de quem lida com dados. É necessário entender como coletá-los e transformá-los para atender a um modelo, com técnicas de inteligên- cia artificial e aprendizado de máquina. Um modelo estatístico é uma representação da realidade na qual definimos a relação entre variáveis para entender e prever o comportamen- to de um fenômeno. Estabelecemos quais serão as variáveis independentes e qual será a variável dependente; a partir dos elementos independen- tes, tentamos prever um valor para o elemento dependente. Com isso, os modelos ajudam as pessoas cien- tistas de dados a preverem um resultado para o problema em análise. Uma pessoa cientista de dados precisa considerar esses fatores, pois terá que lidar com cenários complexos em que os modelos têm que estar preparados para novos dados e mudanças nas características analisadas. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 25SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA MODELOS DE APRENDIZADO SUPERVISIONADO Outro assunto que faz parte do currículo é o aprendizado de máquina supervisionado. O dia a dia da pessoa cientista de dados envolverá pro- blemas dessa natureza, em que é preciso buscar a melhor maneira de dividir as bases de dados entre treinamento e teste, bem como selecionar o melhor algoritmo. Existem várias opções nesse campo, como as famosas árvores de decisão, o naive-bayes, o SVM e as redes neurais. Toda a área do Deep Learning supervisionado entra nessa categoria, aliás. É necessário domi- nar a noção de extração de características que as redes neurais ajudam a automatizar, bem como entender como usar camadas emprestadas de modelos já treinados para o caso de problemas muito complexos, como análise e reconheci- mento de imagens. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 26SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA MODELOS DE APRENDIZADO NÃO SUPERVISIONADO Em complemento aos modelos supervisionados, temos os modelos não supervisionados. São exemplos: algoritmos como as regras de associa- ção, as técnicas de agrupamento e as técnicas utilizadas para sistemas de recomendação, como filtragem colaborativa e outros. Nesse sentido, é preciso compreender bem a diferença entre os dois tipos de aprendizado para saber quais problemas se encaixam me- lhor em cada um. Uma visão analítica também ajuda na hora de filtrar as conclusões que o algo- ritmo fornece, de modo a eliminar alguns ruídos e informações não relevantes e gerar uma visão mais precisa para aquele negócio. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 27SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA TÉCNICAS DE MACHINE LEARNING COM EFEITO TEMPORAL Outro importante fator a considerar na carreira é o aprendizado de técnicas de machine learning (ML) para analisar um efeito temporal. Ou seja, é preciso analisar os dados com a compreensão de como eles mudam ao longo do tempo, bem como buscar a identificação de possíveis padrões nes- sas variações. Um exemplo disso são as séries temporais, um importante conceito da estatística. Elas ajudam a entender eventos que ocorrem ao longo de um período, de forma sequencial, como o número de vendas em uma loja em um ano. Assim, é possível estudar o comportamento dos dados nesse mo- mento histórico. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 28SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA COMPREENSÃO DE ÉTICA Além de conhecer e dominar as dimensões mate- máticas, estatísticas e computacionais, a pessoa cientista de dados também precisa de uma com- preensão ética acerca de sua profissão e das implicações dela para a sociedade. Afinal, os sistemas criados por esses profissio- nais não existem sozinhos, eles existem em um contexto, em uma organização/uma sociedade e geram impacto na vida de pessoas em todos os âmbitos. Nesse sentido, o ideal é aprofundar a considera- ção da tecnologia em serviço da sociedade, para o bem de todos, e não somente como um mero pro- duto para um fim. É importante entender a rela- ção entre os sistemas e as pessoas e saber como lidar com as particularidades do ser humano. Um exemplo prático disso é a discussão acerca de dados e privacidade no mundo contemporâ- neo. As pessoas geram muitos dados que são úteis para empresas e cientistas de dados em suas aplicações. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 29SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA Contudo, muitos desses dados carregam aspec- tos da dignidade e dos direitos básicos dos seres humanos. Nesse sentido, o tratamento dos dados deve respeitar essa questão e estar alinhado a esses princípios morais e éticos. EVOLUÇÃO DAS SOLUÇÕES DE DADOS COM MLOPS No processo de Data Science, existe a parte que cuida do deploy de algoritmos de ML para uti- lização em outras aplicações, a engenharia de machine learning. Nesse sentido, o MLOps é uma tecnologia importante, pois automatiza não somente o fluxo de deploy e testes, como tam- bém o treinamento e a preparação dos dados que ocorre depois. A pessoa que decide trabalhar com ciência de dados entende no seu dia a dia que os modelos perdem qualidade assim que terminam de ser de- senvolvidos. Novas características surgem e influenciam o que chamamos de degradação do modelo. Para melhorar continuamente e ga- rantir os melhores resultados com os testes e o treinamento, é preciso usar as técnicas de MLOps. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 30SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA DATA STORYTELLING A comunicação é outro aspecto-chave do tra- balho da pessoa que gerencia dados. Afinal, não é só tratamento de dados e modelagens: o dia a dia envolve comunicar os insights encontrados de modo que eles gerem influência e cooperem com as decisões tomadas. Ou seja, é necessário traduzir uma linguagem de dados técnicos e variáveis estatísticas de desempenho para uma linguagem de negócios. Para isso, temos o Data Storytelling. São técnicas e boas práticas que ajudam a transformar estatís- ticas, gráficose relatórios complexos em histórias interessantes de entender e de acompanhar. O objetivo é ser o mais democrático possível ao es- palhar o conhecimento para que todos consigam compreender, de maneira clara e precisa. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 31SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA CONSTRUÇÃO DE INTERFACES Aliás, outro momento essencial para a finalização do processo de Data Science é a construção de interfaces e aplicações que contêm os modelos. Em algumas organizações, esse processo é feito por desenvolvedores front-end, mas em outros casos, a pessoa cientista de dados mesmo ficará encarregada disso. Ou seja: é bom ter essa habili- dade também para se destacar no mercado. Estamos falando do uso de ferramentas, como o streamlit do Python, que ajudam a construir de forma prática uma aplicação web para abrigar um modelo e facilitar o uso por pessoas não técnicas. Também envolve a conexão com dashboards para comunicação dos resultados de forma automáti- ca para decisores, por exemplo. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 32SOMOSTERA.COM _ PASSO A PASSO DE CONHECIMENTOS DO ZERO À VAGA CRIAÇÃO DE PORTFÓLIO E PREPARAÇÃO PARA ENTREVISTAS A pessoa na carreira de ciência de dados preci- sa saber se portar como profissional. Isso inclui a criação e organização de um portfólio com pro- jetos pessoais e feitos incríveis que possam ser mostrados em uma entrevista. Envolve também a própria postura na entrevista, como uma boa ca- pacidade de comunicação e de entendimento dos aspectos que vão além do conhecimento técnico. Ou seja, se a pessoa já sabe traduzir números em negócio na entrevista, esse é um bom indício de que conseguirá transmitir bem os resultados e realmente ajudar a empresa a crescer. Os entre- vistadores vão gostar muito disso. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ DO LUIZALABS ALLAN DIEGUEZ Head do Chapter de Data Science LuizaLabs Expert do curso de Data Science e Machine Learning da Tera https://www.linkedin.com/in/allan-dieguez/ https://www.linkedin.com/in/allan-dieguez/ 34SOMOSTERA.COM _ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ Para ganhar mais confiança durante uma tran- sição de carreira, nada melhor do que receber dicas estratégicas de especialistas na área. Por isso, trouxemos algumas dicas do expert Allan Dieguez, Head do Chapter de Data Science do Luizalabs. Elas vão ajudar você a compreender as fases da seleção de cientistas de dados e como você pode se destacar. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 35SOMOSTERA.COM _ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ PREPARE SEU CURRÍCULO PARA A TRIAGEM O primeiro passo da candidatura para uma vaga de data scientist é o envio do currículo para ava- liação. O expert Allan Dieguez explica que, nesse momento, recrutadores olham se a pessoa real- mente tem as habilidades de cientista de dados e quais são os objetivos declarados no seu resumo profissional. Se a pessoa nunca trabalhou na área, não pode ser contratada para nível pleno, por exemplo. Seu currículo precisa deixar claro que você tem as skills necessárias para atuar em Ciência de Dados. Habilidades em Python, Machine Learning, SQL, Análise de Dados e Estatística são fundamen- tais, assim como projetos relevantes em Data Science. Estude sua candidatura. Entenda mais sobre a empresa: qual o core business e nível de maturidade data driven em que ela se encontra. Entenda seus pontos fortes e fracos e sua senioridade em relação à vaga. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 36SOMOSTERA.COM _ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ MOSTRE ALINHAMENTO NA ENTREVISTA DE FIT CULTURAL Para ter um bom desempenho nessa fase, Allan Dieguez aponta que é necessário mostrar inte- resse no modelo de negócio da empresa, aplicar seus conhecimentos técnicos ao contexto da empresa e se comunicar com habilidade. “É importante mostrar que você consegue conversar com diferentes tipos de pessoas de forma simples e direta. Eu quero um cientista de dados que fale em português. Eu preciso que eles sejam humanos. Você precisa traduzir algo extremamente complexo e colocar de forma simples o suficiente para que qualquer pessoa entenda.” https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 37SOMOSTERA.COM _ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ » Escolha um projeto com aprendizados; » Explique de forma sucinta, caprichando no storytelling; » Use o método STAR (Situação, Tarefa, Ação, Resultado) como guia; » Atenção às perguntas do time. SAIBA SE COMUNICAR NA ENTREVISTA TÉCNICA A entrevista técnica também tem como meta ob- servar como cada pessoa se comunica e explica seus conhecimentos. É preciso saber se expressar bem e controlar o nervosismo. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 38SOMOSTERA.COM _ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ “Eu quero saber o quanto a pessoa sabe tecnicamente e o quanto ela se comunica bem. Em uma entrevista técnica, não é sobre se você saber fazer tudo tecnicamente. É eu te colocar em um ambiente controlado para se comunicar com estranhos de conhecimento elevado na área e ver se você não trava sob esse tipo de pressão.” » Tente entender a pergunta antes de responder; » Raciocine em voz alta, deixe seu raciocínio ser percebido; » Escreva, desenhe, rabisque; » Mais de uma solução é bom, se pelo menos uma funciona. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 39SOMOSTERA.COM _ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ MOSTRE COMO TRABALHA NO DESAFIO TÉCNICO Se você passar pelas primeiras etapas, já está muito perto da sua vaga de cientista de dados. A última fase do processo seletivo é o desafio téc- nico: um case proposto pela empresa, que precisa ser resolvido por você ao longo de alguns dias, e apresentado para o time em seguida. Allan Dieguez ressalta que, além de avaliar o nível técnico de quem está pleiteando a vaga de data scientist, a etapa de case também quer enten- der melhor como a pessoa se comunica e explica seus raciocínios por trás do trabalho realizado. É uma simulação do dia a dia do negócio. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 40SOMOSTERA.COM _ [BÔNUS] DICAS PARA PROCESSOS SELETIVOS COM O EXPERT ALLAN DIEGUEZ » Crie hipóteses iniciais sobre o problema para validar durante a solução; » Versione o projeto em uma estrutura que facilite a reprodução; » Registre seus insights e descobertas em um relatório; » Use ao máximo o storytelling para descrever a solução e suas descobertas. O mercado de Data Science está em constante evolução e cheio de boas oportunidades, por isso, garanta que você tem os conhecimentos e ferra- mentas necessários para conquistar seu espaço. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ 41SOMOSTERA.COMCONCLUSÃO As centenas de vagas para cientistas de dados em aberto nos sites de recrutamento deixam claro que ain- da existe uma lacuna a ser preenchida nesse mercado. Faltam profissionais com a preparação necessária para pleitear as oportunidades. Em uma sociedade em que dados estão no centro das decisões, das tecnologias inovadoras e das transfor- mações positivas, precisamos que mais pessoas sejam encorajadas e guiadas para ocupar esses espaços de forma igualitária e representativa. Esperamos que este e-book seja uma das ferramentas para atingir este objetivo e que você consiga usá-lo de forma estratégica na sua evolução em Ciência de Dados. https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://www.linkedin.com/school/somostera/ https://somostera.com/ 42SOMOSTERA.COM Seja estudando de forma independente ou fazendo um curso completo que te ajude a adquirir todas as habili- dades, agora você tem uma visão mais clara sobre essa área e sobre o que o mercado está buscando. Você pode contar com a Tera em sua jornada de de- senvolvimento. Nosso novo curso de Data Science e Machine Learning tem a proposta de levar você do zero até a conquista da sua vaga. Com cerca de 500 horas de conteúdo, interações ao vivo com experts, mentorias sobre carreira e empregabilidade e projetos práticos assinados por grandes empresas, você poderá dar passos confiantes nessa carreira promissora. CONHEÇA O CURSO DE DATA SCIENCE https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://www.linkedin.com/school/somostera/ https://somostera.com/ https://somostera.com/cursos/data-science-machine-learning?utm_campaign=Guias-de-carreira-ebooks&utm_source=ebook-dsc&utm_content=botao-conheca-curso-ebook-dsc SOBRE A TERA Somos mais do que uma escola, somos uma comunida- de de pessoas apaixonadas por educação e tecnologia. Acreditamos que um mundo melhor nasce do trabalho de pessoas conscientes, responsáveis e corajosas que se apropriam da tecnologia para servir ao coletivo. EQUIPE EDITORIAL Redação Rebeca Nascimento e Gabriel Sacramento Direção de arte Tatiane Rocha Diagramação Leear Martiniano Apoio de conteúdo Ana Paula Lafuente, Victor Morganti e Allan Dieguez 45SOMOSTERA.COM SOMOSTERA.COM https://pt-br.facebook.com/somostera/ https://www.instagram.com/somostera https://somostera.com/ https://www.linkedin.com/school/somostera/ https://somostera.com/ introdução
Compartilhar