Construa uma Carreira em Ciência de Dados

Autores: Emily Robinson
Jacqueline Nolis

ISBN impresso: 978-65-86057-42-3
ISBN ebook: 978-65-86057-43-0
Ano: 2021
Páginas: 400
Preço impresso: R$ 114,00 O ebook deste livro está disponível na Amazon.

2 opiniões | Opine sobre este livro

Descrição do livro

Construa uma Carreira em Ciência de Dados é o seu guia para conseguir o primeiro emprego nessa área e se transformar em um profissional habilitado e inestimável. Seguindo instruções claras e simples, você aprenderá a criar um excelente currículo para sair-se bem em entrevistas.

Nesse campo exigente e em rápida transformação, pode ser um desafio manter os projetos na direção certa, adaptar-se às necessidades das empresas e gerenciar stakeholders problemáticos. Você irá se beneficiar com ideias sobre como lidar com as expectativas e frustrações, além de maneiras de planejar sua carreira com base nas vivências de cientistas de dados experientes relatadas no livro.Ver menos ▲

Sumário

Prefácio
Agradecimentos
Sobre este livro
Sobre as autoras
Sobre a ilustração da capa
- ■ Introdução à ciência de dados
Capítulo
- ■ O que é a ciência de dados?
- 1.1 O que é a ciência de dados?
  - 1.1.1 Matemática/estatística
  - 1.1.2 Bancos de dados/programação
  - 1.1.3 Entendimento dos negócios
- 1.2 Tipos diferentes de vagas na ciência de dados
  - 1.2.1 Análise
  - 1.2.2 Machine learning
  - 1.2.3 Ciência de decisão
  - 1.2.4 Trabalhos relacionados
- 1.3 Como escolher sua direção
- 1.4 Entrevista com Robert Chang, cientista de dados da Airbnb
- Resumo
Capítulo
- ■ Empresas de ciência de dados
- 2.1 MTC (Massive Tech Company – Empresa de tecnologia em massa)
  - 2.1.1 Sua equipe: uma de muitas na MTC
  - 2.1.2 A tecnologia: avançada, mas desarticulada na empresa
  - 2.1.3 As vantagens e desvantagens da MTC
- 2.2 HandbagLOVE: a varejista bem estabelecida
  - 2.2.1 Sua equipe: um pequeno grupo com dificuldade para crescer
  - 2.2.2 Sua tecnologia: recursos legados que estão começando a mudar
  - 2.2.3 Vantagens e desvantagens da HandbagLOVE
- 2.3 Seg-Metra: a startup em fase inicial
  - 2.3.1 Sua equipe (que equipe?)
  - 2.3.2 A tecnologia: tecnologia de ponta
  - 2.3.3 As vantagens e desvantagens da Seg-Metra
- 2.4 Videory: a bem-sucedida startup de tecnologia de estágio avançado
  - 2.4.1 A equipe: especializada, mas com espaço para mover-se
  - 2.4.2 A tecnologia: evitando se complicar com código legado
  - 2.4.3 As vantagens e as desvantagens da Videory
- 2.5 Global Aerospace Dynamics: uma gigante do governo
  - 2.5.1 A equipe: um cientista de dados em um mar de engenheiros
  - 2.5.2 A tecnologia: antiga, endurecida e com bloqueio de segurança
  - 2.5.3 As vantagens e desvantagens da GAD
- 2.6 Reunindo tudo
- 2.7 Entrevista com Randy Au, pesquisador quantitativo de experiência do usuário na Google
- Resumo
Capítulo
- ■ Como aprender as competências
- 3.1 Curso universitário em ciência de dados
  - 3.1.1 Escolha da universidade
  - 3.1.2 Como ingressar em um curso universitário
  - 3.1.3 Resumo de cursos acadêmicos
- 3.2 Participação de bootcamps
  - 3.2.1 O que você aprende
  - 3.2.2 Custo
  - 3.2.3 Escolha do curso
  - 3.2.4 Resumo dos bootcamps de ciência de dados
- 3.3 Trabalhar com ciência de dados dentro de sua empresa
  - 3.3.1 Resumo de aprender no trabalho
- 3.4 Aprender por conta própria
  - 3.4.1 Resumo de aprender por conta própria
- 3.5 Escolha
- 3.6 Entrevista com Julia Silge, cientista de dados e engenheira de software da RStudio
- Resumo
Capítulo
- ■ Como montar um portfólio
- 4.1 Como criar um projeto
  - 4.1.1 Como encontrar dados e fazer uma pergunta
  - 4.1.2 A escolha de uma direção
  - 4.1.3 Preenchimento do README do GitHub
- 4.2 Como iniciar um blog
  - 4.2.1 Tópicos em potencial
  - 4.2.2 Logística
- 4.3 Trabalhar em projetos exemplares
  - 4.3.1 Freelancers de ciência de dados
  - 4.3.2 Treinar uma rede neural em placas de carro ofensivas
Sumário
- 4.4 Entrevista com David Robinson, cientista de dados
- Resumo
- Recursos dos capítulos 1–4
  - Livros
  - Textos de blog
    - ■ Como encontrar empregos em ciência de dados
Capítulo
- ■ A busca: como identificar o emprego certo para você
- 5.1 Como encontrar vagas
  - 5.1.1 Como decodificar as descrições
  - 5.1.2 Como detectar sinais de alertas
  - 5.1.3 Definição das suas expectativas
  - 5.1.4 Participação de meetups
  - 5.1.5 Utilização de redes sociais
- 5.2 Como decidir a quais vagas se candidatar
- 5.3 Entrevista com Jesse Mostipak, promotora na Kaggle
- Resumo
Capítulo
- ■ Como se candidatar: currículo e carta de apresentação
- 6.1 Currículo: o básico
  - 6.1.1 Estrutura
  - 6.1.2 Como aprofundar a seção de experiência: geração de conteúdo
- 6.2 Carta de apresentação: o básico
  - 6.2.1 Estrutura
- 6.3 Adaptação
- 6.4 Indicações
- 6.5 Entrevista com Kristen Kehrer, instrutora de ciência de dados e criadora de curso
- Resumo
Capítulo
- ■ A entrevista: o que esperar e como lidar com ela
- 7.1 O que as empresas querem?
  - 7.1.1 O processo de entrevista
- 7.2 Etapa 1: a triagem inicial por telefone
- 7.3 Etapa 2: entrevista na empresa
  - 7.3.1 A entrevista técnica
  - 7.3.2 A entrevista comportamental
- 7.4 Etapa 3: o estudo de caso
- 7.5 Etapa 4: a entrevista final
- 7.6 A proposta
- 7.7 Entrevista com Ryan Williams, cientista de decisão sênior da Starbucks
- Resumo
Capítulo
- ■ A proposta: saber o que aceitar
- 8.1 O processo
- 8.2 Como receber a proposta
- 8.3 A negociação
  - 8.3.1 O que é negociável?
  - 8.3.2 Quanto negociar
- 8.4 Táticas de negociação
- 8.5 Como escolher entre duas “boas” propostas de trabalho
- 8.6 Entrevista com Brooke Watson Madubuonwu, cientista de dados sênior da ACLU
- Resumo
- Recursos dos capítulos 5–8
  - Livros
  - Posts de blog e cursos
    - ■ Adaptação na área de ciência de dados
Capítulo
- ■ Os primeiros meses de trabalho
- 9.1 Primeiro mês
  - 9.1.1 Integração em uma grande empresa: uma máquina bem lubrificada
  - 9.1.2 Integração em uma empresa pequena: que integração?
  - 9.1.3 Compreender e definir expectativas
  - 9.1.4 Como conhecer seus dados
- 9.2 Como tornar-se produtivo
  - 9.2.1 Como fazer perguntas
  - 9.2.2 Como construir relacionamentos
- 9.3 Se você for o primeiro cientista de dados
- 9.4 Quando o trabalho não é o que foi prometido
  - 9.4.1 O trabalho é terrível
  - 9.4.2 O ambiente de trabalho é tóxico
  - 9.4.3 Decidir ir embora
- 9.5 Entrevista com Jarvis Miller, cientista de dados do Spotify
- Resumo
Capítulo
- ■ Como fazer uma análise eficaz
- 10.1 Solicitação
- 10.2 Plano de análise
- 10.3 Como fazer a análise
  - 10.3.1 Importação e limpeza de dados
  - 10.3.2 Exploração e modelagem de dados
  - 10.3.3 Pontos importantes para explorar e modelar
- 10.4 Encerramento
  - 10.4.1 Apresentação final
  - 10.4.2 Como salvar seu trabalho para a posterioridade
Sumário
- 10.5 Entrevista com Hilary Parker, cientista de dados na Stitch Fix
- Resumo
Capítulo
- ■ Como implantar um modelo na produção
- 11.1 O que significa implantar na produção?
- 11.2 Como criar o sistema de produção
  - 11.2.1 Coleta de dados
  - 11.2.2 Como construir o modelo
  - 11.2.3 Como atender modelos com APIs
  - 11.2.4 Como construir uma API
  - 11.2.5 Documentação
  - 11.2.6 Teste
  - 11.2.7 Como implantar uma API
  - 11.2.8 Teste de carregamento
- 11.3 Como manter o sistema em funcionamento
  - 11.3.1 Monitoramento do sistema
  - 11.3.2 Como retreinar o modelo
  - 11.3.3 Fazer alterações
- 11.4 Encerramento
- 11.5 Entrevista com Heather Nolis, engenheira de machine learning da T-Mobile
- Resumo
Capítulo
- ■ Como trabalhar com stakeholders
- 12.1 Tipos de stakeholders
  - 12.1.1 Stakeholders da administração
  - 12.1.2 Stakeholders da engenharia
  - 12.1.3 Liderança corporativa
  - 12.1.4 Seu gerente
- 12.2 Como trabalhar com stakeholders
  - 12.2.1 Como entender os objetivos dos stakeholders
  - 12.2.2 Como comunicar constantemente
  - 12.2.3 Como ser consistente
- 12.3 Como priorizar o trabalho
  - 12.3.1 Trabalho inovador e com impacto
  - 12.3.2 Trabalho não inovador, mas com impacto
  - 12.3.3 Trabalho inovador, mas sem impacto
  - 12.3.4 Trabalho nem inovador nem impactante
- 12.4 Observações finais
- 12.5 Entrevista com Sade Snowden-Akintunde, cientista de dados da Etsy
- Resumo
- Recursos dos capítulos 9–12
  - Livros
  - Blogs
    - Como crescer em sua função em ciência de dados
Capítulo
- ■ Quando seu projeto de ciência de dados falha
- 13.1 Por que seu projeto de ciência de dados falha?
  - 13.1.1 Os dados não são aqueles que você queria
  - 13.1.2 Os dados não têm um sinal
  - 13.1.3 O cliente acabou não querendo
- 13.2 Gerenciamento de risco
- 13.3 O que fazer quando seu projeto falhar
  - 13.3.1 O que fazer com o projeto
  - 13.3.2 Lidando com emoções negativas
- 13.4 Entrevista com Michelle Keim, chefe da equipe de ciência de dados e machine learning da Pluralsight
- Resumo
Capítulo
- ■ Como participar da comunidade de ciência de dados
- 14.1 Como aumentar seu portfólio
  - 14.1.1 Mais posts de blog
  - 14.1.2 Mais projetos
- 14.2 Participação em conferências
  - 14.2.1 Como lidar com a ansiedade social
- 14.3 Como ministrar palestras
  - 14.3.1 Como conseguir uma oportunidade
  - 14.3.2 Preparação
- 14.4 Como contribuir para o código aberto
  - 14.4.1 Como contribuir para o trabalho de outras pessoas
  - 14.4.2 Como fazer seu próprio pacote ou biblioteca
- 14.5 Como reconhecer e evitar a exaustão
- 14.6 Entrevista com Renee Teate, diretora de ciência de dados na HelioCampus
- Resumo
Capítulo
- ■ Como sair bem do seu emprego
- 15.1 Decidir sair
  - 15.1.1 Faça o balanço do seu progresso de aprendizagem
  - 15.1.2 Verifique como você se alinha com seu gerente
- 15.2 Como a busca de emprego difere do seu primeiro emprego
  - 15.2.1 Decidir o que você quer
  - 15.2.2 Entrevistas
- 15.3 Encontrar um novo emprego enquanto estiver empregado
- 15.4 Como apresentar o aviso-prévio
  - 15.4.1 Considerando uma contraproposta
  - 15.4.2 Como contar à equipe
  - 15.4.3 Como facilitar a transição
- 15.5 Entrevista com Amanda Casari, gerente de engenharia da Google
- Resumo
Sumário
Capítulo
- ■ Como subir na carreira
- 16.1 A via da gerência
  - 16.1.1 Vantagens de ser gerente
  - 16.1.2 Desvantagens de ser gerente
  - 16.1.3 Como se tornar um gerente
- 16.2 O caminho para ser cientista de dados líder
  - 16.2.1 Benefícios de ser um cientista de dados líder
  - 16.2.2 Desvantagens de ser um cientista de dados líder
  - 16.2.3 Como se tornar um cientista de dados líder
- 16.3 Mudar para consultoria independente
  - 16.3.1 Benefícios da consultoria independente
  - 16.3.2 Desvantagens da consultoria independente
  - 16.3.3 Como se tornar um cientista de dados líder
- 16.4 Como escolher seu caminho
- 16.5 Entrevista com Angela Bassa, chefe da ciência de dados, engenheira de dados e machine learning na iRobot
- Resumo
- Recursos dos capítulos 13–16
  - Livros
- Blogs
Epílogo
- ■ Perguntas da entrevista
Índice remissivo