SOBRE OS DADOS

50.000 faixas sintéticas no estilo Spotify, abrangendo o período de 2000 a 2024 em 20 gêneros. Cada registro espelha a API de Recursos de Áudio do Spotify: dançabilidade, energia, volume, presença de fala, acústica, instrumentalidade, presença ao vivo, valência, andamento, duração, tonalidade e modo — todos gerados com distribuições realistas. Desenvolvido para fins educacionais em:

• Previsão de popularidade (regressão);
• Classificação de gênero (20 classes);
• Agrupamento de humor (K-Means / UMAP);
• Tendências temporais;
• Prototipagem de sistemas de recomendação.

Características notáveis incluem distribuição Zipf de popularidade, tonalidades realistas e variações de BPM entre 60 e 180.

SOBRE O AUTOR

Olá a todos, meu nome é William da Silva Matsunaga.

Sou uma pessoa apaixonada por tecnologia desde a infância. Tudo começou quando ganhei meu primeiro computador, por volta dos meus 10 anos e, desde então, a curiosidade em entender, explorar e criar dentro desse universo só cresceu.

Hoje, essa paixão se tornou meu propósito profissional. Atualmente, estou cursando o ensino superior em Análise e Desenvolvimento de Sistemas e atuo como assistente de projetos, onde tenho a oportunidade de aplicar na prática conhecimentos relacionados à área de tecnologia.

Estou constantemente em busca de oportunidades para aprender, evoluir e me desenvolver, contribuindo com dedicação, curiosidade e vontade de crescer.

Gráfico 1

Explicando o gáfico 1

Este gráfico apresenta a frequência total de faixas por gênero no dataset sintético contendo 50 mil músicas. Ele ajuda a identificar:

• A diversidade ou concentração de gêneros
• Possíveis desequilíbrios importantes para modelos preditivos
• Padrões iniciais de distribuição
• Insights para análise exploratória e tratamento de dados

Utiliza a cor darkgreen para manter a consistência visual com o tema geral do dashboard.

Gráfico 1

Explicando o gáfico 1

Este gráfico apresenta a distribuição da popularidade das músicas no dataset, considerando uma escala de 0 a 100.

Ele permite analisar:

• Como as músicas estão distribuídas em termos de popularidade
• Se há maior concentração em músicas pouco populares ou muito populares
• A presença de padrões como cauda longa (muitas músicas com baixa popularidade)
• Possíveis tendências que podem influenciar modelos de previsão

A popularidade é considerada uma variável qualitativa ordinal, pois representa uma classificação com ordem (do menos popular ao mais popular).

Gráfico 1

Explicando o gáfico 1

Este gráfico apresenta a distribuição das músicas ao longo dos anos de lançamento (release_year), permitindo visualizar como as faixas estão distribuídas no tempo.

Ele possibilita analisar:

• A quantidade de músicas lançadas por ano
  
• Tendências de crescimento ou queda na produção musical ao longo do tempo
  
• Concentração de dados em períodos mais recentes ou mais antigos
  
• Possíveis padrões temporais relevantes para análises futuras

A variável release_year é classificada como quantitativa discreta, pois representa valores numéricos inteiros (anos), sem a possibilidade de valores fracionados.

Gráfico 1

Explicando o gáfico 1

Este gráfico apresenta a distribuição da duração das músicas (duration_ms), medida em milissegundos.

Essa variável indica o tempo total de cada faixa, permitindo analisar o padrão de duração presente no dataset.

A análise possibilita identificar:

• A duração média das músicas
  
• A presença de faixas muito curtas ou muito longas
  
• A concentração em intervalos comuns (ex: músicas entre 2 e 4 minutos)
  
• Possíveis outliers que fogem do padrão

A variável duration_ms é classificada como quantitativa contínua, pois assume valores numéricos em uma escala contínua de tempo.