Atividade Prática

Este relatório apresenta a resolução da atividade prática proposta, com o objetivo de demonstrar a criação de documentos dinâmicos e reprodutíveis utilizando o R Markdown.

A estrutura abaixo explora os conceitos de Storytelling com Dados e está dividida em abas interativas. O documento contempla desde a manipulação de conjuntos de dados e criação de tabelas dinâmicas em R, até a incorporação de elementos avançados de formatação, como equações matemáticas em LaTeX, figuras ilustrativas e o gerenciamento automatizado de referências bibliográficas.

Clique nas abas abaixo para navegar por cada etapa do desenvolvimento.

1) Manipulação de Dados

library(tidyverse)

# 1. Carregamento dos dados
dados <- mtcars

# 2. Manipulação: Filtragem, Criação de Variável e Ordenação
dados_processados <- dados %>%
  filter(cyl > 4) %>%                     # Filtrar carros com mais de 4 cilindros
  mutate(consumo_kml = mpg * 0.425) %>%   # Converter milhas/galão para km/litro
  arrange(desc(hp))                       # Ordenar pela potência (Cavalos)

# Exibição das primeiras linhas
head(dados_processados)
##                      mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Maserati Bora       15.0   8  301 335 3.54 3.570 14.60  0  1    5    8
## Ford Pantera L      15.8   8  351 264 4.22 3.170 14.50  0  1    5    4
## Duster 360          14.3   8  360 245 3.21 3.570 15.84  0  0    3    4
## Camaro Z28          13.3   8  350 245 3.73 3.840 15.41  0  0    3    4
## Chrysler Imperial   14.7   8  440 230 3.23 5.345 17.42  0  0    3    4
## Lincoln Continental 10.4   8  460 215 3.00 5.424 17.82  0  0    3    4
##                     consumo_kml
## Maserati Bora            6.3750
## Ford Pantera L           6.7150
## Duster 360               6.0775
## Camaro Z28               5.6525
## Chrysler Imperial        6.2475
## Lincoln Continental      4.4200

2) Tabela Interativa

library(DT)
datatable(dados_processados, options = list(pageLength = 5), 
          caption = 'Tabela 1: Dados de veículos com mais de 4 cilindros.')

3) Equações Complexas

  1. Teorema de Bayes: \[P(A|B)=\frac{P(B|A)P(A)}{P(B)}\] Significado: Calcula a probabilidade condicional de um evento com base em conhecimentos prévios.

  2. Erro Quadrático Médio (MSE): \[MSE=\frac{1}{n}\sum_{i=1}^n(y_i-\hat{y}_i)^2\] Significado: Métrica usada para avaliar a precisão de modelos de regressão.

  3. Função Sigmoide: \[S(x)=\frac{1}{1+e^{-x}}\] Significado: Função de ativação comum em redes neurais e regressão logística.

  4. Entropia de Shannon: \[H(X)=-\sum_{i=1}^nP(x_i)\log P(x_i)\] Significado: Mede a incerteza ou desordem presente em um conjunto de informações.

  5. Distribuição Normal (Gaussiana): \[f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}\] Significado: Modela fenômenos naturais onde a maioria das observações se agrupa em torno da média.

4) Figuras de Ciência de Dados

Abaixo, apresentamos duas figuras importantes para a compreensão de conceitos práticos e teóricos da Ciência de Dados:

Figura 1: O ciclo de vida de um projeto de dados segundo a metodologia CRISP-DM.
Figura 1: O ciclo de vida de um projeto de dados segundo a metodologia CRISP-DM.

Explicação da Figura 1: A imagem detalha a metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining). Ela mostra que um projeto de Ciência de Dados não é linear, mas sim um ciclo iterativo que vai desde o entendimento do negócio e dos dados até a modelagem, avaliação e deploy (implantação), garantindo que a solução resolva o problema real da empresa.

Figura 2: Arquitetura básica de uma Rede Neural Artificial (Deep Learning).
Figura 2: Arquitetura básica de uma Rede Neural Artificial (Deep Learning).

Explicação da Figura 2: A imagem ilustra a estrutura clássica de uma Rede Neural Artificial. Os círculos representam os “neurônios” organizados em diferentes camadas. A figura demonstra como os dados entram pela camada verde (Input), passam por transformações matemáticas nas camadas azuis ocultas (Hidden) e geram previsões ou classificações na camada amarela final (Output).

5) Referências Bibliográficas

Nesta seção, são apresentadas as obras fundamentais que serviram de base teórica para os conceitos de Ciência de Dados e Storytelling abordados neste relatório.

A lista abaixo é gerada de forma automática e padronizada a partir do arquivo referencias.bib vinculado ao documento.

Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. MIT Press.
James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2013. An Introduction to Statistical Learning: With Applications in r. Springer.
Knaflic, Cole Nussbaumer. 2018. Storytelling Com Dados: Um Guia Sobre Visualização de Dados Para Profissionais de Negócios. Alta Books.
Tufte, Edward R. 2001. The Visual Display of Quantitative Information. Graphics Press.
Wickham, Hadley, and Garrett Grolemund. 2016. R for Data Science. O’Reilly Media.