Posts

Já pensou em fazer um cartão de Natal utilizando a plataforma que os nerds dos dados mais gostam? Claro que estou falando do R, então aqui vamos montar uma “Árvore de Natal” utilizando o R com a possibilidade de escrever texto e adicionar quantas bolinhas de Natal desejar.

knitr::opts_chunk$set(comment = NA) require(tidyverse) dados_wide <- tibble(uf = c("RJ", "SP"), `2017` = c(10, 11), `2018` = c(11, 10)) dados_long <- dados_wide %>% gather(Ano, valor, -uf) O pacote tidyr tem como principal objetivo transformar um data frame para o formato tidy, ou limpo.

O que é o GIT? No cotidiano de nossas tarefas acabamos por criar varias “versões finais” dos nossos projetos, como ilustrado abaixo. O sistema de controle de versão GIT vem pra ajudar a organizar essa nossa bagunça de versões.

require(ggplot2) require(tidyverse) require(ggmap) Este material tem por objetivo passar uma ideia inicial das funcionalidades do pacote ggplot2 na visualização de dados. O ggplot2 é um pacote de visualização de dados do R criado por Hadley Wickham.

knitr::opts_chunk$set(comment = NA) iris <- dplyr::as_tibble(iris) Este post faz parte da série de post que estamos criando sobre o dplyr. Caso ainda não conheça o pacote, veja o post de introdução ao dplyr.

Este post supõe que estamos minimamente familiarizados com o pacote dplyr (se você não está, veja este post), especialmente com a função select e com o pipe. O dplyr traz algumas funções que podem ser muito úteis em algum momento de nossa manipulação de dados com o select, que são as help functions.

O que é o dplyr e por que usá-lo? dplyr é um pacote do R para manipulação de dados, sendo um dos pacotes que forma o núcleo do tidyverse. Se você nunca ouviu falar no tidyverse, ele é basicamente um pacote de pacotes que tem uma filosofia em comum, sendo cada pacote especializado em um tipo de tarefa, com a intenção de integrar todos eles facilmente no nosso fluxo de análise.

Continuando as postagens relacionadas a machine learning, agora vamos falar sobre a identificação de objetos em fotos. Para tal, vamos utilizar uma API do Google Cloud Plataform: a Cloud Vision API.

Dando sequência à postagem anterior, vamos falar um pouco agora sobre outra API do Microsoft Cognitive Services: a Face API. Esta API tem como finalidade detectar rotos em fotos e analisa-los, podendo descrever características do rosto (como gênero, idade estimada, se a pessoa está de óculos, …), informar localização de elementos faciais (olhos, boca, nariz, …) até identificar a pessoa, comparando com rostos previamente cadastrados.

Não é novidade para nós que trabalhamos com análise de dados que a área de Machine Learning (ou no bom português, aprendizado de máquina) está evoluindo rapidamente, mas o que muitos podem desconhecer é que este conhecimento está ao alcance de todos, e muitos de forma gratuita (mesmo que limitada).