Documentos do google colab para estudo utilizado pandas, estatística, entre outros
O objetivo de negócio: um modelo preditivo capaz de estimar o preço final de casas residenciais em Ames, Iowa, com base em um conjunto de 79 variáveis explicativas. O texto sugere que o preço de venda de uma casa não é influenciado apenas pelo número de quartos ou características básicas como uma cerca branca, mas por uma ampla gama de fatores que descrevem praticamente todos os aspectos das residências.
O desafio proposto: construir um modelo estatístico ou algorítmico que possa capturar a complexidade das relações entre essas 79 variáveis explicativas e o preço final das casas.
Isso poderia ser útil para diversas finalidades, tais como:
Mercado Imobiliário: Compreender melhor os fatores que afetam os preços das casas pode ajudar corretores imobiliários, construtores e investidores a tomar decisões mais informadas sobre precificação, investimento e estratégias de marketing.
Compradores e Vendedores: Tanto compradores quanto vendedores podem se beneficiar de uma estimativa mais precisa do preço final de uma casa. Compradores podem fazer escolhas mais embasadas, e vendedores podem ajustar suas expectativas e estratégias de venda.
Avaliação de Risco: Instituições financeiras e empresas de seguros podem usar esse tipo de modelo para avaliar riscos associados a empréstimos hipotecários, planejamento financeiro e gestão de portfólio.
Desenvolvimento Urbano: Planejadores urbanos e governos locais podem usar esses modelos para entender melhor como diferentes variáveis afetam os preços das casas e, assim, tomar decisões mais informadas sobre zoneamento, desenvolvimento de infraestrutura e políticas habitacionais.
Pesquisa de Mercado: Empresas que atuam no setor imobiliário podem usar esses modelos para obter insights sobre as preferências dos compradores e as características mais valorizadas em um imóvel.
No geral, o objetivo é usar a análise de dados e técnicas de modelagem para compreender e quantificar o impacto das várias variáveis explicativas no preço das casas, permitindo uma melhor tomada de decisão e uma compreensão mais profunda do mercado imobiliário em Ames, Iowa.
Aula 09/08: médias(aritmetrica, ponderada, harmonica e mediana), mediana, variância(populacional, amostral), moda, desvio padrão, incerteza da média
Aula 16/08: média e histograma de um arquivo
Estudo de Caso da Aula 23/08:
- Existem dados nulos ou faltantes no Dataset, conjunto de dados?
- Quais os tipos de dados existem no Dataset? Exemplo: Coluna ID -> Int, Coluna Street -> Object.
- Existe alguma coluna que está com o tipo de dado errado?
- Quais os tipos únicos de vendas que existem?
- Quais os tipo únicos de condições de venda?
- Qual o tipo de condição de venda que tem maior valor de venda das casas?
Aula 06/09: DADOS NUMÉRICOS E DADOS CATEGÓRICOS
- Métodos: StandardScaler e One Hot Coding