Skip to content

Latest commit

 

History

History
94 lines (52 loc) · 5.55 KB

README_DS.md

File metadata and controls

94 lines (52 loc) · 5.55 KB

Projeto de Equidade de Gênero na Tecnologia: Desafio de Ciência de Dados

DS = Data Science / Ciência de dados

Bem-vinda ao nosso desafio de ciência de dados sobre equidade de gênero na tecnologia! Este projeto foi projetado especialmente para mulheres em nossa comunidade IT Girls, oferecendo uma oportunidade de explorar dados, aplicar técnicas de machine learning e contribuir para a discussão sobre equidade de gênero em nossa área.

Objetivo do Projeto

O objetivo deste projeto é investigar e analisar dados relacionados à equidade de gênero na tecnologia. Utilizando técnicas de ciência de dados e machine learning, buscamos identificar padrões, tendências e insights significativos que possam informar discussões e ações para promover uma maior equidade de gênero em nossa área.

Conjunto de Dados

O conjunto de dados fornecido está em formato CSV e contém informações relevantes sobre equidade de gênero na tecnologia. Ele inclui variáveis como salários, cargos, níveis educacionais, experiência profissional, entre outros, segmentados por gênero.

Tarefas do Projeto

Como participante deste desafio, você será solicitada a seguir estas etapas para concluir o projeto:

  1. Exploração de Dados: Comece explorando os dados para entender sua estrutura, conteúdo e distribuição. Use ferramentas como Pandas em Python para carregar e analisar o conjunto de dados.

  2. Análise Descritiva: Realize uma análise descritiva dos dados para identificar padrões e tendências relacionadas à equidade de gênero na tecnologia. Explore áreas como salários, distribuição de cargos, diferenças educacionais, etc.

  3. Visualização de Dados: Crie visualizações gráficas, como gráficos de barras, histogramas e gráficos de dispersão, para representar os dados de forma clara e intuitiva.

  4. Pré-processamento de Dados: Realize o pré-processamento dos dados, tratando valores ausentes, normalizando variáveis e codificando variáveis categóricas, conforme necessário para preparar os dados para modelagem.

  5. Modelagem de Machine Learning: Escolha uma ou mais técnicas de machine learning adequadas para o problema em questão e treine modelos preditivos. Experimente com algoritmos como regressão logística, árvores de decisão, ou outros de sua escolha.

  6. Avaliação do Modelo: Avalie o desempenho do modelo utilizando métricas apropriadas, como precisão, recall, F1-score, ou outras métricas relevantes para o problema específico.

  7. Interpretação dos Resultados: Interprete os resultados obtidos e extraia conclusões sobre a equidade de gênero na tecnologia com base nas análises e nos modelos desenvolvidos.

  8. Documentação e Compartilhamento: Documente todo o processo, incluindo código, análises, visualizações e conclusões, em um repositório no GitHub. Certifique-se de incluir um README.md detalhado com instruções sobre como reproduzir seus resultados.

Instruções para Reprodução

Para reproduzir os resultados deste projeto, siga estas instruções:

  1. Clone este repositório para o seu ambiente local:

git clone https://github.com/seu_usuario/nome_do_repositorio.git

  1. Instale as dependências necessárias. Recomendamos a criação de um ambiente virtual para evitar conflitos com outras bibliotecas:

pip install -r requirements.txt

  1. Navegue até o diretório do projeto:

cd nome_do_repositorio

  1. Docker (opcional): Se preferir, você pode usar Docker para configurar um ambiente isolado com todas as dependências pré-instaladas. Certifique-se de ter o Docker instalado em sua máquina e execute os seguintes comandos:

    # Construa a imagem Docker
docker build -t nome_do_projeto .

# Execute o contêiner Docker
docker run -p 8888:8888 nome_do_projeto

  2. Execute o notebook Jupyter ou o script Python para explorar os dados, realizar análises, treinar modelos e gerar visualizações:

jupyter notebook analysis.ipynb

ou

python script.py

  1. Siga as instruções dentro do notebook ou script para realizar cada etapa do projeto.

  2. Após concluir as análises e treinar os modelos, documente suas descobertas e soluções no README.md e faça o commit das alterações para o repositório:

    git add .
git commit -m "Adiciona análises e modelos de machine learning"
git push origin master

Ferramentas de Machine Learning Durante o projeto, você pode utilizar diversas bibliotecas e ferramentas de machine learning, incluindo, mas não limitado a:

Scikit-learn: Uma biblioteca de machine learning em Python que oferece suporte a vários algoritmos e ferramentas para pré-processamento de dados, avaliação de modelos e muito mais.

TensorFlow: Uma plataforma de código aberto para machine learning e desenvolvimento de modelos de aprendizado profundo.

Keras: Uma API de alto nível para construir e treinar modelos de aprendizado profundo em TensorFlow, Theano e outros backends.

PyTorch: Uma biblioteca de aprendizado de máquina de código aberto para Python, desenvolvida principalmente pelo Facebook's AI Research lab (FAIR).

Sinta-se à vontade para explorar essas ferramentas e escolher aquelas que melhor se adequam às suas necessidades e preferências.

Contribuição Se você deseja contribuir para este projeto, sinta-se à vontade para fazer um fork do repositório, implementar melhorias e enviar uma solicitação de pull.

Esperamos que este desafio proporcione uma oportunidade de aprendizado e empoderamento, incentivando mais mulheres a se envolverem com ciência de dados e tecnologia.

Boa sorte e vamos fazer a diferença juntas!