# storopoli/ciencia-de-dados architecture

> Architecture diagram of the GitHub repository storopoli/ciencia-de-dados, generated by GitDiagram from its file tree, README and a sample of source files (last updated 2026-11-18). It is an AI-made overview: check details against the source.

- Interactive diagram: https://gitdiagram.com/storopoli/ciencia-de-dados
- Repository: https://github.com/storopoli/ciencia-de-dados

## Overview

Este repositório é material didático de uma disciplina de Ciência de Dados, organizado como aulas em notebooks Jupyter. O fluxo principal documentado é o estudante abrir um notebook e estudar o tópico daquela aula; os notebooks cobrem programação, análise e visualização de dados, aprendizado de máquina e redes neurais. As aulas são representadas como módulos de conteúdo, não como etapas de um pipeline de execução. Como não foram fornecidos trechos de código, as relações entre aulas e eventuais fluxos de dados não podem ser confirmados.

Main entry points: [`notebooks/Aula_00_Jupyter.ipynb`](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_00_Jupyter.ipynb) (Jupyter), [`notebooks/Aula_Especial_Python.ipynb`](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_Especial_Python.ipynb) (Python básico), [`notebooks/Aula_01_Operadores_Aritmeticos_Relacionais_e_Logicos.ipynb`](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_01_Operadores_Aritmeticos_Relacionais_e_Logicos.ipynb) (Operadores), [`notebooks/Aula_02_Desvio_Condicional_IF.ipynb`](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_02_Desvio_Condicional_IF.ipynb) (Controle e repetição)

## Diagram (Mermaid)

```mermaid
flowchart TD

subgraph group_programming["Programação"]
  node_jupyter["Jupyter"]
  node_python["Python básico"]
  node_operators["Operadores"]
  node_control["Controle e repetição"]
  node_structures["Estruturas e funções"]
  node_oop["Classes e métodos"]
end

subgraph group_data["Análise de dados"]
  node_numpy["NumPy e álgebra"]
  node_pandas["Pandas"]
  node_statistics["Estatística"]
  node_visualization["Visualização"]
end

subgraph group_ml["Aprendizado de máquina"]
  node_ml_intro["Machine Learning"]
  node_regression["Regressões"]
  node_classification["Classificação"]
  node_svm["Support Vector Machines"]
  node_trees["Árvores e florestas"]
  node_pca["Componentes principais"]
  node_clustering["Clusterização"]
end

subgraph group_nn["Redes neurais"]
  node_tensorflow["TensorFlow e Keras"]
  node_pytorch["PyTorch"]
  node_cnn["Redes convolucionais"]
end

node_learner(("Estudante"))

node_learner -->|"estuda"| node_jupyter
node_learner -->|"estuda"| node_python
node_learner -->|"estuda"| node_operators
node_learner -->|"estuda"| node_control
node_learner -->|"estuda"| node_structures
node_learner -->|"estuda"| node_oop
node_learner -->|"estuda"| node_numpy
node_learner -->|"estuda"| node_pandas
node_learner -->|"estuda"| node_statistics
node_learner -->|"estuda"| node_visualization
node_learner -->|"estuda"| node_ml_intro
node_learner -->|"estuda"| node_regression
node_learner -->|"estuda"| node_classification
node_learner -->|"estuda"| node_svm
node_learner -->|"estuda"| node_trees
node_learner -->|"estuda"| node_pca
node_learner -->|"estuda"| node_clustering
node_learner -->|"estuda"| node_tensorflow
node_learner -->|"estuda"| node_pytorch
node_learner -->|"estuda"| node_cnn

click node_jupyter "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_00_Jupyter.ipynb"
click node_python "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_Especial_Python.ipynb"
click node_operators "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_01_Operadores_Aritmeticos_Relacionais_e_Logicos.ipynb"
click node_control "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_02_Desvio_Condicional_IF.ipynb"
click node_structures "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_04_Estrutura_de_Dados.ipynb"
click node_oop "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_05a_Classes_e_Metodos.ipynb"
click node_numpy "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_06_Numpy_Algebra_Linear.ipynb"
click node_pandas "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_07_pandas.ipynb"
click node_statistics "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_08_pandas_estatistica.ipynb"
click node_visualization "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_09_graficos.ipynb"
click node_ml_intro "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_10_Machine_Learning.ipynb"
click node_regression "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_11_Regressao_Linear.ipynb"
click node_classification "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_12_Regressao_Logistica.ipynb"
click node_svm "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_13_Support_Vector_Machines.ipynb"
click node_trees "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_14_Arvores_de_Decisao.ipynb"
click node_pca "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_16_Analise_de_Componentes_Principais.ipynb"
click node_clustering "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_17_Clusterizacao.ipynb"
click node_tensorflow "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_18_a_Redes_Neurais_com_TensorFlow.ipynb"
click node_pytorch "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_18_b_Redes_Neurais_com_PyTorch.ipynb"
click node_cnn "https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_19_Redes_Neurais_Convolucionais_com_PyTorch.ipynb"

classDef toneNeutral fill:#f8fafc,stroke:#334155,stroke-width:1.5px,color:#0f172a
classDef toneBlue fill:#dbeafe,stroke:#2563eb,stroke-width:1.5px,color:#172554
classDef toneAmber fill:#fef3c7,stroke:#d97706,stroke-width:1.5px,color:#78350f
classDef toneMint fill:#dcfce7,stroke:#16a34a,stroke-width:1.5px,color:#14532d
classDef toneRose fill:#ffe4e6,stroke:#e11d48,stroke-width:1.5px,color:#881337
classDef toneIndigo fill:#e0e7ff,stroke:#4f46e5,stroke-width:1.5px,color:#312e81
classDef toneTeal fill:#ccfbf1,stroke:#0f766e,stroke-width:1.5px,color:#134e4a
class node_jupyter,node_python,node_operators,node_control,node_structures,node_oop toneBlue
class node_numpy,node_pandas,node_statistics,node_visualization toneAmber
class node_ml_intro,node_regression,node_classification,node_svm,node_trees,node_pca,node_clustering toneMint
class node_tensorflow,node_pytorch,node_cnn toneRose
class node_learner toneIndigo
```

## Components

### Programação

- [Jupyter](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_00_Jupyter.ipynb): `notebooks/Aula_00_Jupyter.ipynb`
- [Python básico](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_Especial_Python.ipynb): `notebooks/Aula_Especial_Python.ipynb`
- [Operadores](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_01_Operadores_Aritmeticos_Relacionais_e_Logicos.ipynb): `notebooks/Aula_01_Operadores_Aritmeticos_Relacionais_e_Logicos.ipynb`
- [Controle e repetição](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_02_Desvio_Condicional_IF.ipynb): `notebooks/Aula_02_Desvio_Condicional_IF.ipynb`
- [Estruturas e funções](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_04_Estrutura_de_Dados.ipynb): `notebooks/Aula_04_Estrutura_de_Dados.ipynb`
- [Classes e métodos](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_05a_Classes_e_Metodos.ipynb): `notebooks/Aula_05a_Classes_e_Metodos.ipynb`

### Análise de dados

- [NumPy e álgebra](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_06_Numpy_Algebra_Linear.ipynb): `notebooks/Aula_06_Numpy_Algebra_Linear.ipynb`
- [Pandas](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_07_pandas.ipynb): `notebooks/Aula_07_pandas.ipynb`
- [Estatística](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_08_pandas_estatistica.ipynb): `notebooks/Aula_08_pandas_estatistica.ipynb`
- [Visualização](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_09_graficos.ipynb): `notebooks/Aula_09_graficos.ipynb`

### Aprendizado de máquina

- [Machine Learning](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_10_Machine_Learning.ipynb): `notebooks/Aula_10_Machine_Learning.ipynb`
- [Regressões](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_11_Regressao_Linear.ipynb): `notebooks/Aula_11_Regressao_Linear.ipynb`
- [Classificação](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_12_Regressao_Logistica.ipynb): `notebooks/Aula_12_Regressao_Logistica.ipynb`
- [Support Vector Machines](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_13_Support_Vector_Machines.ipynb): `notebooks/Aula_13_Support_Vector_Machines.ipynb`
- [Árvores e florestas](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_14_Arvores_de_Decisao.ipynb): `notebooks/Aula_14_Arvores_de_Decisao.ipynb`
- [Componentes principais](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_16_Analise_de_Componentes_Principais.ipynb): `notebooks/Aula_16_Analise_de_Componentes_Principais.ipynb`
- [Clusterização](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_17_Clusterizacao.ipynb): `notebooks/Aula_17_Clusterizacao.ipynb`

### Redes neurais

- [TensorFlow e Keras](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_18_a_Redes_Neurais_com_TensorFlow.ipynb): `notebooks/Aula_18_a_Redes_Neurais_com_TensorFlow.ipynb`
- [PyTorch](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_18_b_Redes_Neurais_com_PyTorch.ipynb): `notebooks/Aula_18_b_Redes_Neurais_com_PyTorch.ipynb`
- [Redes convolucionais](https://github.com/storopoli/ciencia-de-dados/blob/main/notebooks/Aula_19_Redes_Neurais_Convolucionais_com_PyTorch.ipynb): `notebooks/Aula_19_Redes_Neurais_Convolucionais_com_PyTorch.ipynb`

### Other components

- **Estudante**

## Connections

- Estudante → Jupyter: estuda (evidence: `README.md`)
- Estudante → Python básico: estuda (evidence: `README.md`)
- Estudante → Operadores: estuda (evidence: `README.md`)
- Estudante → Controle e repetição: estuda (evidence: `README.md`)
- Estudante → Estruturas e funções: estuda (evidence: `README.md`)
- Estudante → Classes e métodos: estuda (evidence: `README.md`)
- Estudante → NumPy e álgebra: estuda (evidence: `README.md`)
- Estudante → Pandas: estuda (evidence: `README.md`)
- Estudante → Estatística: estuda (evidence: `README.md`)
- Estudante → Visualização: estuda (evidence: `README.md`)
- Estudante → Machine Learning: estuda (evidence: `README.md`)
- Estudante → Regressões: estuda (evidence: `README.md`)
- Estudante → Classificação: estuda (evidence: `README.md`)
- Estudante → Support Vector Machines: estuda (evidence: `README.md`)
- Estudante → Árvores e florestas: estuda (evidence: `README.md`)
- Estudante → Componentes principais: estuda (evidence: `README.md`)
- Estudante → Clusterização: estuda (evidence: `README.md`)
- Estudante → TensorFlow e Keras: estuda (evidence: `README.md`)
- Estudante → PyTorch: estuda (evidence: `README.md`)
- Estudante → Redes convolucionais: estuda (evidence: `README.md`)
