Proposta do Curso

O desenvolvimento da assim chamada ciência de dados é francamente devedor de experiências pregressas no campo da estatística, que tornaram-se mais sofisticadas com a introdução de técnicas inovadoras de visualização de dados. Fundamentos hoje extensamente difundidos, como os gráficos de barra ou de linha, primeiro surgiram no século XVIII, com William Playfair, e décadas mais adiante foram aprimoradas por pioneiras como Florence Nightingale. Mas só no século XX, com a ciência computacional, e o princípio da dataficação da vida social permitiram avançar naquilo que John Tukey apropriadamente denominou de análise exploratória de dados. Nos últimos anos, em decorrência da penetração cada vez maior das plataformas digitais nas múltiplas dimensões do cotidiano, ganharam novo impulso habilidades como o design da informação, a percepção gráfica, e, claro, a mineração de dados.

Este curso se propõe a introduzir fundamentos básicos da análise e da visualização de dados para pesquisadores em formação no campo das humanidades. Seu principal objetivo é munir alunos e alunas de conhecimento prático e laboratorial acerca da análise exploratória de dados, de modo que possam se apropriar dessa técnica para o desenvolvimento metodológico de suas próprias investigações. Com caráter de oficina, o curso se utilizará, de forma instrumental, de variadas aplicações opensource, com ênfase na linguagem R e na gramática de gráficos de seu principal pacote de visualização de dados, o ggplot2, para fornecer tanto uma discussão conceitual, quanto capacidades empíricas para lidar com formatos de dados abertos. As aulas contarão com momentos expositivos e práticas orientadas. Alunos e alunas aprenderão a ler e criar diferentes tipos de gráficos, a produzir análises sobre estatísticas descritivas, análises textuais lexicométricas, análises georreferenciadas e análises de redes sociais. Além disso, receberão treinamento para a coleta de dados de repositórios públicos, bem como para limpar e organizar grandes bancos de dados (data wrangling).

Requisitos e Funcionamento

O curso tem caráter de oficina. Os alunos receberão material de apoio, documentação e scripts com os principais comandos executados a cada aula. É necessário ter um computador (desktop ou laptop) com acesso à internet para o curso. Solicita-se a instalação prévia dos seguintes softwares, todos opensource:

• R https://cran-r.c3sl.ufpr.br/ (versões para Linux, Mac OS e Windows disponíveis)

• R Studio https://www.rstudio.com/products/rstudio/download/#download (versões para Linux, Mac OS e Windows disponíveis)

Instale sempre primeiro o software R e depois o R Studio. Usuários de Mac Os devem instalar também o X Quartz https://www.xquartz.org/. Durante o curso, outros pacotes e plugins serão instalados, conforme orientação do(a) professor(a) responsável.

• Gephi https://gephi.org/ (versões para Linux, Mac OS e Windows disponíveis)

• IramuteQ http://www.iramuteq.org/ (versões para Linux, Mac OS e Windows disponíveis)

Principais Pacotes R

dplyr · # O dplyr é um dos pacotes do Tidyverse e é voltado especificamente para o trabalho de manipulação de dados. O dplyr se estrutura em torno de um conjunto de verbos, que operam como funções para a manipulação de grandes bancos de dados. Para mais detalhes, acesse: dplyr

tidyr · # O tidyr é um dos pacotes do Tidyverse e é voltado especificamente para a arrumação de bancos de dados. Para mais detalhes, acesse: tidyr

stringr · # O stringr é um dos pacotes do Tidyverse e é voltado para a manipulação de strings textuais. Para mais detalhes, acesse: stringr

ggplot2 · # O ggplot2 é um sistema para criação de gráficos, baseado em uma grámática própria e em camadas estéticas. Para mais detalhes, acesse: ggplot2

Recursos

- Grupo de WhatsApp

- Pasta de Textos

Quadro de Encontros e Atividades

Referências Adicionais

• Aquino, J. A. (2014). R para Cientistas Sociais.

• Bruce, P., & Bruce, A. (2019). Estatística Prática para Cientistas de Dados.

• Cairo, A. (2016). Truthful Art Data: Charts, and Maps for Communication.

• Cervi, E. (2009). Métodos Quantitativos nas Ciências Sociais: Uma Abordagem Alternativa ao Fetichismo dos Números e ao Debate dos Qualitativistas.

• Cervi, E. (2019). Manual de Métodos Quantitativos para Iniciantes em Ciência Política, vol. 1.

• Cervi, E. (2019). Manual de Métodos Quantitativos para Iniciantes em Ciência Política, vol. 2.

• Cherven, K. (2015). Mastering Gephi Network Visualization.

• Cleveland, W. S. (1985). The Elements of Graphing Data.

• Costa, S. F. (1992). Introdução Ilustrada à Estatística (com Muito Humor).

• D’Ignazio, C. (2020). Data Feminism.

• Figueiredo Filho, D. (2019). Métodos Quantitativos em Ciência Política.

• Figueiredo Filho, D. (2024). Correlação de Pearson para Bebês.

• Figueiredo Filho, D. (2024). Regressão Linear para Bebês.

• Knaflic, C. N. (2019). Storytelling com Dados: um Guia sobre Visualização de Dados para Profissionais de Negócios.

• Krause, A., Rennie, N., & Tarran, B. (2023). Best Practices for Data Visualisation Insights.

• Nordmann, E., McAleer, P., Toivo, W., Paterson, H., & DeBruine, L. M. (2022). Data Visualization Using R forResearchers Who Do Not Use R.

• Oliveira, P. F., Guerra, S., & McDonnell, R. (2018). Ciência de Dados com R: Introdução.

• Playfair, W. (1801). The Commercial and Political Atlas.

• Salviati, M. E. (2017). Manual do Aplicativo Iramuteq.

• Spiegelhalter, D. (2022). A arte da estatística: Como Aprender a Partir de Dados.

• Tuft, E. (). Envisioning Information.

• Tukey, J. (1977). Exploratory Data Analysis.

• Wickham, H. (2019). R para Ciência de Dados: importe, arrume, transforme, visualize e modele dados.

• Wickham, H. (2010). ggplot2: Elegant Graphics for Data Analysis.

• Wilkinson, L. (2005). The Grammar of Graphics.

• Wurman, R. S. (1999). Ansiedade De Informação: Como Transformar Informação em Compreensão.