Programação

  • Olá!
    Usaremos um sistema híbrido de ensino (aulas presenciais e à distância)
    (clique aqui para acessar a Sala Principal)

    Damos as boas vindas aos participantes da versão 2022 da disciplina
    Processamento Reproduzível e Aberto de Dados Científicos (LCF5900)

    O conteúdo disponibilizado nestas páginas, em Português, apoia as aulas em Inglês

    Objetivo:
    O curso propõe um conjunto de procedimentos, e apresenta ferramentas, que permitem aos pesquisadores tratar os dados de forma aberta e reproduzível. O objetivo é desenvolver trabalhos científicos que permitam a qualquer pessoa compreender e replicar as etapas de uma análise, replicando-as novamente. A produção de resultados científicos reproduzíveis e abertos, e o uso de fluxos abertos de trabalho, permitem o compartilhamento de análises e a colaboração com outras pessoas, bem como a publicação aberta de dados e fluxos de trabalho para uma melhor disseminação do conhecimento científico.

    Justificativa:
    A ciência aberta envolve a disponibilização de métodos, dados e resultados científicos para todos. Em 2009, Dan Gezelter (http://openscience.org/what-exactly-is-open-science/) citou os seguintes atributos para a ciência aberta: transparência na coleta de dados; clareza na descrição dos métodos de processamento, análise e derivação de resultados; acesso público aos dados e métodos de processamento; transparência na comunicação dos resultados; e a colaboração facilitada por mecanismos web. Introduzimos neste curso os meios para que adesão a esses princípios e atributos. Este curso se inspira na forma como o Earth Lab da Universidade de Colorado, Boulder - EUA, forma novos pesquisadores.

    Conteúdo:
    1. Princípios do processamento reproduzível e aberto de dados;
    2. Fluxos de trabalho científico reproduzível e aberto;
    3. Organização de arquivos de dados;
    4. Uso de Jupyter Notebooks;
    5. Adoção do Git/GitHub para controle de versão;
    6. Introdução ao Python;
    6.1 Variáveis, listas, pacotes, instruções condicionais, loops e funções;
    7. Introdução ao R;
    7.1. Variáveis, vetores, pacotes, instruções condicionais, loops e funções;
    8. R tidyverse para manipulação de dados;
    9. R ggplot2 para geração de gráficos;
    10. R markdown para relatórios de análise de dados;
    11. R shiny para disponibilização de resultados na web.

    Bibliografia:
    Fernanda Peres (2021) Tutoriais sobre R. Disponível em: https://www.youtube.com/channel/UCx1vXgGDXc7BH7bI1KC_o7Q. Acesso em 30 de jun. de 2021.

    Finding Your Way To R. Disponível em: https://education.rstudio.com/learn/. Acesso em 30 de jun. de 2021.

    How do you create a statistical model using tidymodels Disponível em: https://www.tidymodels.org/start/. Acesso em 30 de jun. de 2021.

    Leah Wasser & Jenny Palomino (2021) Introduction to Earth Data Science. Earth Lab at Colorado University, Boulder - USA. Disponível em: https://www.earthdatascience.org/courses/intro-to-earthdata-science/. Acesso em 30 de jun. de 2021.

    Learn the tidyverse Disponível em: https://www.tidyverse.org/learn/. Acesso em 30 de jun. de 2021.

    Lista de livros criados com o pacote bookdown Disponível em: https://bookdown.org/. Acesso em 30 de jun. de 2021.

    Manual do pacote rmarkdown. Disponível em: https://bookdown.org/yihui/rmarkdown-cookbook/. Acesso em 30 de jun. de 2021.

    Manual do pacote bookdown Disponível em: https://bookdown.org/yihui/bookdown/. Acesso em 30 de jun. de 2021.

    Marcus Nunes (2021) Workshop R. Disponível em: https://github.com/mnunes/workshopR. Acesso em 30 de jun. de 2021.

    Principais marcadores markdown guide. Disponível em: https://www.markdownguide.org/cheatsheet/. Acesso em 30 de jun. de 2021. 

    Statistical Inference via Data Science: A ModernDive into R and the Tidyverse. Disponível em: https://www.tidymodels.org/books/moderndive/. Acesso em 30 de jun. de 2021. 

    Yihui Xie, Christophe Dervieux & Emily Riederer (2021) R Markdown Cookbook. Disponível em: https://bookdown.org/yihui/rmarkdown-cookbook/. Acesso em 30 de jun. de 2021.

    Forma de avaliação:
    Média aritmética de dois trabalhos submetidos para avaliação coletiva quanto à reprodutibilidade e qualidade do relatório disponibilizado em nuvem

    Observação:
    A disciplina é apresentada de forma concentrada e pode contar com a participação de professor ou pesquisador internacional especialmente convidado como conferencista.