A maioria de nós tem problemas com matemática
E todos precisamos superar isso para trabalhar com Ciência de Dados
Python, R, Pandas, Matplotlib, NumPy, PyTorch, SkLearn, TensorFlow, SQL, Docker, Postgres, MongoDB, ElasticSearch, álgebra linear, cálculo, estatística, regressão linear, teorema de bayes, data wrangling, data manipulation, tableau, spark, support vector machines, k-nearest neighbor, machine learning, redes neurais, redes neurais recorrentes, Hadoop, data visualization, kernels, jupyter, Scala, SAS… E a lista segue.
Os conhecimentos e tecnologias necessárias para Data Science e Machine Learning parecem muitas vezes serem muita coisa para aprender e vez ou outra nos perguntamos: “Eu vou conseguir aprender tudo isso?”. A vontade e o interesse se misturam com a ansiedade em querer aprender tudo e parecer não evoluir em nada.
Falando com colegas, vendo vídeos e lendo artigos percebo que esse sentimento de sobrecarga assola muita gente da área de ciência da computação, especialmente aqueles que estão tentando migrar para essa carreira ou estudantes que enxergam um currículo de habilidade que parece não ter fim. Muita gente é colecionadora de cursos e sofre da síndrome de “Com esse curso eu vou aprender” e vive presa no purgatório dos tutoriais, mas sempre procurando mais e mais tutoriais sobre uma nova tecnologia com demanda.
Matemática Aplicada + Programação = Armagedom
Acontece que Ciência de Dados tem como base habilidades baseadas em dois campos com as curvas de aprendizado mais assustadoras: matemática (e em matemática incluo álgebra linear, cálculo e estatística. Me desculpem estatísticos) e programação.
Com certeza se você tem problemas com matemática isso vem de longa data. Você não era o carinha nerd da sua sala na escola e passava na matéria seguindo o mantra “Seis é dez”, ou então estudou numa escola com ensino ruim, chegou na faculdade e enfrentou destruição, fúria e pestilência nas aulas de cálculo, estatística e matemática discreta. Até que descobriu Data Science e agora tem que tirar o atraso sozinho se quiser trabalhar com isso.
Por que não aprendemos matemática (do jeito certo)
Num episódio do BBVA Podcast o professor Eduardo Sáenz de Cabezón traz alguns insights muito interessantes sobre a origem da dificuldade que alguns de nós temos com matemática.
Ele exemplifica uma situação onde uma sala de alunos é dividida e recebe desafios matemáticos para resolver. Metade da sala recebe desafios fáceis e metade desafios complexos duas vezes seguidas, em ambas apenas a metade que recebeu desafios fáceis conseguiu responder corretamente. Na terceira rodada todos receberam desafios medianos e apenas aqueles alunos que conseguiram realizar os desafios anteriores resolveram os de dificuldade média.
Esse experimento mostra duas coisas: primeiro, ao analisar os alunos que não solucionaram nenhum desafio temos a ideia de impotência aprendida, citada também pelo Greg McKeown no livro Essencialismo. Basicamente a nossa impotência aprendida começou quando não conseguíamos resolver exercícios de matemática na escola e simplesmente deixávamos de lado, ou seja, se eu não vou conseguir nem vou perder tempo tentando.
No caso dos alunos que resolveram os exercícios temos a ideia de sobrecarga gradativa. Ao receber dois exercícios fáceis, inconscientemente eles se tornaram mais confiantes ao resolver o mesmo tipo de desafio com um leve aumento de dificuldade. Aplicando ao nosso contexto não adianta partir para aplicações avançadas sem ter base sólida o suficiente.
Se você é do tipo que gela ao ver uma fração sobre a outra, uma equação envolvida por um radical ou símbolo de somatório, isso é um forte indício de que o problema está na falta de assimilação de alguns conceitos de matemática básica. Por essa razão precisamos ter auto conhecimento e humildade suficiente pra começar do zero se for preciso e superar nossa rival de longa data, a matemática.
Indicações
- 3Blue1Brown — Já falei desse cara em outro post, sobre a playlist explicando redes neurais. Ele tem diversas explicações muito visuais sobre Álgebra Linear e Cálculo. Must watch!
- The Organic Chemestry Tutor — É impressionante como um professor cujo alvo seria falar em Química Orgânica manda bem explicando sobre Limites, Derivadas e Integrais, já me salvou muito na faculdade. Ele também tem uma playlist muito interessante sobre Estatística.
- Algebra Linear USP — Conteúdo de qualidade em português não ex--
- Professor Leonard — Aulas excepcionais dadas pelo Clark Kent.
- Eddie Woo — Conheci esse cara pelo vídeo “Why is 0! = 1”.
- Monica Wahi(freeCodeCamp) — Ótima introdução à estatística dada por uma instrutora do LinkedIn Learning.
