Merge pull request microsoft#191 from izzy-el/translation-pt-br

Translated the Introduction files and the Base README to PT-BR

Author: paladique

1-Introduction/01-defining-data-science/translations/README.pt-br.md

@@ -0,0 +1,31 @@
+# Tarefa: Cenários de Ciência de Dados
+
+Nessa primeira tarefa, nós pedimos que você pense sobre algum processo ou problema da vida real em diferentes domínios de problemas, e como você pode melhorar isso usando o processo de Ciência de Dados: Pense sobre:
+
+1. Quais dados você pode coletar?
+1. Como você coletaria os dados?
+1. Como você armazenaria os dados? O quão grande os dados provavelmente são?
+1. Quais insights você pode ter a partir desses dados? Quais decisões nós podemos fazer baseando-se nos dados?
+
+Tente pensar sobre 3 diferentes problemas/processos e descreva cada um dos pontos acimas para cada domínio de problemas.
+
+Aqui estão alguns dos domínio de problemas e problemas que podem te ajudar a começar a pensar:
+
+1. Como você usa dados para melhorar o processo de educação para crianças nas escolas?
+1. Como você usa dados para controlar vacinação em uma pandemia?
+1. Como você usa dados para garantir que você está sendo produtivo no trabalho?
+## Instruções
+
+Preencha a seguinte tabela (substitua os domínios de problemas sugeridos pelos os seus próprios se necessário):
+
+| Domínio de Problema | Problema | Quais dados a serem coletados | Como armazenar os dados | Quais insights/decisões nós podemos fazer | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| Educação | | | | |
+| Vacinação | | | | |
+| Produtividade | | | | |
+
+## Rubrica
+
+Exemplar | Adequado | Precisa melhorar
+--- | --- | -- |
+Um foi capaz de identificar fontes de dados razoáveis, formas de armazenar dados e possíveis insights/decisões para todos os domínios de problema | Alguns dos aspectos da solução não estão detalhados, armazenamento de dados não é discutido, pelo menos 2 domínios de problemas são descritos | Apenas parte da solução de dados são descritas, apenas um domínio de problema é considerado.

1-Introduction/01-defining-data-science/translations/assignment.pt-br.md

@@ -0,0 +1,21 @@
+## Escreva um Caso de Estudo de Ética de Dados
+
+## Instruções
+
+Você aprendeu sobre vários [Desafios da Ética de Dados](README.pt-br.md#2-desafios-de-ética) e viu alguns exemplos de [Estudo de Casos](README.pt-br.md#3-estudo-de-casos) refletindo desafios da ética de dados em contextos do mundo real.
+
+Nessa tarefa você irá escrever o seu próprio estudo de caso refletindo um desafio da ética de dados de seu própria experiência, ou de um contexto relevante do mundo real que você está familiarizado. Apenas siga esses passos:
+
+1. `Escolha um Desafio da Ética de Dados`. Olhe [os exemplos da aula](README.pt-br.md#2-desafios-de-ética) ou explore exemplos onlines como [as Checklists da Deon](https://deon.drivendata.org/examples/) para se inspirar.
+
+2. `Descreva um Exemplo do Mundo Real`. Pense sobre a situação que você ouviu sobre (manchetes, pesquisas etc.) ou experienciou (comunidade local), onde esse desafio em específico aconteceu. Pense sobre as questões de ética de dados relacionadas ao desafio - e discuta os danos potenciais ou consequências não-ntencionais que são levantados por causa desse problema. Pontos bônus: pense sobre potenciais soluções ou precessos que podem ser aplicados aqui para ajuda a eliminar ou mitigar o impacto adverso desse desafio.
+
+3. `Forneça um Lista de Recursos Relacionados`. Compartilhe um ou mais recursos (links para artigos, posts ou imagens de blogs pessoais, artigos de pesquisa online etc.) para provar que isso acotnece no mundo real. Pontos bônus: compartilhe recursos que também mostrar potenciais danos e consequências de incidentes, ou destacam medidas positivas tomadas para prevenir sua recorrência.
+
+
+
+## Rubrica
+
+Exemplar | Adequado | Precisa melhorar
+--- | --- | -- |
+Um ou mais desafios de ética de dados são identificados. <br/> <br/> O estudo de caso descreve claramente um incidente do mundo real refletindo aquele desafio, e destaca consequências não desejáveis ou danos que causou. <br/><br/> Existe pelo menos um recurso linkado para provar que isso aconteceu. |Um desafio da ética de dados é identificado. <br/><br/> Pelo menos um dano ou consequência relevante é discutido brevemete. <br/><br/> No entanto a discussão é limitada ou falta provas de uma ocorrência no mundo real. | Um desafio de dados é identificado. <br/><br/> No entanto a descrição ou recursos não refletem adequadamente o desafio ou provam que aconteceu no mundo real. |

1-Introduction/02-ethics/translations/README.pt-br.md

@@ -0,0 +1,67 @@
+# Definindo Dados
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Definindo Dados - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Dados são fatos, informações, observações e medidas que são usadas para fazer descobertas e apoiar decisões informadas. Um ponto de dado é uma unidade única dentro de um dataset, que é uma coleção de pontos de dados. Datasets podem vir em diferentes formatos e estruturas, e normalmente será baseado em sua fonte, ou de onde os dados vieram. Por exemplo, os ganhos mensais de uma empresa podem estar em uma planilha mas a frequência cardíaca (por hora) de um smartwatch pode estar em formato [JSON](https://stackoverflow.com/a/383699). É comum para cientistas de dados terem que trabalhar com diferentes tipos de dados em um dataset.
+
+Essa aula irá focar em identificar e classificar dados baseados em sua características e fontes.
+
+## [Quiz Pré Aula](https://red-water-0103e7a0f.azurestaticapps.net/quiz/4)
+## Como Dados são Descritos
+**Dados Brutos (Raw data)** são dados que vieram em seu estado inicial de sua fonte e não foram analisados ou organizados. Para entender o que está acontecendo com um conjunto de dados, é necessário organizar os dados em um formato que possa ser entendido pelos humanos e também pela tecnologia que pode ser usada para analisar os mesmos. A estrutura do dataset descreve como estão organizados e pode ser classificada em estruturada, não estruturada e semi estruturada. Esses tipos de estruturas irão variar, dependendo da fonte mas irão ultimamente se encaixar nessas categorias.
+
+### Dados Qualitativos
+Dados qualitativos, também conhecidos como dados categóricos são dados que não podem ser medidos objetivamente como observações de dados quantitativos. São geralmente vários formatos de dados subjetivos que coletam a qualidade de algo, como um produto ou processo. Algumas vezes, dados qualitativos são numéricos e tipicamente não seriam usados matematicamente, como números de telefones e marcas de tempo. Alguns exemplos de dados qualitativos são: comentários de vídeos, a marca e modelo de um carro e a cor favorita do seu melhor amigo. Dados qualitativos podem ser usados para entender quais produtos os consumidores mais gostam ou identificar palavras-chaves populares em cúrriculos para aplicação em uma vaga de trabalho.
+
+### Dados Estruturados
+Dados estruturados são dados que estão organizados em linhas e colunas, onde cada linha tem a mesma quantidade de colunas. Colunas representam um valor de um tipo particular e são identificadas com um nome descrevendo o que aquele valor representa, enquanto cada linha contém o valor. Colunas geralmente vão possuir um conjunto específico de regras e restrições nesses valores, para garantir que os valores representam precisamente a coluna. Por exemplo, imagine uma planilha de clientes onde cada linha deve ter um número de telefone e o mesmo nunca pode conter caractéres alfabéticos. Podem existir regras aplicadas na coluna do número de telefone para garantir que nunca esteja vazio e contenha apenas números.
+
+Um benefício de dados estruturados é que podem ser organizados de uma forma que pode ser relacionada a um outro dado estruturado. No entanto, devido ao fato dos dados serem feitos para serem organizados de uma forma específica, fazer mudanças na estrutura em geral pode requerer muito esforço. Por exemplo, adicionar uma coluna de email na planilha de clientes que não pode ser vazia, significa que você terá que decidir como você irá adicionar os valores nas linhas já existentes no dataset.
+
+Exemplos de dados estruturados: planilhas/spreadsheets, bancos de dados relacionais, números de telefone, extratos bancários
+
+### Dados Não Estruturados
+Dados não estruturados tipicamente não podem ser categorizado em linhas e colunas e não possuem um formato ou um conjunto de regras a ser seguido. Devido ao fato de dados não estruturados possuirem menos restrições na sua estrutura é mais fácil adicionar novas informações quando comparados com um dataset estruturado. Se um sensor que coleta dados de pressão bariométrica a cada 2 minutos recebeu uma atualização que agora permite que o mesmo meça e grave a temperatura, não é preciso alterar os dados já existentes se eles são não estruturados. No entanto, isso pode fazer com que a análise ou investigação desses dados leve mais tempo. Por exemplo, um cientista que quer descobrir a temperatura média do mês passado a partir dos dados do sensor, mas descobre que o sensor gravou um "e" em alguns dados gravados indicando que estava quebrado ao invés de um número típico, o que significa que os dados estão incompletos.
+
+Exemplos de dados não estruturados: arquivos de texto, mensagens de texto, arquivo de vídeo
+
+### Dados Semi Estruturados
+Dados semi estruturados possui recursos que o fazem ser uma combinação de dados estruturados e não estruturados. Tipicamente não está em conformidade com linhas e colunas mas estão organizados de uma forma que são considerados estruturados e podem seguir um formato fizo ou um conjunto de regras. A estrutura pode variar entre as fontes, desde uma hierarquia bem definida até algo mais flexível que permite uma fácil integração de novas informação. Metadados são indicadores que ajudam a decidir como os dados são organizados e armazenados e terão vários nomes, baseado no tipo de dado. Alguns nomes comuns para metadados são tags, elementos, entidades e atributos. Por exemplo, uma mensaem de email típica terá um assunto, corpo e um conjunto de recipientes e podem ser organizados por quem ou quando foi mandado.
+
+Exemplos de dados não estruturados: HTML, arquivos CSV, JavaScript Object Notation (JSON)
+
+## Fontes de Dados
+
+Uma fonte de dados é o local inicial onde os dados foram gerados, ou onde "vivem" e irá variar com base em como e quando foram coletados. Dados gerados por seus usuários são conhecidos como dados primários enquanto dados secundários vem de uma fonte que coletou os dados para uso geral. Por exemplo, um grupo de cientistas fazendo observações em uma floresta tropical seriam considerados dados primários e se eles decidirem compartilhar com outros cientistas seriam considerados dados secundários para aqueles que usarem.
+
+Banco de dados são fontes comuns e dependem de um sistema de gerenciamente de banco de dados para hospedar e manter os dados onde usuários usam comandos chamados de "queries" para explorar os dados. Arquivos como fonte de dados podem ser aúdio, imagens, e arquivos de vídeo assim como planilhas como o Excel. Fontes da internet são lugares comuns para hospedar dados, onde banco de dados e arquivos podem ser encontrados. Application programming interfaces, ou APIs, permitem programadores a criarem formas de compartilhar dados com usuários externos através da interet, enquanto processos de "web scraping" extrai dados de uma página da web. As [tarefas em Trabalhando com Dados](../../../2-Working-With-Data) focam em como usar várias fontes de dados.
+
+## Conclusão
+
+Nessa aula nós aprendemos:
+
+- O que são dados
+- Como dados são descritos
+- Como dados são classificados e categorizados
+- Onde os dados podem ser encontrados
+
+## 🚀 Desafio
+
+O Kaggle é uma excelente fonte para datasets abertos. Use a [ferramenta de busca de dataset](https://www.kaggle.com/datasets) para encontrar alguns datasets interessantes e classificar de três a cinco datasets com esses critérios:
+
+- Os dados são quantitativos ou qualitativos?
+- Os dados são estruturados, não estruturados, ou semi estruturados?
+
+## [Quiz Pós Aula](https://red-water-0103e7a0f.azurestaticapps.net/quiz/5)
+
+
+
+## Revisão e Auto Estudo
+
+- Essa unidade do Microsoft Lean, entitulada [Classifique seus Dados (Classify your Data)](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) tem uma análise detalhada de dados estruturados, semi estruturados, e não estruturados.
+
+## Tarefa
+
+[Classificando Datasets](assignment.pt-br.md)

1-Introduction/02-ethics/translations/assignment.pt-br.md

@@ -0,0 +1,65 @@
+# Classificando Datasets
+
+## Instruções
+
+Siga as instruções nessa tarefa para identificar e classificar os dados como um de cada dos seguintes tipos de dados:
+
+**Tipos de Estrutura**: Estruturado, Semi Estruturado, ou Não-Estruturado
+
+**Tipos de Valor**: Qualitativo ou Quantitativo 
+
+**Tipos de Fonte**: Primária ou Secundária
+
+1. Uma empresa voi adquirida e agora tem uma empresa-mãe. Os cientistas de dados receberam uma planilha com números de telefones dos clientes da empresa-mãe. 
+
+Tipo de Estrutura:
+
+Tipo de Valor: 
+
+Tipo de Fonte: 
+
+---
+
+2. Um smart watch vem coletando dados da frequência cardíaca de seu usuário, e os dados brutos estão em formato JSON.
+
+Tipo de Estrutura:
+
+Tipo de Valor: 
+
+Tipo de Fonte:  
+
+---
+
+Uma pesquisa sobre o moral do funcionário no local de trabalho armazenada em um arquivo CSV.
+
+Tipo de Estrutura:
+
+Tipo de Valor: 
+
+Tipo de Fonte: 
+
+---
+
+4. Astrofísicos estão acessando um banco de dados de galáxias que foram coletados por uma sonda espacial. Os dados contém os números de planetas dentro de cada galáxia.
+
+Tipo de Estrutura:
+
+Tipo de Valor: 
+
+Tipo de Fonte: 
+
+---
+
+5. Um aplicativo de finanças pessoas usa APIs para conectar com as contas financeiras dos usuários para calcular seu net worth. Eles podem ver todas as suas transações em um formato de linhas e colunas e são similares com uma planilha.
+
+Tipo de Estrutura:
+
+Tipo de Valor: 
+
+Tipo de Fonte:  
+
+## Rubrica
+
+Exemplar | Adequado | Precisa melhorar
+--- | --- | -- |
+Identificou corretamente todas as estruturas, valores, e fontes |Identificou corretamente 3 todas as estruturas, valores e fontes|Correctly Identificou 2 ou menos todas as estruturas, valores, e fontes|