Vamos aos capítulos

1 – Integração de R e Python com o Power BI: Este capítulo abrange a integração de scripts R e Python com o Power BI, destacando sua utilidade além da simples visualização de dados. Explora como adicionar scripts R ou Python no Power BI, as ferramentas específicas para essa integração e as limitações desses scripts em diferentes produtos do Power BI.

2 – Configuração do R no Power BI: Foca na configuração do R com o Power BI, incluindo instalação, configuração de kernel R e ambientes de desenvolvimento.

3 – Configuração do Python no Power BI: Explora a integração do Python com o Power BI, abordando instalação, configuração de kernel Python e uso de ambientes virtuais.

4 – Solução de problemas comuns com Python e R no Power BI: Oferece soluções para problemas frequentes ao usar Python e R no Power BI.

5 – Importação de objetos de dados não tratados: Aborda a importação de arquivos RDS e PKL no Power BI, útil para dados processados externamente.

6 – Uso de expressões regulares no Power BI: Explora o uso de regex para busca e substituição em strings no Power BI, melhorando a limpeza de dados.

7 – Anonimização e pseudo-anonimização de dados no Power BI: Técnicas para proteger a privacidade dos dados usando scripts Python e R.

8 – Registro de dados do Power BI em fontes externas: Como extrair e registrar dados do Power BI em arquivos externos ou sistemas.

9 – Carregamento de grandes conjuntos de dados no Power BI: Técnicas para trabalhar com arquivos grandes usando Python e R.

10 – Aceleração do carregamento de dados com formato Parquet: Conversão de dados do formato CSV para Parquet para otimizar o desempenho.

11 – Chamando APIs externas para enriquecer seus dados: Extensão de dados usando APIs externas.

12 – Cálculo de colunas com algoritmos complexos: Distâncias: Uso de algoritmos para cálculos de distâncias.

13 – Cálculo de colunas com algoritmos complexos: Fuzzy Match: Técnicas avançadas de fuzzy match.

14 – Cálculo de colunas com algoritmos complexos: Problemas de otimização: Abordagem de problemas de otimização usando Python e R.

15 – Inclusão de insights estatísticos: Associações: Exploração de associações entre variáveis usando estatísticas.

16 – Inclusão de insights estatísticos: Outliers e valores ausentes: Detecção de outliers e imputação de valores ausentes.

17 – Uso de aprendizado de máquina sem licença premium ou incorporada: Integração de ML no Power BI.

18 – Uso de linguagens externas do SQL Server para análise avançada e integração de ML no Power BI: Uso de motores analíticos do Python e R no SQL Server e Azure SQL Managed Instance para o Power BI.

19 – Análise Exploratória de Dados (EDA): Foca na importância de compreender profundamente as características inerentes dos dados antes de aplicar modelos de ML. Introduz técnicas de EDA que ajudam na seleção de modelos adequados e na engenharia de features. Aborda limpeza de dados, relacionamentos entre variáveis e insights significativos para construir modelos precisos.

20 – Uso da gramática de gráficos em Python com plotnine (não achei uma tradução melhor, então fiz quase que literal): Guia abrangente sobre o pacote plotnine em Python, com paralelos ao popular ggplot2 em R. Explora a análise do conjunto de dados Titanic usando técnicas do plotnine, como criação de gráficos de barras e histogramas. Também aborda a integração do plotnine com o Power BI, incluindo instruções detalhadas para uso dessas visualizações no ambiente do Power BI.

21 – Visualizações avançadas: Criação de gráficos personalizados avançados, com foco em gráficos de barras circulares. Esses gráficos são úteis para exibir dados periódicos ou cíclicos de forma clara e eficiente. O capítulo aborda seleção e implementação de gráficos de pizza no R e no Power BI, além da integração de scripts R para renderizar gráficos complexos do ggplot2.

Só lembrando que não se deve usar gráficos com nome de comida, sejam eles pizza ou rosca. rss

22 – Visualizações interativas e personalizadas em R: Aprimoramento das visualizações de dados com interatividade, explorando a transição de gráficos estáticos para melhor interpretabilidade.