📚 Atualizar README com estrutura detalhada das pastas e visualizações

README.md

@@ -2,21 +2,206 @@
 
 Este repositório contém os códigos de exemplos práticos da formação em Data Analytics.
 
-## Estrutura do Repositório
+## 📁 Estrutura do Repositório
 
-O repositório está organizado em módulos, onde cada pasta representa um módulo específico da formação. Dentro de cada módulo, você encontrará os notebooks (`.ipynb`) correspondentes às aulas:
+![Estrutura do Repositório](.github/images/estrutura_repositorio.png)
+
+O repositório está organizado em módulos, onde cada pasta representa um módulo específico da formação. Dentro de cada módulo, você encontrará os notebooks Jupyter (`.ipynb`) correspondentes às aulas, além de datasets utilizados nos exemplos práticos.
 
 ```
 data-analytics/
-├── coletando_os_dados/
-│   ├── aula-1.ipynb
-│   ├── aula-2.ipynb
-│   └── ...
-├── tratando_os_dados/
-│   ├── aula-1.ipynb
-│   ├── aula-2.ipynb
-│   └── ...
-└── ...
+├── python_fundamentos/              # 15 notebooks
+├── python_estrutura_de_dados/       # 11 notebooks
+├── python_funcoes_modulos/          # 8 notebooks
+├── python_numpy/                    # 11 notebooks
+├── python_pandas/                   # 15 notebooks
+├── coletando_os_dados/              # 6 notebooks
+├── tratando_os_dados/               # 10 notebooks
+└── transformando_dados_em_insights/ # 9 notebooks
 ```
 
-Cada notebook contém o código e as explicações práticas desenvolvidas durante as aulas do respectivo módulo.
+**Total: 85 notebooks práticos**
+
+---
+
+## 🎯 Jornada de Aprendizado
+
+O curso segue uma progressão lógica, do básico ao avançado:
+
+![Jornada de Aprendizado](.github/images/jornada_aprendizado.png)
+
+---
+
+## 📚 Conteúdo dos Módulos
+
+### 1. 🐍 python_fundamentos (15 notebooks)
+**Fundamentos da linguagem Python**
+
+Introdução aos conceitos básicos de programação em Python:
+- `Variáveis e Tipos de Dados.ipynb` - Declaração e tipos de variáveis
+- `Comentários em Python.ipynb` - Boas práticas de comentários
+- `Strings.ipynb` - Manipulação de texto
+- `Formatação de Strings.ipynb` - f-strings e formatação
+- `Percorrendo e Fatiando Strings.ipynb` - Slicing e iteração
+- `Operadores Aritméticos.ipynb` - Operações matemáticas
+- `Operadores Relacionais.ipynb` - Comparações
+- `Operadores Lógicos.ipynb` - AND, OR, NOT
+- `Operadores Atribuição.ipynb` - Atribuições compostas
+- `If elif else.ipynb` - Estruturas condicionais
+- `Laço de Repetição FOR.ipynb` - Loops com for
+- `Laço de Repetição While.ipynb` - Loops com while
+- `While True, Break e Continue.ipynb` - Controle de loops
+- `Entrada de Dados em Python.ipynb` - Input do usuário
+- `Saída de Dados em Python.ipynb` - Print e formatação
+
+### 2. 📊 python_estrutura_de_dados (11 notebooks)
+**Estruturas de dados nativas do Python**
+
+Trabalho com listas, tuplas, dicionários e conjuntos:
+- `Introdução a listas.ipynb` - Criação e uso de listas
+- `Métodos de Lista.ipynb` - append, insert, remove, pop
+- `Percorrendo e fatiando listas.ipynb` - Iteração e slicing
+- `Listas Aninhadas.ipynb` - Listas multidimensionais
+- `Tuplas.ipynb` - Estruturas imutáveis
+- `Introdução a Dicionários.ipynb` - Pares chave-valor
+- `Percorrendo dicionários e Métodos.ipynb` - Iteração e métodos
+- `Retornando chaves e valores de um dicionário.ipynb` - keys(), values(), items()
+- `Dicionários Aninhados.ipynb` - Estruturas complexas
+- `Introdução a Conjuntos.ipynb` - Sets e suas propriedades
+- `Métodos de Conjunto.ipynb` - Operações de união, interseção
+
+### 3. 🔧 python_funcoes_modulos (8 notebooks)
+**Funções e modularização de código**
+
+Criação de funções, módulos e programação funcional:
+- `Introdução a Funções.ipynb` - Definição e chamada de funções
+- `Funções com parâmetros.ipynb` - Parâmetros e argumentos
+- `Funções com retorno.ipynb` - Return e valores de retorno
+- `Funções Lambda.ipynb` - Funções anônimas
+- `List Comprehension.ipynb` - Criação concisa de listas
+- `Módulos em Python.ipynb` - Import e organização
+- `Como criar módulo no Colab.ipynb` - Módulos personalizados
+- `Como criar módulo Drive.ipynb` - Integração com Google Drive
+
+**Arquivos auxiliares:**
+- `contents/calculadora.py` - Exemplo de módulo customizado
+
+### 4. 🔢 python_numpy (11 notebooks)
+**Computação numérica com NumPy**
+
+Manipulação eficiente de arrays e operações numéricas:
+- `Instalacao_numpy.ipynb` - Setup e importação
+- `Intro_Arrays_numpy.ipynb` - Criação de arrays
+- `Atributos_array.ipynb` - shape, dtype, ndim
+- `Indexacao_fatiamento.ipynb` - Acesso a elementos
+- `Indexacao_booleana.ipynb` - Filtragem com condições
+- `Operacoes_arrays.ipynb` - Operações matemáticas
+- `Operacoes_logicas_comparacoes.ipynb` - Comparações
+- `Funcoes_agregacao.ipynb` - sum, mean, std, etc.
+- `Funcoes_uteis.ipynb` - Funções auxiliares do NumPy
+- `Manipulacao_de_formas.ipynb` - reshape, transpose
+- `Combinacao_divisao_arrays.ipynb` - vstack, hstack, split
+
+### 5. 🐼 python_pandas (15 notebooks)
+**Análise de dados com Pandas**
+
+Manipulação e análise de dados tabulares:
+- `Series.ipynb` - Estrutura unidimensional
+- `DataFrames.ipynb` - Estrutura bidimensional
+- `Head_tail_shape_info_describe.ipynb` - Exploração inicial
+- `Ler_Salvar.ipynb` - Leitura e escrita de arquivos
+- `Loc_Iloc.ipynb` - Seleção de dados
+- `Filter.ipynb` - Filtragem de dados
+- `Sort_Values.ipynb` - Ordenação
+- `Astype_isna_fillna_dropna.ipynb` - Tipos e valores ausentes
+- `Apply_Map.ipynb` - Aplicação de funções
+- `Funcoes_Agregacao.ipynb` - groupby, agg
+- `Funcoes_Data.ipynb` - Manipulação de datas
+- `Funcoes_Formatacao.ipynb` - Formatação de dados
+- `Concat.ipynb` - Concatenação de DataFrames
+- `Merge.ipynb` - Junção de dados (inner, outer)
+- `Join.ipynb` - Join de DataFrames
+
+### 6. 🗄️ coletando_os_dados (6 notebooks)
+**Coleta de dados de diversas fontes**
+
+Leitura de dados de arquivos, APIs e bancos de dados:
+- `Aula 3.6_Lendo_dados_com_pandas.ipynb` - Leitura de CSV, Excel
+- `Aula 3.7_Lendo_dados_URL_e_API.ipynb` - Dados da web
+- `Aula 3.8_Lendo_arquivos_Google_Drive.ipynb` - Integração com Drive
+- `Aula 3.10_Usando_SQLite_no_Google_Colab.ipynb` - Banco de dados SQLite
+- `Aula 3.11_SQL_queries.ipynb` - Consultas SQL
+- `Aula 3.12_SQL_JOINs.ipynb` - Relacionamento entre tabelas
+
+**Datasets disponíveis:**
+- `datasets/clientes_dataset.csv` - Dados de clientes
+- `datasets/clientes_dataset.xlsx` - Versão Excel
+- `datasets/Aula 3.3 clientes_dataset.xlsx` - Dataset específico
+
+### 7. 🧹 tratando_os_dados (10 notebooks)
+**Limpeza e preparação de dados**
+
+Tratamento de dados para análise:
+- `Aula_4_5_quartis.ipynb` - Quartis e estatísticas descritivas
+- `Aula_4_6_histogramas_boxplots.ipynb` - Visualização de distribuições
+- `Aula_4_7_scatterplot_heatmap.ipynb` - Gráficos de dispersão e correlação
+- `Aula_4_8_outliers.ipynb` - Detecção e tratamento de outliers
+- `Aula_4_9_valores_ausentes.ipynb` - Missing data
+- `Aula_4_10_Duplicatas.ipynb` - Identificação e remoção
+- `Aula_4_11_normalizacao_transformacoes.ipynb` - Normalização e scaling
+- `Aula_4_12_encoding_categoricas.ipynb` - One-hot encoding, label encoding
+- `Aula_4_13_datas.ipynb` - Tratamento de datas
+- `Aula_4_14_exercicio.ipynb` - Exercício prático completo
+
+**Datasets disponíveis:**
+- `datasets/compras_loja_praia.csv` - Dados de vendas
+- `datasets/filmes_100_amostra.csv` - Dados de filmes
+
+### 8. 📈 transformando_dados_em_insights (9 notebooks)
+**Machine Learning e análise avançada**
+
+Modelos preditivos e análise de dados:
+- `Correlacao_Prática.ipynb` - Análise de correlação
+- `Regressao_Linear_Pratico.ipynb` - Modelos lineares
+- `Regressao_Logistica.ipynb` - Classificação binária
+- `Arvores_RF_XGB.ipynb` - Random Forest e XGBoost
+- `Avaliando_Modelos.ipynb` - Métricas de avaliação
+- `Clusterizacao.ipynb` - K-means e clustering
+- `Analise_Temporal_ARIMA.ipynb` - Séries temporais
+- `Testes_Estatisticos.ipynb` - Testes de hipóteses
+- `Caso_Pratico_Completo.ipynb` - Projeto end-to-end
+
+**Datasets disponíveis:**
+- `datasets/Caso_Pratico_base_churn_saas.csv` - Análise de churn
+- `datasets/dados_regressao_ruido_53_amostras.xlsx` - Dados para regressão
+
+---
+
+## 🚀 Como Usar
+
+1. **Clone o repositório:**
+   ```bash
+   git clone https://github.com/rocketseat-education/data-analytics.git
+   ```
+
+2. **Navegue até o módulo desejado:**
+   ```bash
+   cd data-analytics/python_fundamentos
+   ```
+
+3. **Abra os notebooks:**
+   - Use Jupyter Notebook, JupyterLab ou Google Colab
+   - Os notebooks estão prontos para execução
+
+## 📝 Observações
+
+- Todos os notebooks são independentes e podem ser executados separadamente
+- Alguns notebooks requerem datasets que estão nas pastas `datasets/` de cada módulo
+- Os exemplos foram desenvolvidos para uso em Google Colab, mas funcionam em ambientes locais
+- É recomendado seguir a ordem dos módulos para melhor compreensão
+
+---
+
+## 🎓 Sobre a Formação
+
+Este material faz parte da **Formação em Data Analytics da Rocketseat**, cobrindo desde os fundamentos de Python até técnicas avançadas de Machine Learning e análise de dados.