Logotipo Análise Macro
Modelagem e Previsão usando Python

Programa e informações gerais do curso

Autor

Análise Macro

1 Resumo

Este curso ensina a desenvolver modelos preditivos em Python usando estatística, econometria e aprendizado de máquina. O conteúdo cobre problemas de regressão e de classificação, com aplicações em conjuntos de dados reais.

A abordagem combina teoria e prática. Os modelos são introduzidos e formalizados quando necessário, e em seguida aplicados passo a passo. O curso percorre todo o ciclo de ciência de dados: identificação do problema, coleta de dados, análise exploratória e visualização, modelagem, validação e tomada de decisão.

É indicado para quem quer usar modelos de previsão em desafios do dia a dia. Espera-se familiaridade com programação em Python para análise de dados, além de noções de matemática e estatística.

Item Detalhe
Categoria Básicos de Python
Carga horária total 50 horas
Horas de vídeo 30 horas
Número de aulas 34
Nível Intermediário
Certificado Sim, emitido pela Análise Macro

2 Pré-requisitos e Objetivos

Pré-requisitos

Para o melhor aproveitamento, espera-se que o aluno tenha:

  • Computador com acesso à internet;
  • Cadastro de conta gratuita no Posit Cloud;
  • Cadastro de conta gratuita no Google;
  • Matemática a nível de cálculo diferencial/integral;
  • Estatística básica;
  • Nível introdutório/intermediário de Python;
  • Domínio de inglês para leitura.

O que você será capaz de fazer

  • Resolver problemas de análise de dados do zero, construindo uma solução que envolve coleta, exploração e modelagem;
  • Aplicar modelos estatísticos, econométricos e de aprendizado de máquina a problemas de regressão e classificação;
  • Validar modelos preditivos a partir do contato com dados reais;
  • Interpretar os resultados e usá-los para tomada de decisão;
  • Reproduzir aplicações e exercícios completos em Python.

Habilidades e ferramentas

  • Linguagem Python para análise e modelagem de dados;
  • Coleta de dados de fontes nacionais (BCB, IBGE, IPEADATA) e internacionais (Banco Mundial, FMI, FRED, OCDE);
  • Análise exploratória e visualização de dados;
  • Modelos de séries temporais: suavização exponencial, ARIMA e Prophet;
  • Modelos de regressão e classificação: regressão linear, regressão logística, Naive Bayes, k-NN, SVM, árvores de decisão e redes neurais;
  • Métodos de ensemble: Bootstrap, Bagging, Random Forests e Boosting;
  • Validação cruzada e avaliação de desempenho de modelos;
  • Ambiente Google Colab para execução dos códigos.

3 Programa Detalhado

Introdução à Modelagem Preditiva

  1. Boas vindas e Apresentação do Curso
  2. Ciclo de Ciência de Dados
    1. Entendendo o Ciclo
    2. Análise Descritiva vs. Preditiva
  3. Estruturas de Dados
    1. Série temporal
    2. Corte transversal
  4. Na Prática: Construindo uma Análise de Dados

Fontes de Dados

  1. Formatos de Dados
  2. Fontes Nacionais: BCB, IBGE e IPEADATA
  3. Fontes Internacionais: Banco Mundial, FMI, FRED e OCDE

Análise Exploratória de Dados e Visualização

  1. Variáveis Quantitativas vs. Qualitativas
  2. Processo Gerador de Dados
  3. Sumário de Estatísticas
  4. Gráfico de Dispersão
  5. Gráfico de Histograma
  6. Gráfico de Boxplot
  7. Gráfico de Linha
  8. Análise de Correlação
  9. Análise de Autocorrelação
  10. Estacionariedade
  11. Análise de Séries Temporais

Problemas Práticos de Modelagem Preditiva

  1. Fluxo de Modelagem e Previsão
  2. Separação de amostras: treino e teste
  3. Pré Processamento de Dados
    1. Valores extremos
    2. Valores ausentes
  4. Viés e Variância

Modelos e Aplicações

  1. Regressão Linear
  2. Suavização exponencial
  3. ARIMA
  4. Prophet
  5. Regressão Logística
  6. Naive Bayes
  7. Algoritmos k-NN
  8. Support Vector Machine (SVM)
  9. Árvores de Decisão
  10. Redes Neurais

Validação

  1. Avaliando o desempenho do modelo
  2. Validação Cruzada
  3. Aumentando o desempenho do modelo
    1. Bootstrap
    2. Bagging
    3. Random Forests
    4. Boosting
  4. Interpretação de resultados e tomada de decisão

4 Inscrição

A matrícula dá acesso às aulas gravadas, às notas de aula em HTML, aos códigos reprodutíveis em Python (.py e/ou .ipynb), aos dados utilizados em formato .csv e às referências de apoio. Ao concluir o curso, você recebe o certificado da Análise Macro, e conta com suporte para dúvidas durante o estudo.