Objetivo

O objetivo do curso de Modelagem e Previsão é o de capacitar estudantes e profissionais de mercado que estejam interessados em desenvolver modelos preditivos usando estatística, econometria e aprendizado de máquina, contemplando problemas de regressão e classificação, com aplicações na linguagem Python.

A abordagem do curso é teórica e prática: introduzindo e formalizando, quando necessário, os modelos propostos e mostrando como aplicar com conjuntos de dados reais.

Ementa

O curso de Modelagem e Previsão percorrerá todo o ciclo de ciência de dados, desde a identificação do problema, coleta de dados, análise exploratória/visualização, modelagem, validação e tomada de decisão.

O curso é divido em 6 partes e conta com mais de 40 aulas.

Programa do Curso

(Disponível) Aula 01 – Boas vindas e Apresentação do Curso

(Disponível) Aula 02 – Ciclo de Ciência de Dados

• Entendendo o ciclo
• Análise Descritiva vs. Preditiva

(Disponível) Aula 03 – Estruturas de Dados

• Série temporal
• Corte transversal

(Disponível) Aula 04 – Na prática: construindo uma análise de dados

(Disponível) Aula 05 – Fontes de Dados

• Formatos de dados
• Fontes Nacionais: BCB, IBGE e IPEADATA
• Fontes Internacionais: Banco Mundial, FMI, FRED e OCDE

(Disponível) Aula 06 – Variáveis Quantitativas vs. Qualitativas

(Disponível) Aula 07 – Processo Gerador de Dados

(Disponível) Aula 08 – Sumário de Estatísticas

(Disponível) Aula 09 – Gráfico de Dispersão

(Disponível) Aula 10 – Gráfico de Histograma

(Disponível) Aula 11 – Gráfico de Boxplot

(Disponível) Aula 12 – Gráfico de Linha

(Disponível) Aula 13 – Análise de Correlação

(Disponível) Aula 14 – Análise de Autocorrelação

(Disponível) Aula 15 – Estacionariedade

(Disponível) Aula 16 – Análise de Séries Temporais

(Disponível) Aula 17 – Fluxo de Modelagem e Previsão

(Disponível) Aula 18 – Separação de amostras: treino e teste

(Disponível) Aula 19 – Pré Processamento de Dados

(Disponível) Aula 20 – Viés e Variância

(Disponível) Aula 21 – Regressão Linear

(Disponível) Aula 22 – Suavização exponencial

(Disponível) Aula 23 – ARIMA

(Disponível) Aula 24 – Prophet

(Disponível) Aula 25 – Regressão Logística

(Disponível) Aula 26 – Naive Bayes

(Disponível) Aula 27 – Algoritmos k-NN

(Disponível) Aula 28 – Support Vector Machine (SVM)

(Disponível) Aula 29 – Árvores de Decisão

(Disponível) Aula 30 – Redes Neurais

(Disponível) Aula 31 – Avaliando o desempenho do modelo

(Disponível) Aula 32 – Validação Cruzada

(Disponível) Aula 33 – Aumentando o desempenho do modelo: bootstrap, bagging, random forests e boosting

(Disponível) Aula 34 – Interpretação de resultados e tomada de decisão

Certificado do Curso

Os alunos inscritos no Curso têm acesso a Certificado para fins de atividades complementares de cursos de graduação ou pós-graduação, bem como na sua empresa. Para obter é necessário assistir todas as aulas do curso e acertar pelo menos 70% de todos os Testes do curso.