Descrição
O gestor quer a previsão da série para os próximos meses e, na mesma semana, uma classificação de quais clientes tendem a inadimplir. São problemas diferentes, com modelos diferentes, e a pergunta que vem antes de qualquer código é como saber se o modelo escolhido funciona fora da amostra. Neste curso você percorre o ciclo completo: define o problema, coleta os dados, explora e visualiza, modela, valida e usa o resultado para tomar decisão.
Como funciona: seis blocos. A introdução apresenta o ciclo de ciência de dados, a diferença entre análise descritiva e preditiva e as estruturas de série temporal e corte transversal. Fontes de dados cobre formatos e coleta em BCB, IBGE, IPEADATA, Banco Mundial, FMI, FRED e OCDE. A análise exploratória trata de estatísticas, gráficos, correlação, autocorrelação e estacionariedade. O bloco de problemas práticos cuida da separação entre treino e teste, do pré-processamento de valores extremos e ausentes e do dilema entre viés e variância. Modelos e aplicações passa por regressão linear, suavização exponencial, ARIMA, Prophet, regressão logística, Naive Bayes, k-NN, SVM, árvores de decisão e redes neurais. A validação fecha com avaliação de desempenho, validação cruzada, Bootstrap, Bagging, Random Forests e Boosting, e a interpretação dos resultados para tomada de decisão. Os modelos são formalizados quando necessário e aplicados passo a passo em Python, no Google Colab, com códigos e dados reprodutíveis.
Para quem é: quem quer usar modelos de previsão em problemas do dia a dia. Espera-se nível introdutório ou intermediário de Python, matemática no nível de cálculo diferencial e integral, estatística básica e inglês para leitura, além de contas gratuitas no Posit Cloud e no Google.
34 aulas, 50 horas de carga horária, 30 horas de vídeo. Nível intermediário, com certificado.
