Apesar de serem muito utilizados para compartilhar informações, os arquivos PDFs podem ser um empecilho para extrair dados. Neste artigo mostramos como usar IA para superar este desafio facilmente através do Python.
A previsão de séries temporais hierárquicas é uma técnica para analisar e prever dados que se estruturam em diferentes níveis de granularidade. Neste artigo, vamos mergulhar no mundo da modelagem preditiva de séries temporais hierárquicas utilizando Python, explorando os conceitos, métodos e aplicações práticas dessa técnica usando o Python.
Modelos de IA Generativa podem ajudar na análise de dados tal como o Self Checkout do mercado: economizando tempo e recursos. Através de um AI Assistant integrado na dashboard, o usuário pode obter respostas para suas dúvidas sobre os dados de forma rápida e interativa. Neste exercício mostramos o caminho para adicionar Inteligência Articial na análise de dados usando Python Shiny.
Relatórios não precisam ser um compilado de gráficos e tabelas estáticas. Com os AI Assistants é possível trazer vida e análises customizadas, tornando a experiência do usuário mais simples e interativa. Neste exercício mostramos um exemplo integrando um modelo de IA generativa em um relatório feito em R.
Neste post, vamos explorar como utilizar o modelo de linguagem Gemini da Google para analisar demonstrações contábeis da Petrobras (PETR4.SA) e extrair informações relevantes para tomada de decisão. Através de um código Python, vamos obter dados, conectar com o Gemini e gerar resumos sobre as contas das demonstrações e perspectivas futuras sobre as finanças da empresa.
Os “AI Assistants” são ferramentas que permitem automatizar e agilizar o processo de análise de dados e tomada de decisão. Neste artigo, mostramos como usar IA Generativa para criar um AI Assistant simples que analisa as decisões sobre a política de juros do COPOM.
Modelos de IA costumam ser treinados majoritariamente em inglês, mas para algumas tarefas os modelos em português podem ser mais adequados. Neste exercício mostramos como utilizar um LLM brasileiro, o Sabiá-3, que apresenta um custo-benefício melhor do que outras opções famosas.
Neste exercício mostramos como realizar a previsão da Volatilidade do Bitcoin em USD através do modelo HAR. Realizamos uma comparação da especificação proposta dos modelos tipo HAR type utilizando modelos de machine learning. O procedimento de coleta, tratamento e modelagem é realizado através do Python.
Como explicar modelos de previsão de séries temporais econômicas utilizando métodos de Machine Learning? Neste exercício, demonstraremos alguns métodos úteis para avaliar os parâmetros dos preditores em tais modelos. Para isso, utilizaremos o framework da biblioteca Skforecast em Python.
Neste exercício, exploramos como o framework da biblioteca `skforecast` do Python pode ser extremamente útil para a previsão de séries temporais econômicas, utilizando como exemplo as variações no desemprego dos EUA ao longo de um horizonte de 1 ano.