Data Science para Economistas

Inscrições e Conversa inicial

As inscrições abrem no próximo dia 29/09 e ficam disponíveis até se esgotarem as vagas. Uma vez inscrito, o aluno terá uma primeira conversa on-line com o professor, para que o mesmo entenda o perfil do aluno e as necessidades específicas a serem supridas com a Formação. Essa conversa ocorrerá entre 29 de setembro e o dia 12 de outubro.

A Formação Data Science para Economistas começará oficialmente no dia 13/10/2020. O aluno poderá concluir os módulos de acordo com o seu ritmo, tendo o prazo máximo para isso de 18 meses.

Módulo 1 Introdução ao tidyverse

A Formação começa com uma introdução ao que há de mais avançado na linguagem para lidar com análise de dados: a família de pacotes tidyverse. Abaixo, as aulas que você terá nesse módulo:

• Apresentação do R e do RStudio
• Introdução ao mundo tidyverse: R packages for Data Science
• Importação de Dados: os pacotes readr e readxl
• Importação de Dados com os pacotes BETS, SidraR, ecoseries e rbcb
• Laboratório: importação de dados reais para o R

O material desse módulo já está disponível na plataforma.

Módulo 2 Tratamento de Dados

O segundo módulo da Formação dá ênfase ao tratamento de dados com os pacotes da família tidyverse. Nesse módulo, você terá as seguintes aulas:

• O pacote tibble
• O pacote tidyr
• O pacote dplyr
• O pacote lubridate
• Laboratório: tratamento de dados reais

O material desse módulo já está disponível na plataforma.

Módulo 3 Programando no R

O terceiro módulo da Formação cobre alguns aspectos gerais que estão em todas as etapas de análise de dados: a programação. Nesse módulo, você terá as seguintes aulas:

• Estruturas de dados
• Funções
• Criando loops
• Melhorando o seu código com pipes
• Laboratório: criando funções no R

O material desse módulo já está disponível na plataforma.

Módulo 4 Análise Exploratória de Dados

O quarto módulo da Formação irá lhe colocar com a mão na massa, de modo que você possa extrair relações da sua base de dados. Nesse módulo, você terá as seguintes aulas:

• O pacote ggplot2
• Gráficos de Linha
• Gráficos de Linha com pontos
• Gráficos de Correlação
• Gráficos de Correlação com círculos
• Gráficos com pontos nomeados
• Gráficos de Barras
• Gráficos de Barra Empilhados
• Correlogramas
• Gráficos de Densidade
• Gráficos de Área Empilhado
• Gráficos com áreas sombreadas
• Gráficos Múltiplos
• Boxplots
• Histogramas
• Laboratório: análise exploratória de churn

O material desse módulo já está disponível na plataforma. 

Módulo 5 Modelagem

O quinto módulo é o coração da nossa Formação. Uma vez que você tenha coletado, tratado e explorado o seu conjunto de dados, você está pronto para construir modelos relacionando as suas variáveis, de modo a confirmar a sua hipótese de trabalho. Nesse módulo, você terá as seguintes aulas:

• Introdução à Modelagem
• Introdução à Econometria e Estruturas de Dados
• Regressão Linear Simples
• Regressão Linear Múltipla
• Regressão Linear para Séries Temporais
• Regressão Linear para Dados em Painel
• Sistemas de Equações
• Testes e Diagnósticos
• Variáveis Instrumentais
• Regressão Resistente
• Regressão Quantílica
• Modelos Lineares Generalizados
• Regressões Logit e Probit
• Modelos de Regressão para dados de contagem
• Variáveis Dependentes Censuradas
• Um modelo de resposta binária semiparamétrico
• Modelos de resposta multinomial
• Modelos de Resposta Ordenada
• Modelos de Regressão com descontinuidade (RDD)
• Microdados brasileiros
• Modelos Lineares Univariados aplicados a séries temporais (ARIMA/SARIMA)
• Modelos Multivariados (VAR/VEC)
• Volatilidade de Ativos e Modelos de Volatilidade
• Modelo de efeitos fixos
• Modelo de efeitos aleatórios
• Laboratório: produzir um modelo explicativo

O material desse módulo já está disponível na plataforma.

Módulo 6 Machine Learning

O sexto módulo da Formação abordará algoritmos de machine learning, a saber:

• Introdução à Machine Learning
• Classificação usando algoritmos k-NN
• Classificação usando Naive Bayes
• Classificação com Árvores de Decisão
• Previsão numérica usando métodos de regressão
• Redes Neurais
• Support Vector Machine (SVM)
• Regras de Associação
• Clustering
• Métodos de Reamostragem
• Seleção e regularização linear de modelos
• Bagging, random forest e boosting
• Avaliando o desempenho do modelo
• Melhorando o desempenho do modelo

O material desse módulo já está disponível na plataforma.

Módulo 7 Apresentação

O último módulo da nossa Formação irá lhe ensinar a apresentar os resultados encontrados por meio do RMarkdown. Nesse módulo, você terá as seguintes aulas:

• Construindo seu primeiro documento RMarkdown
• Integrando código e texto
• Gráficos
• Figuras
• Criando um relatório completo em RMarkdown
• Criando uma apresentação completa em RMarkdown

O material desse módulo já está disponível na plataforma.