"Aquele 1%": economia se acomoda em 2018

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

No nosso Curso de Análise de Conjuntura usando o R estão disponíveis apresentações feitas em Beamer/LaTeX de diversos indicadores da economia brasileira. Essas apresentações tem por princípio a automatização do processo de coleta e tratamento dos dados, de maneira que a atualização dos resultados pode ser feita em poucos minutos, com mudanças mínimas no script. Isso garante um aumento considerável na produtividade de quem mexe todos os dias com dados macroeconômicos.

Nas últimas semanas, por suposto, tenho trabalhado na transição dessas apresentações para RMarkdown, uma sintaxe mais simples que o LaTeX, que permite uma introdução ainda mais tranquila para quem nunca programou. Como exemplo, coloco nesse post a atualização da apresentação das Contas Nacionais, divulgadas hoje pelo IBGE para o resultado do quarto trimestre do ano passado.

Os alunos do Curso de Análise de Conjuntura usando o R têm acesso a todos os códigos que geram a apresentação, desde a coleta dos dados, o tratamento dos mesmos e a visualização via ggplot2. Como degustação, não alunos podem ver a nova apresentação RMarkdown aqui.

[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.