Formação online

Ciência de Dados para Economia e Finanças

Torne-se um cientista de dados capaz de lidar com dados econômicos e financeiros, entregar análises e relatórios mais inteligentes utilizando as ferramentas mais modernas do mercado como o R, Python e SQL.

O que você será capaz de fazer

Precisa tomar decisões baseadas em dados e ainda está preso ao mundo do Excel e das recomendações de terceiros? Com este curso completo você será capaz de coletar dados das principais bases de dados econômicas e financeiras de forma automatizada, poderá criar análises, relatórios e dashboards automáticos, aumentar a percepção de valor do seu trabalho e ainda ganha tempo em tarefas que hoje são tediosas e repetitivas.

Quais habilidades eu aprenderei

Quais ferramentas eu usarei

Para quem este treinamento é indicado

Lorem Ipsum is simply dummy text of the printing and typesetting industry. Lorem Ipsum has been the industry’s standard dummy text ever since the 1500s.

Estudantes de Graduação

Mesmo ainda na graduação, sem experiência com programação, você já pode se diferenciar dos seus colegas ao investir em sua futura carreria em ciência de dados.

Professores e Acadêmicos

Utilize o poder das linguagens de programação mais modernas do mercado como o R e o Python para produzir trabalho acadêmicos com mais facilidade e agilidade.

Profissionais de Mercado

Chega de lidar com planilhas Excel confusas e tarefas repetitivas. Ao dominar Ciência de Dados, você ganha o poder de automatizar as tarefas repetitivas do seu dia-a-dia.

O que você aprenderá neste treinamento

Lorem Ipsum is simply dummy text of the printing and typesetting industry. Lorem Ipsum has been the industry’s standard dummy text ever since the 1500s.

Quem já fez essa trilha

Como estudar os cursos

Este curso não apresenta pré-requisitos

(Curso revisado e atualizado - Versão 2023)

Suporte individualizado

Fundamentos de Análise de Dados
  • Aula 01 – Afinal, o que é ciência de dados
  • Aula 02 – Habilidades requeridas pela ciência de dados
  • Aula 03 – Como adicionar ciência de dados ao currículo e se tornar um profissional disputado no mercado?
  • Aula 04 – Por que o Excel não basta?
  • Aula 05 – O que é uma linguagem de programação e por que eu preciso aprender isso?
  • Aula 06 – Introdução à linguagem R
  • Aula 07 – Introdução à linguagem Python
  • Aula 08 – O que são banco de dados?
  • Aula 09 – Introdução à linguagem SQL
  • Aula 10 – Importação: onde estão os dados
  • Aula 11 – Limpando os dados: por que a vida não é simples?
  • Aula 12 – Análise exploratória de dados: usando estatística simples para entender o que está acontecendo com a sua base de dados
  • Aula 13 – O que são modelos
  • Aula 14 – Aprendendo a fazer uma regressão linear
  • Aula 15 – Como apresentar os resultados da sua análise de dados?
  • Aula 16 – Construindo sua primeira análise de dados do ZERO
  • Aula 17 – Como continuar aprendendo?
Programação em Python para Análise de Dados
  • Aula 01 – Por que usar uma linguagem de programação para analisar dados?
  • Aula 02 – Escolhendo uma IDE e trabalhando com o `Google Colab`
  • Aula 03 – Instalando pacotes e entendendo as mensagens
  • Aula 04 – Introdução ao `pandas` e `numpy`
  • Aula 05 – Criando `scripts`
  • Aula 06 – Lidando com objetos no Python
  • Aula 07 – Estruturas de Dados (data frames, listas, matrizes, vetores)
  • Aula 08 – Operadores lógicos
  • Aula 09 – operadores aritméticos
  • Aula 10 – Funções
  • Aula 11 – Estruturas de repetição e de decisão
  • Aula 12 – Introdução à coleta de dados
  • Aula 13 – Trabalhando com arquivos .csv
  • Aula 14 – Trabalhando com arquivos Excel
  • Aula 15 – O que são APIs e como utilizá-las?
  • Aula 16 – Consumindo dados brasileiros
  • Aula 17 – Trabalhando com SQL
  • Aula 18 – Trabalhando com Google Sheets
  • Aula 19 – Trabalhando com Google Drive
  • Aula 20 – Trabalhando com arquivos JSON
  • Aula 21 – Trabalhando com arquivos XML
  • Aula 22 – Exportando dados
  • Aula 23 – Introdução à Web Scraping
  • Aula 24 – Introdução à limpeza de dados
  • Aula 25 – Tratamento de dados textuais
  • Aula 26 – Renomeando colunas
  • Aula 27 – Selecionando colunas
  • Aula 28 – Como criar e alterar colunas
  • Aula 29 – Como aplicar filtros em linhas
  • Aula 30 – Como fazer operações por grupos de dados
  • Aula 31 – Como sumarizar os dados
  • Aula 32 – Formato long vs wide
  • Aula 33 – Como fazer cruzamento de dados
  • Aula 34 – Lidando com datas no Python
  • Aula 35 – Identificando e tratando dados faltantes
  • Aula 36 – Como deflacionar uma série
  • Aula 37 – Como fazer ajuste sazonal
  • Aula 38 – Introdução à visualização de dados e *storytelling*
  • Aula 39 – Produzindo gráficos
  • Aula 40 – Produzindo relatórios
  • Aula 41 – Produzindo dashboards
  • Aula 42 – Como automatizar o processo de análise de dados?
Estatística para Análise de Dados usando Python
  • Aula 01 – Preparando o ambiente;
  • Aula 02 – Dados Univariados: vetores, estatísticas descritivas e dados categóricos;
  • Aula 03 – Dados Bivariados: amostras independentes, estruturas de dados no R/Python e dados emparelhados;
  • Aula 04 – Dados Multivariados: data frames, aplicando funções sobre dados e dados externos;
  • Aula 05 – Gráficos Multivariados: gráficos básicos, ggplot2 e matplotlib;
  • Aula 06 – População: variáveis aleatórias discretas e diferentes tipos de distribuição;
  • Aula 07 – Inferência Estatística;
  • Aula 08 – Intervalos de Confiança;
  • Aula 09 – Testes de Significância;
  • Aula 10 – Qualidade do Ajuste;
  • Aula 11 – Regressão Linear;
  • Aula 12 – Análise de Variância;
  • Aula 13 – Extensões: modelos lineares generalizados e modelos não lineares;
Modelagem e Previsão usando Python
  • Aula 01 – Boas vindas e Apresentação do Curso;
  • Aula 02 – Ciclo de Ciência de Dados;
  • Aula 03 – Estruturas de Dados;
  • Aula 04 – Na prática: construindo uma análise de dados;
  • Aula 05 – Fontes de Dados;
  • Aula 06 – Variáveis Quantitativas vs. Qualitativas;
  • Aula 07 – Processo Gerador de Dados;
  • Aula 08 – Sumário de Estatísticas;
  • Aula 09 – Gráfico de Dispersão;
  • Aula 10 – Gráfico de Histograma;
  • Aula 11 – Gráfico de Boxplot;
  • Aula 12 – Gráfico de Linha;
  • Aula 13 – Análise de Correlação;
  • Aula 14 – Análise de Autocorrelação;
  • Aula 15 – Estacionariedade;
  • Aula 16 – Análise de Séries Temporais;
  • Aula 17 – Fluxo de Modelagem e Previsão;
  • Aula 18 – Separação de amostras: treino e teste;
  • Aula 19 – Pré Processamento de Dados;
  • Aula 20 – Viés e Variância;
  • Aula 21 – Regressão Linear;
  • Aula 22 – Suavização exponencial;
  • Aula 23 – ARIMA;
  • Aula 24 – Prophet;
  • Aula 25 – Regressão Logística;
  • Aula 26 – Naive Bayes;
  • Aula 27 – Algoritmos k-NN;
  • Aula 28 – Support Vector Machine (SVM);
  • Aula 29 – Árvores de Decisão;
  • Aula 30 – Redes Neurais;
  • Aula 31 – Avaliando o desempenho do modelo;
  • Aula 32 – Validação Cruzada;
  • Aula 33 – Aumentando o desempenho do modelo: bootstrap, bagging, random forests e boosting;
  • Aula 34 – Interpretação de resultados e tomada de decisão;
  •  
Produção de Relatórios Automáticos usando Python
  • Aula 01 – Boas vindas e apresentação do curso;
  • Aula 02 – Relatórios no ciclo de análise de dados;
  • Aula 03 – Como produzir relatórios do zero?
  • Aula 04 – Quais ferramentas usar para produção de relatórios?
  • Aula 05 – Preparando o ambiente de programação Posit Cloud;
  • Aula 06 – Projetos de curso de relatórios e apresentações;
  • Aula 07 – Guia de primeiros passos usando o Quarto;
  • Aula 08 – Como formatar o layout do relatório?
  • Aula 09 – Como formatar o conteúdo do relatório?
  • Aula 10 – Como criar apresentações com o Quarto?
  • Aula 11 – Como formatar o layout da apresentação
  • Aula 12 – Como formatar o conteúdo da apresentação
  • Aula 13 – Projeto de curso 1: Relatório de Análise da Inflação;
  • Aula 14 – Projeto de curso 2: Apresentação sobre DataViz;
  • Aula 15 – Como funciona a automatização de um código?
  • Aula 16 – Qual é o maior desafio para automatização de um código?
  • Aula 17 – Quais ferramentas podem ser usadas para automatização?
  • Aula 18 – Automatizando um projeto de curso de relatório do curso;
  • Aula 19 – Monitoramento, erros e manutenção;
Produção de Dashboards Automáticos usando Python
  • Aula 01 – Boas-vindas e apresentação do Curso;
  • Aula 02 – Dashboards no ciclo de análise de dados;
  • Aula 03 – Como produzir dashboards do zero?
  • Aula 04 – Quais ferramentas usar para produção de dashboards?
  • Aula 05 – Preparando o ambiente de programação;
  • Aula 06 – Projetos de Cursos de Dashboards;
  • Aula 07 – Qual é a estrutura de uma dashboard estática?
  • Aula 08 – Quais são os elementos da interface do usuário?
  • Aula 09 – Como rodar e visualizar a dashboard?
  • Aula 10 – Como inserir visualizações de dados?
  • Aula 11 – Personalizações básicas;
  • Aula 12 – Qual é a estrutura de uma dashboard dinâmica?
  • Aula 13 – Por que dashboards usam programação reativa?
  • Aula 14 – Como adicionar elementos interativos?
  • Aula 15 – Definindo a dinâmica da dashboard;
  • Aula 16 – Projeto de Curso 1: Dashboard de Análise da Inflação;
  • Aula 17 – Projeto de Curso 2: Dashboard de Economia Internacional;
  • Aula 18 – O que é o deploy de uma dashboard?
  • Aula 19 – Opções e serviços disponíveis;
  • Aula 20 – Deploy de uma dashboard;
  • Aula 21 – Como funciona a automatização de um código?
  • Aula 22 – Qual é o maior desafio para automatização de um código?
  • Aula 23 – Quais ferramentas podem ser usadas para automatização?
  • Aula 24 – Automatizando um projeto de Curso de Dashboard;
  • Aula 25 – Monitoramento, erros e manutenção;
Programação em R para Análise de Dados
  • Aula 01 – Por que usar uma linguagem de programação para analisar dados?
  • Aula 02 – Instalando os programas necessários
  • Aula 03 – Instalando pacotes e entendendo as mensagens no Console
  • Aula 04 – Introdução ao mundo `tidyverse`
  • Aula 05 – Criando `scripts`
  • Aula 06 – Lidando com objetos no R
  • Aula 07 – Estruturas de Dados (data frames, listas, matrizes, vetores)
  • Aula 08 – Operadores lógicos e aritméticos
  • Aula 09 – O operador `pipe`
  • Aula 10 – Funções
  • Aula 11 – Estruturas de repetição e de decisão
  • Aula 12 – Introdução à coleta de dados
  • Aula 13 – Trabalhando com arquivos .csv
  • Aula 14 – Trabalhando com arquivos Excel
  • Aula 15 – O que são APIs e como utilizá-las?
  • Aula 16 – Consumindo dados brasileiros
  • Aula 17 – Trabalhando com SQL
  • Aula 18 – Trabalhando com Google Sheets
  • Aula 19 – Trabalhando com Google Drive
  • Aula 20 – Trabalhando com arquivos JSON
  • Aula 21 – Trabalhando com arquivos XML
  • Aula 22 – Exportando dados
  • Aula 23 – Introdução à Web Scraping
  • Aula 24 – Introdução à limpeza de dados
  • Aula 25 – Tratamento de dados textuais
  • Aula 26 – Renomeando colunas
  • Aula 27 – Selecionando colunas
  • Aula 28 – Como criar e alterar colunas
  • Aula 29 – Como aplicar filtros em linhas
  • Aula 30 – Como fazer operações por grupos de dados
  • Aula 31 – Como sumarizar os dados
  • Aula 32 – Formato long vs wide
  • Aula 33 – Como fazer cruzamento de dados
  • Aula 34 – Lidando com datas no R
  • Aula 35 – Identificando e tratando dados faltantes
  • Aula 36 – Como deflacionar uma série
  • Aula 37 – Como fazer ajuste sazonal
  • Aula 38 – Introdução à visualização de dados e *storytelling*
  • Aula 39 – Produzindo gráficos com ggplot2
  • Aula 40 – Produzindo relatórios com RMarkdown
  • Aula 41 – Produzindo dashboards
  • Aula 42 – Como automatizar o processo de análise de dados?
  •  
Estatística para Análise de Dados usando R
  • Aula 01 – Preparando o ambiente;
  • Aula 02 – Dados Univariados: vetores, estatísticas descritivas e dados categóricos;
  • Aula 03 – Dados Bivariados: amostras independentes, estruturas de dados no R/Python e dados emparelhados;
  • Aula 04 – Dados Multivariados: data frames, aplicando funções sobre dados e dados externos;
  • Aula 05 – Gráficos Multivariados: gráficos básicos, ggplot2 e matplotlib;
  • Aula 06 – População: variáveis aleatórias discretas e diferentes tipos de distribuição;
  • Aula 07 – Inferência Estatística;
  • Aula 08 – Intervalos de Confiança;
  • Aula 09 – Testes de Significância;
  • Aula 10 – Qualidade do Ajuste;
  • Aula 11 – Regressão Linear;
  • Aula 12 – Análise de Variância;
  • Aula 13 – Extensões: modelos lineares generalizados e modelos não lineares;
  •  
Modelagem e Previsão usando R
  • Aula 01 – Boas vindas e Apresentação do Curso;
  • Aula 02 – Ciclo de Ciência de Dados;
  • Aula 03 – Estruturas de Dados;
  • Aula 04 – Na prática: construindo uma análise de dados;
  • Aula 05 – Fontes de Dados;
  • Aula 06 – Variáveis Quantitativas vs. Qualitativas;
  • Aula 07 – Processo Gerador de Dados;
  • Aula 08 – Sumário de Estatísticas;
  • Aula 09 – Gráfico de Dispersão;
  • Aula 10 – Gráfico de Histograma;
  • Aula 11 – Gráfico de Boxplot;
  • Aula 12 – Gráfico de Linha;
  • Aula 13 – Análise de Correlação;
  • Aula 14 – Análise de Autocorrelação;
  • Aula 15 – Estacionariedade;
  • Aula 16 – Análise de Séries Temporais;
  • Aula 17 – Fluxo de Modelagem e Previsão;
  • Aula 18 – Separação de amostras: treino e teste;
  • Aula 19 – Pré Processamento de Dados;
  • Aula 20 – Viés e Variância;
  • Aula 21 – Regressão Linear;
  • Aula 22 – Suavização exponencial;
  • Aula 23 – ARIMA;
  • Aula 24 – Prophet;
  • Aula 25 – Regressão Logística;
  • Aula 26 – Naive Bayes;
  • Aula 27 – Algoritmos k-NN;
  • Aula 28 – Support Vector Machine (SVM);
  • Aula 29 – Árvores de Decisão;
  • Aula 30 – Redes Neurais;
  • Aula 31 – Avaliando o desempenho do modelo;
  • Aula 32 – Validação Cruzada;
  • Aula 33 – Aumentando o desempenho do modelo: bootstrap, bagging, random forests e boosting;
  • Aula 34 – Interpretação de resultados e tomada de decisão;
  •  
Produção de Relatórios Automáticos usando R
  • Aula 01 – Boas vindas e apresentação do curso;
  • Aula 02 – Relatórios no ciclo de análise de dados;
  • Aula 03 – Como produzir relatórios do zero?
  • Aula 04 – Quais ferramentas usar para produção de relatórios?
  • Aula 05 – Preparando o ambiente de programação Posit Cloud;
  • Aula 06 – Projetos de curso de relatórios e apresentações;
  • Aula 07 – Guia de primeiros passos usando o Quarto;
  • Aula 08 – Como formatar o layout do relatório?
  • Aula 09 – Como formatar o conteúdo do relatório?
  • Aula 10 – Como criar apresentações com o Quarto
  • Aula 11 – Como formatar o layout da apresentação?
  • Aula 12 – Como formatar o conteúdo da apresentação?
  • Aula 13 – Projeto de curso 1: Relatório de Análise da Inflação;
  • Aula 14 – Projeto de curso 2: Apresentação sobre DataViz;
  • Aula 15 – Como funciona a automatização de um código?
  • Aula 16 – Qual é o maior desafio para automatização de um código?
  • Aula 17 – Quais ferramentas podem ser usadas para automatização?
  • Aula 18 – Automatizando um projeto de curso de relatório do curso;
  • Aula 19 – Monitoramento, erros e manutenção
  •  
Produção de Dashboards Automáticos usando R
  • Aula 01 – Boas vindas e apresentação do curso;
  • Aula 02 – Dashboards no ciclo de análise de dados;
  • Aula 03 – Como produzir dashboards do zero?
  • Aula 04 – Quais ferramentas usar para produção de dashboards?
  • Aula 05 – Preparando o ambiente de programação;
  • Aula 06 – Projetos de Curso de Dashboards;
  • Aula 07 – Produzindo Dashboards Estáticas;
  • Aula 08 – Produzindo Dashboards Dinâmicas;
  • Aula 09 – Projetos de Curso de Dashboards;
  • Projeto de Curso 1: Dashboard de Análise da Inflação;
  • Projeto de Curso 2: Dashboard de Economia Internacional;
  • Aula 10 – Publicação de Dashboards;
  • Aula 11 – Como funciona a automatização de um código?
  • Aula 12 – Qual é o maior desafio para automatização de um código?
  • Aula 13 – Quais ferramentas podem ser usadas para automatização?
  • Aula 14 – Automatizando um projeto de curso de dashboard;
  • Aula 15 – Monitoramento, erros e manutenção;
  •  
SQL para Economia e Finanças
  • Aula 01 – Por que aprender SQL?
  • Aula 02 – Bancos de dados
  • Aula 03 – SQLite
  • Aula 04 – Select
  • Aula 05 – Where
  • Aula 06 – Group by e Order by
  • Aula 07 – Instruções Case
  • Aula 08 – Join
  • Aula 09 – Design de banco de dados
  • Aula 10 – Gerenciando dados
  • Aula 11 – Construindo um banco de dados econômicos e financeiros
Análise de Dados Macroeconômicos e Financeiros
  • Aula 01 – Por que usar uma linguagem de programação para analisar dados econômicos e financeiros?
  • Aula 02 – Coletando dados do SIDRA, Banco Central, Ipeadata, OCDE, FMI, Banco Mundial e outras fontes;
  • Aula 03 – Fazendo limpeza nos dados e desenvolvendo scripts automatizados;
  • Aula 04 – Análise exploratória de dados: sazonalidade, estacionariedade, outliers, boxplots, histogramas, densidade e outras coisas;
  • Aula 05 – Vamos modelar: como construir um modelo de séries temporais? Um resumo das principais abordagens disponíveis (Modelos ARIMA, Regressões, VAR, VEC, ARCH/GARCH e outros);
  • Aula 06 – Testar, treinar e avaliar: como construir um modelo de previsão para séries temporais? Desenvolvendo uma metodologia completa de previsão de variáveis econômicas e financeiras;
  • Aula 07 – Projeto de Curso 1: construção de modelo de previsão para a inflação brasileira medida pelo IPCA;
  • Aula 08 – Projeto de Curso 2: Análise de impulso resposta em séries financeiras;
  • Aula 09 – Projeto de Curso 3: construindo uma Dashboard em shiny do início ao fim;

Materiais utilizados

Vídeos Didáticos

Cada seção será acompanhada de videoaulas subdividas em tópicos específicos, tornando o aprendizado ainda mais dinâmico.

Slides e Códigos disponíveis

Todos os slides e códigos utilizados ao longo das seções ficam disponíveis para os alunos baixarem e reproduzirem.

Certificação

O aluno terá acesso a 13 Certificados ao longo da Formação Ciências de Dados para Economia e Finanças, totalizando uma carga horária de 540h, que é composta pelas videoaulas e atividades necessárias para concluir os Cursos.

Coordenador e professor dos cursos

Vítor Wilher

Mestre em Economia e Cientista-Chefe da Análise Macro


Especialista em ciência de dados. Dá aulas e presta consultoria há 7 anos na área de dados, já tendo ajudado milhares de alunos no Brasil a darem o primeiro passo em análise de dados envolvendo R e Python.

Professores

Fernando da Silva

Bacharel em Economia e Cientista de Dados


Especializado em economia e finanças. Trabalha com modelagem e previsão de séries temporais, análise e visualização de dados e automatização de relatórios e dashboards.

Luiz Henrique

Cientista de Dados


Especializado em coleta, tratamento, modelagem e apresentação de dados financeiros e econômicos em R e Python.

Depoimentos dos nossos alunos

Investimento

De R$ 3.926,00 por

R$ 1.997,00

Com 51% de desconto

À vista no PIX ou boleto bancário

ou parcelado em 10x no cartão de crédito sem juros

Formação online

Ciência de Dados para as áreas de Economia e Finanças

Adquira essa formação agora e tenha acesso aos seguintes benefícios:

Perguntas frequentes

Resposta: Você poderá realizar sua matrícula através de boleto bancário ou cartão de crédito, podendo parcelar em até 10x sem juros no cartão de crédito.

Resposta: Você terá até 24 meses para ver quantas vezes quiser os conteúdos dos cursos.

Resposta: Esta oferta foi desenhada exatamente para as pessoas que nunca tiveram relação com linguagem de programação, mas desejam dar um upgrade na carreira.

Resposta: No próprio site há uma plataforma exclusiva para tirar dúvidas direto com nossa equipe o professor Vítor Wilher. Você estará sempre acompanhado durante sua jornada.

Quase lá...

Digite seus dados abaixo para ser direcionado ao checkout e aproveitar esse desconto incrível que preparamos para você.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp