Como prever a PMS do IBGE no Python? Neste tutorial, econometria (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT) competem na mesma série da Pesquisa Mensal de Serviços. Além das previsões, comparamos o que cada modelo previu há um ano com o que o IBGE de fato divulgou — e o XGBoost foi o que mais se aproximou.
Colocamos econometria (ARIMA), machine learning (XGBoost) e IA (TimeGPT) para prever a PMC das vendas do varejo em Python. Contra o dado que o IBGE divulgou de fato, o modelo mais simples foi o que mais acertou. Um tutorial de como montar essa comparação com dados públicos.
O Relatório Focus, divulgado semanalmente pelo Banco Central, reúne as expectativas do mercado para variáveis-chave da economia brasileira, como inflação, câmbio, PIB e Selic. Neste projeto, transformamos esses dados em um dashboard interativo para acompanhar a acurácia das previsões ao longo do tempo.
A criação de agentes de Inteligência Artificial (IA) capazes de transformar dados brutos em visualizações claras e informativas está se tornando cada vez mais acessível. Esses agentes podem automatizar tarefas complexas, desde a coleta de dados de diversas fontes até a geração de gráficos e tabelas, permitindo que os usuários foquem na análise e na tomada de decisões. Este post explora o processo de construção de um agente de IA para visualização de dados, destacando as ferramentas e os conceitos fundamentais envolvidos.
Perguntar “quais empresas tiveram lucro em 2019?” e receber a resposta com números
oficiais, sem escrever SQL. Este tutorial mostra o caminho completo: baixar as
Demonstrações Financeiras Padronizadas da CVM, tratar os arquivos, montar um banco
de dados local e conectar o querychat, pacote da Posit que traduz perguntas em
consultas SQL. Inclui os cuidados de tratamento que separam um número correto de
um número apenas plausível.