Nova Formação: Produção de Trabalhos Empíricos usando o R

Tá no final da graduação e precisa entregar um TCC? Lutando no mestrado para ter uma ideia para a dissertação? No Doutorado, se torturando com bases de dados? É professor e escreve papers, mas quer migrar para o R? Tá no mercado, mas também escreve artigos científicos? Se você respondeu sim para alguma dessas perguntas, leia as próximas linhas, porque temos uma nova Formação que pode ser do seu interesse!


Ao longo dos últimos anos, temos ajudado uma porção de gente em uma dessas situações aqui na Análise Macro. Seja através dos nossos Cursos Aplicados de R, seja através de consultorias customizadas, que atendem necessidades específicas. Já atendemos médicos em doutoramento, engenheiros enrolados com a dissertação de mestrado, economistas em busca de uma ideia de pesquisa, etc, etc. Nossa proposta para esse ano foi, então, construir uma Formação que integrasse os conhecimentos necessários para pessoas interessadas em lidar com bases de dados, cumprindo as quatro etapas necessárias para qualquer trabalho empírico: coleta de dados, tratamento, análise e apresentação de resultados. O programa completo da Formação envolverá seis módulos e, importante, não irá supor nenhum conhecimento dos alunos. Isso mesmo, a Formação não terá pré-requisitos. Listamos a seguir cada um dos módulos:

 

  • Introdução ao R;
  • Análise Exploratória de Dados;
  • Modelagem 1;
  • Modelagem 2;
  • Modelagem 3;
  • Construindo apresentações e relatórios usando RMarkdown.

 

Vamos começar do zero, com a instalação dos programas necessários e uma introdução ao R e ao RStudio. Depois disso, vamos aprender a coletar e tratar dados com os pacotes do tidyverse. Feito isso, passamos à exploração dos dados. Com os dados coletados, tratados e já com alguma hipótese na cabeça, passamos à etapa de modelagem propriamente dita. Nessa fase, vamos cobrir as três principais estruturas de dados: dados cross-section (corte transversal), séries temporais dados em painel. Por fim, com nosso modelo construído, podemos apresentar os resultados utilizando o Rmarkdown, uma poderosa ferramenta de produção de relatórios e apresentações.

Além dos seis módulos, como grande diferencial da Formação, os alunos também terão acesso à seis mentorias, realizadas via appear.in, com o professor. Nessas mentorias, os alunos poderão tirar dúvidas sobre a hipótese de trabalho, problemas específicos de bases de dados, onde encontrar dados, qual seria o melhor modelo, etc.

Todos os módulos ficarão disponíveis desde o início da Formação e poderão ser acessadas durante 1 ano pelos alunos. Por fim, todos os alunos da Formação também terão acesso a mais de 50 exercícios de análise de dados do Clube do Código, onde poderão ver na prática como coletar, tratar, analisar e apresentar dados!

Nós abriremos as inscrições no final de abril. Quem tiver interesse e quiser colocar o nome na lista, mande e-mail para comercial@analisemacro.com.br e garanta a sua vaga desde já! Para quem se antecipar, daremos desconto de 20%!

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.