Carreira: Especialista em modelos econométricos e de machine learning

Torne-se especialista em modelos econométricos e de machine learning ao dominar habilidades como previsões quantitativas, dados de corte transversal ao longo do tempo, séries temporais, econometria, algoritmos de machine learning e estatística bayesiana!

Comece a estudar agora mesmo com 50% de desconto e em até 10 vezes sem juros.

Do Zero ao PRO

6 cursos, 24 meses e mais de 160 horas de aulas online

Teoria e Prática

Todas as aulas contém atividades práticas

Laboratórios de R e Python

Exercícios práticos para fixar o conhecimento de R e Python

Códigos Prontos

Baixe os códigos e aplique em seu desafio atual

Por que você deveria dominar modelos econométricos e de machine learning?

Automatizar o acesso às principais bases de dados econômicas e financeiras

Automatizar a apresentação de relatórios e dashboards interativos

Aumentar a percepção de valor das suas entregas profissionais

Ganhar tempo para realizar análises mais aprofundados dos dados

Para quem este curso é indicado

Este pacote de treinamentos é indicado a quem deseja se tornar um profissional especializado em modelos econométricos e de machine learning.

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.

Pré-requisitos necessários ao pacote

Os treinamentos deste pacote são indicados para pessoas que já sabem programar com R ou Python.

O que você aprenderá no curso

Reunimos os conhecimentos necessários para você entrar para Ciência de Dados da forma correta, sem precisar de nenhum outro curso adicional.

Econometria

Aprenda como fazer estimação do modelo de regressão linear via mínimos quadrados ordinários tanto em R quanto em Python nesta versão atualizada e revisada do curso.

Análise de Séries Temporais

Domine as principais ferramentas de análise de séries temporais utilizando o mundo das variáveis macroeconômicas, desde os primeiros passos a construção de sofisticados modelos multivariados

Dados em Painel

Aprenda a lidar com dados que apresentam características tanto de corte transversal quanto de séries temporais, além de estimar modelos de painel.

Cenários e Previsões

Aprenda a construir cenários de previsões acuradas em negócios de indústria, governo, economia, política, finanças, saúde, dentre outras.

Machine Learning

Domine os principais algoritmos de machine learning com ampla aplicação em problemas de classificação, previsão numérica, detecção de padrões e segmentação de grupos.

Estatística Bayesiana

Aprenda o pensamento bayesiano, os princípios por trás da estatística bayesiana e como aplicar na estrutura de modelos já conhecida pelos que já fizeram uso da estatística clássica.

Professores

Vítor Wilher

Vítor Wilher

Bacharel e Mestre em Economia, pela Universidade Federal Fluminense, especialista em Data Science pela Johns Hopkins University e um dos professores pioneiros na oferta de Cursos de R no Brasil. Seu curso de Introdução ao R teve mais de 30 turmas e formou milhares de alunos no país. Sua dissertação de mestrado foi na área de política monetária, titulada "Clareza da Comunicação do Banco Central e Expectativas de Inflação: evidências para o Brasil", defendida perante banca composta pelos professores Gustavo H. B. Franco (PUC-RJ), Gabriel Montes Caldas (UFF), Carlos Enrique Guanziroli (UFF) e Luciano Vereda Oliveira (UFF). Já trabalhou em grandes empresas, nas áreas de telecomunicações, energia elétrica, consultoria financeira e consultoria macroeconômica. Atualmente, é Sócio-fundador da Análise Macro e Palestrante.

Vítor Wilher

Vítor Wilher

Bacharel e Mestre em Economia, pela Universidade Federal Fluminense, especialista em Data Science pela Johns Hopkins University e um dos professores pioneiros na oferta de Cursos de R no Brasil. Seu curso de Introdução ao R teve mais de 30 turmas e formou milhares de alunos no país. Sua dissertação de mestrado foi na área de política monetária, titulada "Clareza da Comunicação do Banco Central e Expectativas de Inflação: evidências para o Brasil", defendida perante banca composta pelos professores Gustavo H. B. Franco (PUC-RJ), Gabriel Montes Caldas (UFF), Carlos Enrique Guanziroli (UFF) e Luciano Vereda Oliveira (UFF). Já trabalhou em grandes empresas, nas áreas de telecomunicações, energia elétrica, consultoria financeira e consultoria macroeconômica. Atualmente, é Sócio-fundador da Análise Macro e Palestrante.

Programa do curso

Os cursos da área de Econometria e Machine Learning foram criados após muito feedback, pensando em atender uma demanda crescente de estudantes, acadêmicos e profissionais de mercado que precisam dominar modelos econométricos e de marchine learning.

Econometria usando R e Python

Seção 01 – Preparando o ambiente
Nessa seção, o aluno irá aprender a preparar o ambiente na sua máquina para poder usar tanto o R quanto o Python. Videoaulas explicativas e material digital auxiliar ensinarão os alunos a instalar programas como R, Python, RStudio, Miktex e Jupyter Notebook.

Seção 02 – Regressão linear simples
Uma introdução completa ao modelo de regressão linear, framework básico que será utilizado ao longo de todo o Curso. As aplicações serão vistas tanto em R quanto em Python.

Seção 03 – Regressão linear múltipla: estimação
Seção 04 – Regressão linear múltipla: inferência
Seção 05 – Regressão linear múltipla: OLS assintótico
Seção 06 – Regressão linear múltipla: outros problemas
Seção 07 – Regressão linear múltipla com variáveis qualitativas
Seção 08 – Heterocedasticidade
Seção 09 – Mais em especificações e problemas de dados

Análise de Séries Temporais

Seção 01 – Apresentação do Curso
Seção 02 – Características de Séries Temporais
Seção baseada no capítulo 1 de Time Series Analysis and Its Applications, de Robert H. Shumway e David S. Stoffer.

Seção 03 – Regressão de Séries Temporais e Análise Exploratória de Dados
Seção 04 – Estudo de Caso: Estimando uma Curva IS via OLS, TSLS e GMM
Seção 05 – Introdução a Modelos Univariados
Seção 06 – Funções de Autocorrelação
Seção 07 – Processos ARMA
Seção 08 – Testes de Estacionariedade
Seção 09 – Metodologia Box-Jenkins: construindo modelos univariados de previsão
Seção 10 – Estudo de Caso: construindo um modelo SARIMA para a inflação brasileira
Seção 11 – Introdução a Modelos Multivariados
Seção 12 – Vetores Autorregressivos
Seção 13 – Estudo de Caso: usando modelos VAR para previsão
Seção 14 – Modelo VAR Estrutural (SVAR)
Seção 15 – Estudo de Caso: Análise de funções impulso-resposta
Seção 16 – Regressões Espúrias
Seção 17 – O conceito de cointegração e o modelo de correção de erros
Seção 18 – Estudo de Caso: Dívida Bruta e Incerteza Econômica
Seção 19 – A metodologia de Johansen e o Vetor de Correção de Erros (VEC)
Seção 20 – Estudo de Caso: Previsão do Desemprego medido pela PNAD através de um modelo VEC
Seção 21 – VEC Estrutural
Seção 22 – Teste de Causalidade de Granger
Seção 23 – O procedimento de Toda-Yamamoto
Seção 24 – Estudo de Caso: Consumo de Energia Elétrica e Crescimento do PIB
Seção 25 – Estudo de Caso: Uma comparação econométrica entre o CAGED e a PNAD Contínua

Dados em Painel usando o R

Seção 01 – Apresentação do Curso
Seção 02 – Introdução aos cortes transversais agrupados e à análise econométrica de dados em painel
Seção 03 – Agrupamento independente de cortes transversais ao longo do tempo
Seção 04 – O estimador de diferença em diferenças
Seção 05 – Análise de dados em painel de dois períodos
Seção 06 – A organização dos dados em painel no R e o estimador de primeira diferença na prática
Seção 07 – A diferenciação com mais de dois períodos de tempo
Seção 08 – O modelo de efeitos fixos
Seção 09 – O modelo de efeitos aleatórios
Seção 10 – Testes em modelos de painel
Seção 11 – Discussões Avançadas

Construção de Cenários e Previsões usando o R

Seção 01 – Apresentação do Curso
Seção 02 – Introdução à Previsão
Seção 03 – Fundamentos Estatísticos para Previsão
Seção 04 – Previsões Qualitativas
Seção 05 – Construção de Cenários
Seção 06 – Análise de Regressão e Previsão
Seção 07 – Avaliação de Previsões
Seção 08 – Decomposição de Séries Temporais
Seção 09 – Suavização Exponencial
Seção 10 – Previsão com modelos ARIMA
Seção 11 – Previsão com modelos dinâmicos
Seção 12 – Previsão com Vetores Autorregressivos
Seção 14 – Combinando Previsões
Seção 13 – Previsão com modelos de redes neurais

Machine Learning usando o R

Seção 01 — Introdução à Machine Learning
Nessa seção, inspirada em Machine Learning with R, de Brett Lantz e em An Introduction to Statistical Learning, vemos as origens do aprendizado de máquinas, os usos e abusos, como os modelos aprendem, a prática de ML, o trade-off existente entre acurácia preditiva e interpretabilidade dos modelos, modelos supervisionados vs. não supervisionados, problemas de regressão vs. problemas de classificação e como construir a acurácia de um modelo.

Lab01 – Usando o R para gerar relatórios
O primeiro laboratório ensina os alunos a utilizar o R para gerar os relatórios que devem ser entregues ao longo do Curso.

Seção 02 — Entendendo os dados
Uma tarefa crucial em qualquer projeto de modelagem e previsão é conseguir coletar e tratar os dados. Nessa seção, mostramos de forma prática como é possível fazer uma análise exploratória de dados.

Lab02 – Análise Exploratória de Dados com o R
Os alunos são convidados a analisar um dataset e retirar informações relevantes do mesmo usando o R/RStudio.

Seção 03 — Regressão Linear
Nessa seção, fazemos uma introdução ao modelo de regressão linear que serve para atacar problemas envolvendo previsão numérica.

Lab03 – Rodando modelos de regressão no R
Nesse laboratório, os alunos são expostos a problemas de previsão numérica envolvendo regressão linear

Seção 04 — Classificação
Nessa seção, vemos o tema da classificação mais detidamente, introduzindo a regressão logística.

Lab04 – Previsão de Churn com Regressão Logística
Nessa laboratório, os alunos são incentivados a construir um modelo de regressão logística que explique churn em uma operadora de telecomunicações.

Seção 05 — Classificação usando algoritmos k-NN
Nessa seção, vemos os famosos algoritmos k-NN de modo a resolver problemas de classificações.

Lab05 – Diagnosticando câncer de mama com algoritmos k-NN
Nessa laboratório, os alunos são incentivados a utilizar o algoritmo k-NN para detectar câncer de mama.

Seção 06 – Classificação usando Naive Bayes
Nessa seção, utilizamos o algoritmo Naive Bayes para resolver problemas de classificação.

Lab06 – Filtrando ligações spam de celular com Naive Bayes
Nessa seção, utilizamos o algoritmo Naive Bayes para resolver problemas de classificação.

Seção 07 – Árvores de Decisão
Nessa seção, exploramos as famosas árvores de decisão para resolver problemas de classificação e de regressão.

Lab07 – Identificando empréstimos bancários de risco
Nessa seção, exploramos as famosas árvores de decisão para resolver problemas de classificação.

Seção 08 – Previsão numérica usando métodos de regressão
Nessa seção, utilizamos o método de regressão para construir modelos de previsão.

Lab08 – Prevendo gastos médicos com regressão linear
Nesse laboratório, os alunos são incentivados a construir modelos de previsão para gastos médicos.

Seção 09 – Redes Neurais
Nessa seção, apresentamos o conceito de redes neurais e suas aplicações.

Lab09 – Modelando resistência de concreto com ANNs
Nesse laboratório, os alunos aplicam o conceito de redes neurais artificiais à um problema clássico da engenharia.

Seção 10 – Support Vector Machine (SVM)
Nessa seção, apresentamos o conceito de support vector machine para enfrentar tanto problemas de classificação como de previsão numérica.

Lab10 – Executando OCR com SVM
Nesse laboratório, os alunos aplicam o conceito de SVM ao tratamento de OCR.

Seção 11 – Detecção de padrões com regras de associação
Nessa seção, apresentamos o primeiro método de aprendizado não supervisionado de modo a detectar padrões.

Lab11 – Identificação de mantimentos comprados com freqüência
Nesse laboratório, os alunos aplicam o conceito de SVM ao tratamento de OCR.

Seção 12 – Clustering
Nessa seção, apresentamos o segundo método de aprendizado não supervisionado de modo a construir grupos com características semelhantes dentro de um dataset.

Lab12 – Segmentando mercados com k-means clustering
Nesse laboratório, os alunos aplicam o conceito de clustering à segmentação de clientes.

Seção 13 – Métodos de Reamostragem
Nessa seção, apresentamos os métodos de cross-validation e bootstrap.

Lab13 – Cross-Validation e Bootstrap na prática
Nesse laboratório, os alunos aplicam o conceito de clustering à segmentação de clientes.

Seção 14 – Seleção e regularização linear de modelos
Nessa seção, apresentamos as regressões Ridge, Lasso e PLS.

Lab14 – Rodando regressões Ridge, Lasso e PLS no R
Nesse laboratório, os alunos aplicam o conceito de clustering à segmentação de clientes.

Seção 15 – Bagging, Random Forests e Boosting
Nessa seção, apresentamos algoritmos de meta-aprendizado.

Lab15 – Aplicação de algoritmos de meta-aprendizagem no R
Nesse laboratório, os alunos aplicam os algoritmos de meta-aprendizagem com o uso do R.

Seção 16 – Avaliando o desempenho do modelo
Nessa seção, vemos como avaliar o desempenho do modelo através de diversas métricas de performance.

Seção 17 – Aumentando o desempenho do modelo
Nessa seção, vemos como incrementar o desempenho do modelo através de algoritmos de meta-aprendizagem.

Estatística Bayesiana usando o R

Seção 01 – Primeiros Passos: preparando o ambiente de trabalho
A primeira seção, uma das mais importantes do Curso, disseca todos os detalhes de como preparar o ambiente de trabalho para que seja possível implementar um código bayesiano.

Seção 02 – Introdução ao pensamento bayesiano
A segunda seção, por suposto, introduz a pílula: o pensamento bayesiano visto sob uma abordagem livre de regramentos matemáticos. O objetivo central dessas duas primeiras seções é quebrar o gelo, rompendo com o que consideramos ser a principal barreira à entrada para que muitos interessados em estatística bayesiana nunca consigam, de fato, estudar o tema.

Seção 03 – Uma definição técnica de estatística bayesiana
Gelo quebrado, começamos na seção 3 a dar uma roupagem mais teórica à estatística bayesiana, apresentando o famoso, porém pouco conhecido, *Teorema de Bayes*. Nessa seção, mostramos o que de fato pretende a estatística bayesiana e como podemos aplicar sua ideia geral na prática.

Seção 04 – Uma introdução a modelos
A seção 4 continua o Curso introduzindo de forma mais detalhada o conceito de modelo em estatística. Será mostrado nessa seção como implementar exemplos simples, porém muito úteis, de regressão com o uso de estatística bayesiana.

Seção 05 – Métodos de Monte Carlo Markov Chain (MCMC)
A seção 5, por suposto, apresenta os métodos de Monte Carlo Markov Chain (MCMC) para obter uma amostra da distribuição a posteriori e calcular estimativas amostrais de características desta distribuição. Veremos nessa seção o amostrador de Gibbs e o algoritmo de Metropolis-Hastings.

Seção 06 – Monte-Carlo Hamiltoniano (HMC)
Tanto o algoritmo de Metropolis como a amostragem de Gibbs apresentam uma falha crucial para modelos complexos: dificuldade para lidar com parâmetros altamente correlacionados. A seção 6 lida com esse problema, apresentando o método Monte Carlo Hamiltoniano (HMC).

Seção 07 – Regressão e Seleção de Variável
A seção 7 trata em detalhes do uso da análise bayesiana para construção de regressões lineares.

Seção 08 – Modelos Lineares Generalizados
A seção 8 faz uma extensão dessa análise para modelos como probit, logit e log-linear.

Seção 09 – Séries Temporais
A seção 9 conclui o curso, trazendo o uso da análise bayesiana para modelos clássicos de séries temporais, como modelos autorregressivos e de médias móveis.

Como estudar o curso

Aprenda a teoria sobre o tema

Separe de 30 minutos a 1 hora por dia para estudar a teoria através das vídeo-aulas.

Aplique o aprendizado na prática

Implemente as tarefas diretamente em seu computador para fixar o conhecimento

Tire suas dúvidas individualmente

Através do chat exclusivo do aluno você poderá tirar todas as suas dúvidas com o professor

Crie seus próprios trabalhos

Implemente os trabalhos propostos e receba nosso feedback .

Investimento neste pacote

50%
de desconto

Garantimos seu dinheiro de volta por até 7 dias

R$5183
R$2591,50(ou 10x de R$259,15)

Vagas Limitadas. Aproveite antes que esgotem.

compra 100% segura

Perguntas Frequentes

Quais são as formas de pagamento?

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

Posso fazer mesmo sem saber programar?

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

Quanto tempo posso acessar o conteúdo?

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

Como eu faço para tirar minhas dúvidas?

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.