Profissionais e estudantes interessados em aprender e aplicar ciência dos dados na prática, sem a necessidade de conhecimento prévio em programação ou ciência da computação.

Pergunta 1: Para quem é este curso?
Resposta 1: Este curso é para aqueles que desejam aprender na prática como aplicar conhecimentos de ciência dos dados em um trabalho que está mudando a forma como vivemos.

Pergunta 2: O que será aprendido neste curso?
Resposta 2: Neste curso, você irá aprender técnicas, dicas, cases práticos do mundo real, exemplos de códigos, exercícios de implementação prática, como usar ferramentas e conjuntos de dados do mundo real.

Pergunta 3: É necessário ter algum conhecimento prévio para fazer este curso?
Resposta 3: Não, nenhum conhecimento prévio de programação ou ciência da computação é necessário, pois todos os tópicos são abordados do zero.

Leandro Guerra

Outspoken Market na prática

0. Gênesis

1. Por que você deve aprender a programar?

2. Caso Prático: O Algoritmo Netflix

3. O que você precisa saber para programar

4. Instalando o Anaconda

5. Introdução ao Jupyter Notebook

6. Programação: 3 conceitos fundamentais

7. Álgebra e Lógica Booleana

8. O que é e como se tornar um cientista de dados

9. O que é um modelo matemático

10. Sobre Mineração de Dados

11. Sobre a criação do alvo

12. Conceitos Básicos de Estatística

13. Classificador Naive Bayes

14. Modelos Lineares Generalizados – Parte 1

15. Álgebra Linear – Resumo sobre Vetores e Matrizes

16. Modelos Lineares Generalizados – Parte 2

17. Uma nota sobre treinamento, teste e validação

18. Impulsionando decisões de negócios usando ciência de dados (78)

19. Conceitos Fundamentais - Random Forest

20. Desmistificando a Matriz de Confusão

21. Conceitos de Cross Validation (R)

22. K-means e o aprendizado não supervisionado

23. Introdução à Mineração de Textos - Text Mining

24. Uma nota sobre o tratamento de outliers

25. Redes Neurais - Parte 1

26. O Gradient Descent (Py)

27. Isolation Forest e detecção de anomalias

28. Banco de dados e SQL - Aula 1

29. Banco de dados e SQL - Aula 2

30. Sobre Pensar - parte 1

31. Banco de dados e SQL - Parte 3

32. Boas Práticas de Programação

33. K-NN - k Nearest Neighbor

34. Sobre a cardinalidade das variáveis

35. Gradient boosting

36. Sobre os hiper-parâmetros do XGBoost

37. Otimização do XGBoost e parallel computing (R) (Inter)

38. DBSCAN e clustering

39. O que são variáveis?

40. Sobre atualização de pacotes e bibliotecas

41. Deploy de modelo na nuvem (Inter) (PY)

42. Introdução ao Git e GitHub

43. Introdução à otimização

44. Ciência de Dados 2030 - Futuro e Trilha de Estudos

45. ChatGPT

OM Responde – Peso das variáveis e complexidade de modelos

OM Responde - Sobre Modelos Generalistas

OM Responde - A função predict

OM Responde - Predict em sistema de recomendação

Ao longo das próximas semanas, mais aulas serão adicionadas aqui!

Conceitos fundamentais

Aula 1 - Introdução e Operações Básicas

Aula 2 – Valores e Operações Lógicas

Aula 3 - Programação Condicional – IFELSE

Aula 4 - Vetores e listas no R

Aula 5 - Dicionários

Aula 6 - Manipulando textos em R - Strings

Aula 7 - Carregando arquivos

Aula 8 - Matrizes

Aula 9 - Loops e iterações 

Aula 10 - A sua primeira rede neural

Aula 11 - Funções

Aula 12 - Introdução ao data frame

Aula 13 - Data Frame - Parte 2

Aula 14 - Data Frame - Parte 3 - A família Apply

Aula 15 - Tidyverse – Parte 1

Aula 16 - Manipulando datas no R

Aula 17 - Tutorial - Análise de Componentes Principais (PCA)

Aula 18 - Visualização de Dados com ggplot2 - Parte 1

Aula 19 - Tidyverse – Parte 2

Aula 20 - R - DB de Notícias e SQL

Programando em R

1. Caso Prático - Detecção de Anomalias e o exemplo do Twitter

2. Classificador Naive Bayes - Parte 1

3. Classificador Naive Bayes - Parte 2

4. Árvore de Decisão e PCA (ACP)

5. Text Mining, K-means e Twitter

6. Redes Neurais - nnet

7. Redes Neurais - neuralnet

8. Isolation Forest

9. SVM - Support Vector Machines

10. K-NN do zero

11. Ensemble Models - Previsão demanda por aluguel de bikes

12. Xgboost para previsão de renda

13 - DBCSAN com AED completo (Avan)

14. Otimização com Algoritmos Genéticos

15. Behavioral Modeling

Ciência dos Dados com R

Aula 3 - Programação Condicional – IF/ELSE

Aula 4 - Listas e Tuplas no Python

Aula 6 - Manipulando textos em Python - Strings

Aula 10 - A sua primeira rede neural

Aula 13 - Introdução ao NumPy

Aula 14  - NumPy Parte 2 - Manipulação de Arrays

Aula 15  - NumPy Parte 3 - Operações universais

Aula 16 - Pandas - Data Frame e manipulação de dados - Parte 1

Aula 17 - Pandas - Data Frame e manipulação de dados - Parte 2

Aula 18 - Pandas - Data Frame e manipulação de dados - Parte 3

Aula 19 - Visualizaçao de Dados com Python - Parte 1

Aula 20 - Categorical Enconding

OM Responde - Categorical Encoding

Aula 21 - Acessando APIs com Python

Aula 22 - Gráficos animados em 2D e 3D

Aula 23 - Web Scraping com Python - Parte 1

Aula 24. Pandas - Tabela Pivot

Aula 25. Aplicação Web com Flask - Aula 2 (Inter) (PY)

Aula 26 - Orientação a objetos - OO

Aula 27 - Plotly's Python graphing library

Programando em Python

1 - Árvore de Decisão para tarefa de classificação e regressão

2 - GLM - Regressão Linear

3. Aprovação de Cartão de Crédito - Regressão Logística

4. Random Forest para tarefas de classificação e regressão

5. K-means e o aprendizado não supervisionado (parte 2 do CPA 22)

6. K-means em ação

7. Alvos, Otimização, Cross Validation e salvando o modelo

8. Redes neurais - Imagens - Scikit learn

9. Detecção de Fraude - Isolation Forest

10. Ensemble Models - Stacking

11. Introdução ao XGBoost - Classificação e Regressão

12. XGBoost - Ativos de mau desempenho

13. XGBoost - Otimização - Grid e Random Search (Inter)

14. DBSCAN - Do tratamento dos dados à otimização (Avan)

15. DTW e K-NN para reconhecimento de voz

16. Análise de Fourier para Ciência de Dados

17. Análise de Fourier para Ciência de Dados  - Parte 2

18. Análise de Fourier para Ciência de Dados  - Parte 3

19. KYC Clientes Corretora - AED e Data Viz

20. Deep Learning - Aula I

21. Deep Learning - Aula II

22. Deep Learning - Aula III

23. Deep Learning - Aula IV

24. Deep Learning Aula V

25. Deep Learning Aula VI

26. Deep Learning - Aula VII

27. Deep Learning - Aula VIII

28. Deep Learning - Aula IX

29. Deep Learning - Aula X

Ciência dos Dados com Python

1. Detecção de anomalias no mercado financeiro (R)

2. Árvore de Decisão para Trading - Classificação do EUR/USD (PY)

3. Regressão Logística em R EUR USD

4. Sobre alvos e gerenciamento de risco

5. Conceitos Fundamentais - Gestao de Carteira e Risco (1)(R)

6. PCA e Árvore de Decisão para Trading (PY)

7. O poder da estatística descritiva e Isolation Forest (PY)

8. Sobre Pensar - Parte 2 - Mais Sobre Física Clássica no Mercado Financeiro

9. SVM no Dólar Futuro (PY)

10. K-means no Dólar Futuro

11. Ensemble - Índice Futuro

12. Operacionalização Ensemble - Índice Futuro

13. ITUB4 - Um ensemble sobre as caudas da distribuição (R)

14. Book de Variáveis de AT (PY)

Live 22. Trading com XGBoost (R).ipynb

15. Previsão de volatilidade com XGBoost e Grid Search (R) (Inter)

16. DBSCAN (R) (Inter)

17. Padrões de candlestick (PY) (Avan)

18. Sistema Especialista com DBSCAN (PY) (Avan)

19. Price Action, alvos longos e implementação de Árvores de Decisão (Inter) (PY)

20. Sobre Alpha, Convexidade,  Mediocristão e Extremistão

21. DTW para detectar padrões no MF (Avan)(R)

22. Volatilidade implícita (PY) (R)

23. Regressão Quantílica em commodities (PY)

24. XGBoost - Milho B3 (PY) (Inter)

25. Ajuste Polinomial (PY)

26. Relatório em pdf e correlações (PY) (Inter)

27. Detecção de topos e fundos (PY) (Inter)

28. Web App de Volatilidade Implícita (PY).ipynb

29. Trading com Skewness e Kurtosis (PY)(Avan)

30. Lições aprendidas

31. Introdução ao Valuation

32. Detrend e regressão móvel (Inter) (PY)

33. Análise contábil: Princípios e Índices

34. Estudo de caso: previsão de tendência

35. Estudo de caso - Previsão de Tendência Parte 2 (PY) (Avan)

36. Estudo de caso - Previsão de Tendência Parte 3 - Conclusão

37. Estudo de caso - Previsão de Tendência Parte 4 (PY) (Avan)

38. Devaneios Quantitativos - Calculus test (Avan) (PY)

39. Value at Risk - Críticas e observações (PY) (Avan)

40. Padrões em Séries Temporais - Matrix Profile (PY) (Avan)

41. Suporte e Resistência baseado em volatilidade (PY)(Inter)

42. Índice de fat tail - Renda variável e fixa (PY) (Avan)

43. Long e Short por Cointegração (Avan)

44. Explainable AI - Milho e Dólar

45. ML Explainability - Shapley Values - Parte 2

46. Reversão à média e ML Explainability

OM Responde - Intervalo de Retornos

OM Responde - Mudanças na dinâmica do mercado 

OM Responde - Otimização do random_state

OM Responde - Aula 6. PCA e Árvore de Decisão

Finanças Quantitativas

1. Introdução à Probabilidade

2. Introdução à Estatística

3. Correlação e Covariância

4. Variáveis aleatórias e distribuições de probabilidade

5. Teorema do limite central, lei dos grandes números e caudas longas

Probabilidade e Estatística na prática

Outspoken Market na prática

Avaliações

Perguntas Frequentes