Aulas
Esta seção reúne os roteiros pedagógicos, slides e notebooks da disciplina.
Em cada aula, os materiais de apoio seguem o padrão código → resultado → discussão. A discussão interpreta o que a saída mostra, quais escolhas da análise afetam a leitura e quais limitações devem acompanhar a conclusão.
Módulo 0 · Motivação
Perguntas, evidências, responsabilidade e causalidade.
Aula 01
Introdução à ciência de dados
Perguntas, evidências e o ciclo de trabalho de uma análise.
Aula 02
Causalidade e experimentos
Associação, causa e efeito, experimentos e estudos observacionais.
Módulo 1 · Análise Exploratória
Da estrutura das tabelas à exploração e comunicação visual.
Aula 03
Tabelas e tipos de dados
Coleta, unidade observacional, tipos semânticos, pandas e groupby.
Aula 04
Análise exploratória de dados
Estrutura, granularidade, merges, ausências, temporalidade e corretude.
Aula 05
Fundamentos de visualização
Percepção, marcas, canais, distribuições, Palmer Penguins e Datasaurus.
Aula 06
Visualização — boas práticas
Escala, condicionamento, contexto, cor, transformações e comunicação.
Aula 07
Tendências centrais
Distribuições, média, mediana, quartis, dispersão e transformações.
Módulo 2 · Inferência Estatística
Amostragem, estimadores, incerteza, testes e decisões estatísticas. Aulas 08–15 já disponíveis.
Aula 08
Estimadores
População, amostra, distribuição amostral, viés, variância e erro padrão.
Aula 09
Escolhendo estimadores
Funções de perda, robustez, risco e trade-off viés-variância.
Aula 10
Teorema Central do Limite
Distribuições amostrais, erro padrão e intervalos de confiança.
Aula 11
Testes de hipóteses
Hipóteses, p-valores, erros tipo I e II e poder estatístico.
Aula 12
Bootstrap
Distribuição empírica, reamostragem, intervalos e condições de validade.
Aula 13
Testes de permutação
Modelo nulo, troca de rótulos, distribuição nula e valores-p.
Aula 14
Permutação além do caso básico
Estatísticas robustas, estratos, pares, clusters e validade.
Aula 15
Poder e múltiplos testes
Alternativas por bootstrap, planejamento de poder, FWER, FDR e correções.
Módulo 3 · Modelagem e aprendizado de máquina
Aulas 16–26 em revisão.
Aula 16
Correlação
Covariância, Pearson, Spearman, condicionamento, incerteza e causalidade.
Material em revisão
Aula 17
Regressão linear simples
Média condicional, mínimos quadrados, interpretação, diagnóstico e incerteza.
Material em revisão
Aula 18
Máxima verossimilhança
Modelos probabilísticos, Bernoulli, log-verossimilhança, escore e estimação.
Material em revisão
Aula 19
Verossimilhança na regressão
Erros normais, equivalência com mínimos quadrados, variância e diagnóstico.
Material em revisão
Aula 20
Gradiente descendente
Otimização iterativa da regressão, mini-batches e conexão com redes neurais.
Material em revisão
Aula 21
Regressão linear múltipla
Vários preditores, notação matricial, interações e introdução a GLMs.
Material em revisão
Aula 22
Regressão logística
GLM Bernoulli, logit, entropia cruzada, interpretação e avaliação.
Material em revisão
Aula 23
Regularização
Viés–variância, Ridge, Lasso, Elastic Net, validação e estabilidade.
Material em revisão
Aula 24
Engenharia de atributos
Representações, pipelines, vazamento e validação cruzada.
Material em revisão
Aula 25
KNN e prática de machine learning
Distâncias, escolha de hiperparâmetros e fluxo completo de modelagem.
Material em revisão
Aula 26
PCA e SVM aplicados
Compressão, representação, margem, kernels e ciência de dados.
Material em revisão