Ciência de Dados , Machine Learning com Python e Power BI

1. O que é renda variável

2. Como funcionam os investimentos em ações

3. Principais riscos envolvidos (mercado, liquidez, empresa e emocional)

1. Análise de fundamentos: lucro, patrimônio, dívida, dividendos

2. Indicadores: P/L, P/VPA, DY, LPA, VPA, MEBITDA, LC, Preço Justo (Graham)

1. Conceito de análise técnica

2. Médias móveis simples e exponenciais

Instalando o Power BI; O que é e como utilizar

• O que é Conda e por que usar

• Instalação do anaconda

• Criação do ambiente virtual com libs (Prophet, XGBoost, Pandas, etc.)

1. Inserção de scripts via “Obter dados”

2. Uso de scripts na etapa de transformação (Power Query)

3. Visual com Python: gráficos, modelos e outputs

1. IDEs recomendadas: Jupyter, VS Code, RStudio

2. Como configurar e testar scripts antes de levar pro Power BI

3. Dicas para um fluxo de trabalho eficiente

parte I:

• DataFrame

• Panel (Paineis não serão abordados neste curso)

Parte II:

• Dados faltantes

• Processando dados

• Combinando e transformando

• Estatísticas

Parte III:

• • Agregação

  • Filtragem

  • Transformação

1. Definição e importância do ETL (Extract, Transform, Load)

2. Ingestão e tratamento de dados via script Python

1. Introdução ao modelo XGBoost

2. Aplicação de aprendizado supervisionado

3. Implementação de árvores de decisão otimizadas

1. Introdução ao modelo Prophet (desenvolvido pela Meta)

2. Conceito de modelo aditivo para séries temporais

3. Aplicações práticas para previsão de tendências

1. Execução dos scripts dos modelos

2. Visualização dos dados e previsões

3. Interpretação e análise dos resultados obtidos

1. Resultados finais do projeto

2. Acesso aos scripts e documentação

Finalização da apresentação do projeto: aplicação dos modelos de regressão XGBoost e Prophet para previsão dos preços das ações de uma carteira de investimentos ou portfólio hipotético, com visualização dos resultados em painéis interativos no Power BI.