Pós-Graduação em Ciência de Dados Aplicada para Finanças e Economia
Estatística Aplicada
Histogramas, medidas de tendência central, medidas de dispersão, escores-Z, box-plot, gráficos de dispersão, medidas de relação. Operadores de somatório e produto, espaço amostral, pontos amostrais e eventos, Teoria da Probabilidade: introdução, propriedades, probabilidade condicional. Variáveis aleatórias discretas e distribuições de probabilidade. Variáveis aleatórias discretas e contínuas e distribuições de probabilidade (esperança matemática, variância e coeficiente de correlação). Variáveis aleatórias contínuas e distribuições de probabilidade (distribuição normal e qui-quadrado). Variáveis aleatórias contínuas e distribuições de probabilidade (distribuição t de Student e F). Inferência estatística, estimação e testes de hipótese: erros tipos I e II, P-valor. Testes de hipótese: média, variância, comparação entre média, variâncias, amostras emparelhadas.
Microeconomia Aplicada
Sistema de preços de mercado. Teoria do Consumidor e curva de demanda. Teoria da Firma e curva de oferta. Equilíbrio de mercado e eficiência de Pareto. Externalidades e bens públicos. Informação assimétrica. Competição monopolística e monopólio. Oligopólio e Teoria dos Jogos.
Macroeconomia Aplicada
Mercado de bens e PIB. Mercado monetário e curva de juros. Modelo IS-LM. Mercado de trabalho e curva de Phillips. Abertura no mercado de bens e no mercado financeiro. Regimes cambiais. Depressões e crises.
Econometria Aplicada
Estimador de mínimos quadrados. Modelos de probabilidade (probit e logit). Variáveis instrumentais. Modelos com dados em painel (efeitos fixos e efeitos aleatórios). Estimação e previsão com modelos ARIMA.
Linguagem de Programação Aplicada
Fundamentos de lógica de programação e algoritmos. Noções de R e Python. Visualização de gráficos. Tipos de dados e objetos. Manipulação de dados. Desenvolvimento de scripts, funções e utilização de pacotes.
Técnicas de Machine Learning
Fundamentos de machine learning (tipos de problema, classes de modelos, tipos de erro, treino, teste, complexidade, overfitting). Regressão linear, extensões do modelo linear, regularização, validação, avaliação dos erros de classificação, modelo logístico, Lasso, k-vizinhos mais próximos. Fundamentos de machine learning: tipos de erro, treino, teste; validação, avaliação dos erros de classificação. Implementação dos modelos discutidos em linguagem de programação. Fundamentos de machine learning (tipos de problema, classes de modelos, tipos de erro, treino, teste, complexidade, overfitting); regressão linear; regressão logística; regularização; validação.
Data Analytics & Visualization
Conceitos iniciais de Data Analytics. Manipulação de datasets e dataframes. Técnicas de sumarização, limpeza e tratamento de dados. Técnicas de imputação estatística de dados. Visualização de dados utilizando o R. Desenvolvimento de relatórios e apresentações dinâmicas e introdução a construção de dashboards.
Plano de Negócios I
Aprender a fazer um Plano de negócios real, a partir dos seus principais conceitos, a saber, funções e aplicações de um Plano de negócios, prospecção de ideias para um novo negócio, modelo de negócio, Canvas de produto, Canvas de negócio, Plano de operações e a sua relação com o Plano financeiro.
Nessa disciplina, há uma combinação entre aulas expositivas (lectures) sobre a abordagem de como se faz um Plano de negócios com apresentações de estudos de casos e situações reais. Será apresentada a seguinte abordagem teórico-conceitual: conceitos e técnicas relacionados ao desenvolvimento de um Plano de negócios. Funções e aplicações de um Plano de negócios, prospecção de ideias para um novo negócio. Modelo de negócio. Canvas de produto: produto, público e necessidade. Canvas de negócio e os seus elementos. Plano de operações e a sua relação com o Plano financeiro e a viabilidade econômico-financeira do negócio.
Nessa disciplina, há uma combinação entre aulas expositivas (lectures) sobre a abordagem de como se faz um Plano de negócios com apresentações de estudos de casos e situações reais. Será apresentada a seguinte abordagem teórico-conceitual: conceitos e técnicas relacionados ao desenvolvimento de um Plano de negócios. Funções e aplicações de um Plano de negócios, prospecção de ideias para um novo negócio. Modelo de negócio. Canvas de produto: produto, público e necessidade. Canvas de negócio e os seus elementos. Plano de operações e a sua relação com o Plano financeiro e a viabilidade econômico-financeira do negócio.
Plano de Negócios II
Aprender a fazer um Plano de negócios real, a partir dos seus principais conceitos, a saber, funções e aplicações de um Plano de negócios, prospecção de ideias para um novo negócio, modelo de negócio, Canvas de produto, Canvas de negócio, Plano de operações e a sua relação com o Plano financeiro.
Como se trata de uma disciplina em que o estudante precisa desenvolver e apresentar um Plano de negócios, mesmo tendo a avaliação composta de 60% de nota de presença e participação em sala de aula e 40% de apresentações, em grupo ou individuais, a participação em sala de aula na forma de debate e discussão sobre os planos de negócios apresentados será muita valorizada.
Como se trata de uma disciplina em que o estudante precisa desenvolver e apresentar um Plano de negócios, mesmo tendo a avaliação composta de 60% de nota de presença e participação em sala de aula e 40% de apresentações, em grupo ou individuais, a participação em sala de aula na forma de debate e discussão sobre os planos de negócios apresentados será muita valorizada.
Eletiva 1
O estudante deverá escolher uma das seguintes disciplinas recomendadas para o curso:
- Técnicas Avançadas de Machine Learning
- Modelos de Previsão
- Modelo de Negócios das Fintechs
- Blockchain & Token Economy
Eletiva 2
O estudante deverá escolher uma das seguintes disciplinas recomendadas para o curso:
- Técnicas Avançadas de Machine Learning
- Modelos de Previsão
- Modelo de Negócios das Fintechs
- Blockchain & Token Economy
Eletiva 3
O estudante deverá escolher uma das seguintes disciplinas recomendadas para o curso:
- Técnicas Avançadas de Machine Learning
- Modelos de Previsão
- Modelo de Negócios das Fintechs
- Blockchain & Token Economy
