Master em Data Science Aplicada
Applied Time Series Analysis
Introdução à Análise de Séries Temporais, principais fontes e características dos dados financeiros; Modelos ARMA suas aplicações para Finanças; Testes de Raiz Unitária; Modelos ARIMA e SARIMA. Aplicações da teoria dos mercados eficientes; Modelagem da volatilidade de ativos (ARCH e GARCH); Modelos Autorregressivos Vetoriais– VAR. 6.1. Causalidade de Granger; 6.2. Função de Resposta ao Impulso; Modelos de Correção de Erros Vetoriais – VECM.
Computação Aplicada
A teoria Metodologia de Modelagem Quantitativa Aplicada a Economia e Finanças; Técnicas para implementação computacional de modelos e melhores práticas; Conceitos básicos de lógica programação e estrutura de dados; modelagem quantitativa computacional para problemas reais que envolvem simulação, processos numéricos para solução de equações, séries temporais e métodos de otimização, entre outras técnicas aplicadas a problemas de finanças, economia e estatística.?
MasterClass em Data Science Aplicada
Seminários e mesas redondas com o professor e seus convidados para discutir e apresentar temas atualizados do mundo da inteligência artificial, estudos de casos em data Analytics, modelos de fintechs e temas da fronteira de Data Science voltada para finanças e negócios em geral.??
Data Analytics e Visualization
Conceitos Básicos e Manipulação de Datasetse Dataframes; Técnicas de sumarização, limpeza e imputação de dados; Visualização de dados; Desenvolvimento de Dashboards E Introdução ao Web Scraping.
Fórum de discussão
São 60h de atividades complementares, através de desafios propostos para os alunos, ao longo do curso. Eles resolverão 15 desafios, com cada um deles correspondendo a 4 horas. 15x4 = 60h de Desafios.
Econometria Aplicada
Ajustando curvas e retas aos dados: O método de Mínimos Quadrados; propondo um Modelo: Regressão, o que é e quando utilizar? Avaliando o Modelo de Regressão: Testes de Especificação e violações das hipóteses; E se tivermos viés na estimação? Introdução à Variáveis Instrumentais; Introdução às séries de tempo: Correlograma, Memória e Processos Básicos; Regressão espúria: o que é e como detectar e Introdução aos dados de Painel: Efeito Fixo e Aleatório.
Eletivas
A seguir, algumas das principais disciplinas eletivas oferecidas no Master em Data Science Aplicada:
- Economia Bancária e Fintech
- Regulação Financeira das Fintechs
- Modelos de Negócios das Fintechs
- Behavioral Finance
- Modelos de Previsão
- Venture Capital e Private Equity
- Tópicos em Machine Learning
- Tópicos em Programação
- Tópicos em Data Analytics & Visualization
- Marketing Analytics
- Blockchain &Token Economy
Métodos Estatísticos Aplicados
?Teoria da Probabilidade: Introdução, Propriedades, Probabilidade Condicional, Teorema de Bayes; Variáveis Aleatórias Discretas e Distribuições de Probabilidade: Uniforme, Bernoulli, Binomial, Hipergeométrica, Poisson; Variáveis Aleatórias Contínuas e Distribuições de Probabilidade: Uniforme, Normal, Qui-Quadrado, T-Student, F; Estimação e Testes de Hipótese: Erro Tipo I e II, P-valor, Média, Diferença entre Médias, Proporção, Diferença entre Proporções, Variância, Comparação entre Variâncias, Amostras Emparelhadas.
Nivelamentos
Disciplinas passíveis de liberação de carga, mediante análise e autorização da coordenação. Essas disciplinas serão realizadas no início do curso, por mediação de tecnologia. Serão oferecidas as seguintes disciplinas de nivelamento: Métodos Matemáticos, Matemática Financeira, Contabilidade, Métodos Estatísticos e Programação, cada uma com duração de 15h-a.
Programação em Python
Elementos básicos da linguagem; tipos de dados; controle de fluxo (if, for etc); noções de numpy, elementos de Pandas; análise descritiva com Seaborne e MatplotLib; elementos básicos do ScikitLearn.??
Técnica de Machine Learning
Introdução Regressão; Regressão com penalização (LASSO, Ridge e outros); Modelos de escolha binária (Logit/Probit/. Naïve Bayesian Classifier); Técnicas de Bagging/ Boosting; Regression Tree/ Random Fores; Redes Neurais e Dados de Network.
