Trilha — Análise Preditiva
Trilha de disciplina — a ordem de leitura do livro para um curso específico.
O número do capítulo é um identificador estável, não uma ordem. Um mesmo capítulo pode aparecer em mais de uma trilha, e capítulos de números distantes podem ser vizinhos aqui. É isso que permite ao livro cobrir três disciplinas sem se repetir.
Disciplina: Análise Preditiva · Curso: Engenharia de Software · Professor: Gilsiley Henrique Darú
Esta trilha assume que o estudante já cursou Ciência de Dados e traz a preparação de dados na bagagem. Ela vai da transformação de dados em informação até a entrega de um modelo preditivo defendido com evidência.
A ementa da disciplina tem três unidades; a trilha as segue.
Unidade I — Transformação de Dados em Informação
Dados, informação e conhecimento. SGBDs relacionais e NoSQL. Extração de conhecimento. ETL. Metodologia de pesquisa para análise de dados.
| # | Capítulo | Por que aqui |
|---|---|---|
| 1 | 19 — O Ciclo da Ciência de Dados | CRISP-DM dá o mapa: por que a modelagem é a quarta fase |
| 2 | 20 — Coleta e Integração | Arquivos, APIs, SQL e NoSQL, data lake × warehouse, ETL e ELT |
| 3 | 02 — Qualidade e Vazamento | O dado que chega está sujo, e o vazamento não dá erro |
Ao final da unidade o estudante monta um dataset a partir de fontes heterogêneas, com ficha de procedência, e sabe por que a divisão treino/teste precisa respeitar tempo e grupo.
Unidade II — Análise Multidimensional de Dados
Técnicas e ferramentas para análise multidimensional. Construção de repositório de dados.
| # | Capítulo | Por que aqui |
|---|---|---|
| 4 | 23 — Análise Multidimensional | Fato e dimensão, esquema estrela, OLAP, granularidade |
| 5 | 21 — Análise Exploratória | Olhar antes de modelar: descritiva, dispersão, outliers |
| 6 | 22 — Visualização e Storytelling | O gráfico que decide — e os que enganam sem intenção |
Ao final da unidade o estudante constrói um repositório analítico e extrai dele uma leitura defensável do que já aconteceu.
Unidade III — Análise Preditiva de Dados
Técnicas de análise preditiva aplicadas aos dados do módulo II. Experimentar ao menos duas técnicas, comparar e apresentar os resultados.
| # | Capítulo | Por que aqui |
|---|---|---|
| 7 | 04 — Avaliação | Antes de treinar: escolher a métrica pelo custo do erro |
| 8 | 03 — Representação | O modelo só vê o que você codificou |
| 9 | 05 — Modelos Lineares | A primeira técnica, interpretável e auditável |
| 10 | 28 — Regressão Logística | O mesmo maquinário para classificar: o que é linear é o logito |
| 11 | 07 — Árvores e Ensembles | A segunda técnica, e a que costuma ganhar em tabular |
| 12 | 24 — Séries Temporais | Se o problema tiver tempo, ele muda de regras |
| 13 | 25 — Do Modelo à Decisão | Comparar com honestidade e apresentar o resultado |
Ao final da unidade o estudante entrega a avaliação N3 da ementa: duas técnicas comparadas com protocolo justo, incerteza declarada, e uma recomendação defendida — inclusive a recomendação de não usar o modelo.
Leitura de apoio (opcional)
- 00 — Introdução e 01 — Fundamentos — se o estudante nunca viu ML, começam aqui.
- 06 — Otimização — para quem quiser entender o que o
fit()faz por dentro. - 14 — Interpretabilidade — quando a decisão precisa ser explicada a quem ela afeta.
Prática
A construção ml-zero acompanha esta trilha nas etapas 00 (linha de base), 02 (vazamento e divisões), 05–06 (lineares) e 07 (ensembles) — todas em Python puro, sem download e sem GPU.