Trilha — Análise Preditiva
Trilha de disciplina — a ordem de leitura do livro para um curso específico.
A numeração (
II.2) é parte e posição no sumário, não a ordem desta trilha. Um mesmo capítulo serve a mais de uma disciplina, e capítulos de partes distantes podem ser vizinhos aqui — é isso que permite ao livro cobrir três disciplinas sem se repetir. Ver ADR 0011.
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 | I.1 — O Ciclo da Ciência de Dados | CRISP-DM dá o mapa: por que a modelagem é a quarta fase |
| 2 | I.2 — Coleta e Integração | Arquivos, APIs, SQL e NoSQL, data lake × warehouse, ETL e ELT |
| 3 | I.3 — 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 | II.6 — Análise Multidimensional | Fato e dimensão, esquema estrela, OLAP, granularidade |
| 5 | I.4 — Análise Exploratória | Olhar antes de modelar: descritiva, dispersão, outliers |
| 6 | I.5 — 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 | II.1 — Avaliação | Antes de treinar: escolher a métrica pelo custo do erro |
| 8 | I.6 — Representação | O modelo só vê o que você codificou |
| 9 | II.2 — Modelos Lineares | A primeira técnica, interpretável e auditável |
| 10 | II.3 — Regressão Logística | O mesmo maquinário para classificar: o que é linear é o logito |
| 11 | 0.2 — Fundamentos | deixou de ser leitura opcional: o capítulo seguinte apoia a seção inteira de bagging na decomposição viés–variância, e diz isso com todas as letras |
| 12 | II.5 — Árvores e Ensembles | A segunda técnica, e a que costuma ganhar em tabular |
| 13 | II.7 — Séries Temporais | Se o problema tiver tempo, ele muda de regras |
| 14 | II.8 — 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)
- 0.1 — Introdução — se o estudante nunca viu ML, começa aqui.
- II.4 — Otimização — para quem quiser entender o que o
fit()faz por dentro. - V.1 — 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.