Redução de custos é uma das aplicações de dados mais valorizadas por qualquer empresa. No módulo final, você identifica os principais direcionadores de custo em uma base real e constrói um modelo preditivo em Python capaz de apontar onde e como cortar gastos sem comprometer a operação.

Pandas e Numpy são o coração da análise de dados em Python: Numpy fornece a base numérica vetorizada, e Pandas organiza esses dados em DataFrames — a estrutura que você vai usar para carregar, explorar, filtrar e transformar dados em toda a formação.

Quando a base de dados cresce para milhões de linhas, o Pandas pode se tornar lento. Este módulo apresenta Datatable e Polars, bibliotecas otimizadas para processamento em alta performance, mantendo uma lógica de manipulação de dados semelhante à do Pandas.

Nenhum algoritmo de Machine Learning funciona bem com dados brutos e incompletos. Este módulo ensina a tratar dados faltantes, criar variáveis derivadas e transformar variáveis (log, padronização, encoding) — a etapa que mais impacta a qualidade final de qualquer modelo.

Antes de qualquer algoritmo de Machine Learning, é preciso entender o comportamento estatístico das variáveis. Este módulo revisa estatística descritiva, distribuições e testes de hipótese em Python — a base conceitual que orienta decisões de modelagem em toda a formação.

Bases financeiras costumam ter dezenas de indicadores correlacionados entre si. O PCA (Análise de Componentes Principais) resolve esse problema, reduzindo a dimensionalidade dos dados sem perder informação relevante — fundamental tanto para visualização quanto para alimentar outros modelos com menos ruído

Este módulo ensina o K-means aplicado à segmentação de clientes por uso de produtos bancários — um dos casos de uso mais valiosos de Machine Learning em marketing financeiro.

Este módulo marca a entrada nos algoritmos preditivos supervisionados: Regressão Linear para prever valores numéricos contínuos, e Regressão Logística para prever probabilidades e classificar categorias — os dois modelos mais usados e mais fáceis de explicar a uma diretoria de negócio.

Nem toda relação entre variáveis é linear. Este módulo apresenta o Random Forest em sua versão de regressão, aplicado a um problema financeiro de alto impacto: estimar, em reais, o valor esperado da perda por inadimplência de cada cliente.

O Random Forest também se adapta a problemas de classificação. Este módulo aplica o mesmo algoritmo à predição de diagnóstico de diabetes a partir de variáveis clínicas, com foco especial em precisão e nas métricas certas para decisões de saúde.

Preveja consumo de energia com um dos algoritmos de ensemble mais usados no mercado. Este módulo aplica o XGBoosting, um dos algoritmos de ensemble mais usados no mercado, a um problema de operações: prever o consumo de energia a partir de variáveis históricas e operacionais — informação crítica para planejamento de capacidade e custos.

Detecção de fraude é um dos problemas mais desafiadores de Machine Learning por conta do desbalanceamento extremo entre classes. Este módulo aplica o XGBoosting à classificação de transações fraudulentas em cartões de crédito, tratando diretamente esse desbalanceamento.

Este módulo apresenta o SVR (Support Vector Regression), aplicado à estimativa de métricas contínuas de comportamento do cliente — como valor de vida útil (LTV) ou propensão de gasto — a partir de variáveis de relacionamento e histórico de compra.

Preveja cancelamento de clientes com margens de separação bem definidas. Este módulo aplica o SVM (Support Vector Machine) à predição de churn — um dos problemas de classificação mais comuns em negócios com receita recorrente — em que a margem de separação entre clientes que ficam e clientes que cancelam é central para a qualidade do modelo.

Classifique satisfação do cliente com o modelo mais interpretável de todos.Este módulo apresenta a Árvore de Decisão aplicada à predição de satisfação do cliente — um dos modelos mais interpretáveis de Machine Learning, capaz de ser lido diretamente como um conjunto de regras de negócio pela equipe de atendimento

Este módulo introduz uma família diferente de algoritmos: sistemas de recomendação baseados em regras de associação. O Algoritmo Apriori identifica padrões do tipo 'quem compra A também compra B', a lógica por trás de recomendações e campanhas de marketing digital orientadas por dados

KNN — Recomendações Inteligentes

Recomende produtos ou conteúdos com base na proximidade entre perfis semelhantes. Este módulo apresenta o KNN (K-Nearest Neighbors) aplicado a recomendações inteligentes: identificar o que sugerir a um cliente com base em outros clientes com perfil semelhante. Por depender diretamente da distância entre pontos, o KNN é um dos algoritmos mais sensíveis à escala das variáveis

Este módulo encerra a formação com séries temporais, aplicadas a um problema recorrente em operações e finanças: prever a depreciação de produtos, máquinas e veículos ao longo do tempo — informação essencial para decisões de reposição, seguro e revenda de ativos.