Decida com Dados
por Renata Marchese
11 módulos · 86 aulas · ~22 horas de estudo
Ciência de dados para não desenvolvedores — o ciclo completo com IA como copilota. Pensamento estatístico sem fórmula, planilha + IA, noção de SQL e banco de dados (a IA escreve, você confere), Python e pandas no Colab, modelos de ML por dentro (com simulador de threshold e o custo de errar), IA generativa por dentro (transformer, embeddings, RAG), dashboards e BI no Looker Studio, arquitetura e infraestrutura de dados, e storytelling com dados para sustentar decisão. Projeto final aplicado — uma volta completa no ciclo, do dado bruto à recomendação — e um bônus que leva sua análise até o ar como app. De uma cientista de dados com 10 anos de estrada e professora de MBA.
Como funciona
Este curso não é um pacote de videoaulas com horário marcado, nem um ebook para baixar. É o formato Leitura Viva: aulas em texto interativo que você lê (ou ouve) em cerca de 10 minutos, no seu ritmo, com exercícios e revisão. O texto é a espinha do curso porque é ele que se mantém vivo: quando uma ferramenta de IA muda, a aula é atualizada. Áudio e vídeo entram como apoio, do jeito que ajudam você a estudar.
Aulas em texto interativo
Leitura guiada com diagramas, exemplos da sua área, quizzes e exercícios. Cada aula leva cerca de 10 minutos.
Sem horário, sem turma
Nada acontece ao vivo. Você entra quando quiser, o progresso fica salvo e você continua de onde parou, em qualquer dispositivo.
Dá para ouvir também
As aulas têm narração em áudio. Acompanhe lendo, ouvindo, ou os dois ao mesmo tempo, como preferir.
Ferramentas de estudo
Flashcards de revisão, anotações e grifos, glossário do curso e certificado de conclusão com verificação pública.
Conteúdo
1. Pensar com dados
A pergunta antes do dado, o ciclo de um projeto de dados (CRISP-DM) como mapa do curso, população × amostra, média × mediana, variação e incerteza — o raciocínio que vem antes de qualquer ferramenta.
8 aulas
▶
1. Pensar com dados
A pergunta antes do dado, o ciclo de um projeto de dados (CRISP-DM) como mapa do curso, população × amostra, média × mediana, variação e incerteza — o raciocínio que vem antes de qualquer ferramenta.
- 1. Decidir com dados: o que este curso muda no seu trabalho
- 2. A pergunta vem antes do dado
- 3. O mapa da viagem: o ciclo de um projeto de dados
- 4. População × amostra: com quem seus dados estão falando
- 5. Média × mediana: quando a média engana
- 6. Nenhum número vem sozinho: variação e incerteza
- 7. Entregável do M1: sua decisão vira pergunta de dados
- 8. Quiz: pensar com dados
2. Planilha + IA: o novo básico
Organizar, limpar e analisar dados na planilha conversando com a IA — formato longo, tabela dinâmica, fórmulas que a IA escreve e você confere, e os limites (LGPD).
7 aulas
▶
2. Planilha + IA: o novo básico
Organizar, limpar e analisar dados na planilha conversando com a IA — formato longo, tabela dinâmica, fórmulas que a IA escreve e você confere, e os limites (LGPD).
- 1. Uma linha, um registro: o formato que destrava tudo
- 2. Limpeza de dados com IA: o trabalho invisível
- 3. Tabela dinâmica conversando com a IA
- 4. Fórmulas que a IA escreve e você confere
- 5. Subir planilha na IA: poder e limites (LGPD)
- 6. Entregável do M2: sua planilha, limpa e analisada
- 7. Quiz: planilha + IA
3. Python e pandas com IA como copilota
Seu ambiente (Colab oficial + opção VSCode), o que é Python/pandas e por que virou a língua dos dados, e a mesma análise da planilha refeita em código gerado por IA — lido, entendido e conferido.
8 aulas
▶
3. Python e pandas com IA como copilota
Seu ambiente (Colab oficial + opção VSCode), o que é Python/pandas e por que virou a língua dos dados, e a mesma análise da planilha refeita em código gerado por IA — lido, entendido e conferido.
- 1. Seu ambiente: Colab (e a opção VSCode)
- 2. Python e pandas: por que viraram a língua dos dados
- 3. Seu primeiro notebook: da planilha ao DataFrame
- 4. A análise do M2, refeita em código
- 5. Como pedir, ler e desconfiar de código gerado por IA
- 6. Planilha ou código? A régua honesta
- 7. Entregável do M3: seu primeiro notebook completo
- 8. Quiz: Python e pandas com IA como copilota
4. Visualização de dados: do matplotlib ao BI
Os gráficos que resolvem 90% (e as mentiras visuais), gráficos com IA no notebook, Datawrapper e RAWGraphs sem código, dashboard de verdade no Looker Studio, panorama Power BI/Tableau — e o seu primeiro dashboard vibecoded em Streamlit.
9 aulas
▶
4. Visualização de dados: do matplotlib ao BI
Os gráficos que resolvem 90% (e as mentiras visuais), gráficos com IA no notebook, Datawrapper e RAWGraphs sem código, dashboard de verdade no Looker Studio, panorama Power BI/Tableau — e o seu primeiro dashboard vibecoded em Streamlit.
- 1. Que gráfico para que pergunta: os 5 que resolvem 90%
- 2. Gráficos que mentem (sem falsificar nenhum número)
- 3. Gráficos com IA no notebook: matplotlib e plotly
- 4. Sem código e com acabamento: Datawrapper e RAWGraphs
- 5. Looker Studio: seu primeiro dashboard de verdade
- 6. O mapa do BI: Power BI, Tableau, Metabase — e KPI de verdade
- 7. Vibecode seu primeiro dashboard (Streamlit)
- 8. Entregável do M4: seu dashboard no Looker Studio
- 9. Quiz: visualização de dados
5. Estatística aplicada: comparar, testar, concluir
Antes × depois é armadilha, grupos comparáveis, teste A/B lido por leigo, correlação × causa e tamanho de efeito — tudo rodado no notebook com os dados e gráficos dos módulos anteriores.
8 aulas
▶
5. Estatística aplicada: comparar, testar, concluir
Antes × depois é armadilha, grupos comparáveis, teste A/B lido por leigo, correlação × causa e tamanho de efeito — tudo rodado no notebook com os dados e gráficos dos módulos anteriores.
- 1. Antes × depois: a comparação mais perigosa do mundo corporativo
- 2. Grupos comparáveis: o coração de toda conclusão séria
- 3. Teste A/B lido por leigo
- 4. Correlação não é causa (e todo mundo esquece na segunda-feira)
- 5. Significante ≠ importante: tamanho do efeito
- 6. Quantificando o balanço: desvio padrão e intervalos, sem sofrimento
- 7. Entregável do M5: a campanha funcionou?
- 8. Quiz: estatística aplicada
6. Modelos: machine learning por dentro
Os 3 paradigmas, os algoritmos que resolvem 90%, validação e generalização, simulador de threshold e o custo de errar em reais — as métricas que o fornecedor mostra e as que ele esconde.
9 aulas
▶
6. Modelos: machine learning por dentro
Os 3 paradigmas, os algoritmos que resolvem 90%, validação e generalização, simulador de threshold e o custo de errar em reais — as métricas que o fornecedor mostra e as que ele esconde.
- 1. Os 3 jeitos de uma máquina aprender
- 2. Regressão e classificação: as duas perguntas que o ML responde
- 3. Os algoritmos que resolvem 90% (sem medo dos nomes)
- 4. Validação: a diferença entre aprender e decorar
- 5. Matriz de confusão e o corte de decisão — mexa você mesmo
- 6. As métricas que o fornecedor mostra (e as que ele esconde)
- 7. Indo além: o preço de errar — escolhendo o corte por dinheiro
- 8. Entregável do M6: desmonte um case de fornecedor
- 9. Quiz: machine learning por dentro
7. IA generativa por dentro
Abra o capô da ferramenta que você usa o curso inteiro — previsão da próxima palavra, transformer intuitivo, embeddings, por que a IA alucina, RAG e agentes em noção, e quando usar LLM × ML tradicional.
8 aulas
▶
7. IA generativa por dentro
Abra o capô da ferramenta que você usa o curso inteiro — previsão da próxima palavra, transformer intuitivo, embeddings, por que a IA alucina, RAG e agentes em noção, e quando usar LLM × ML tradicional.
- 1. O truque todo: prever a próxima palavra
- 2. Transformer: a atenção é tudo (sem matemática)
- 3. Embeddings: quando texto vira número
- 4. Por que a IA inventa (e o que a janela de contexto tem a ver)
- 5. RAG e agentes: a IA consultando os seus dados
- 6. LLM ou ML tradicional? O quadrante da decisão
- 7. Entregável do M7: classifique 5 problemas do seu trabalho
- 8. Quiz: dentro da IA generativa
8. Banco de dados e SQL com IA
Onde os dados moram quando a planilha não dá conta — tabela, chave e relação como modelo mental, SELECT/JOIN/GROUP BY lidos (a IA escreve, você confere) e como pedir dado para o time de dados do jeito certo.
7 aulas
▶
8. Banco de dados e SQL com IA
Onde os dados moram quando a planilha não dá conta — tabela, chave e relação como modelo mental, SELECT/JOIN/GROUP BY lidos (a IA escreve, você confere) e como pedir dado para o time de dados do jeito certo.
- 1. Quando a planilha não dá mais conta
- 2. Tabelas, chaves e relações: o modelo mental
- 3. Lendo SQL: SELECT, WHERE, GROUP BY
- 4. JOIN: juntando tabelas (e pedindo dados do jeito certo)
- 5. Mão na massa sem instalar nada: SQLite no navegador e no notebook
- 6. Entregável do M8: 3 perguntas de negócio, 3 queries lidas
- 7. Quiz: onde os dados moram
9. Infraestrutura e arquitetura de dados
O mapa do território: planilha → banco → warehouse → nuvem, ETL em conceito, quem é quem em um time de dados, build × buy, governança e LGPD — e uma arquitetura real desenhada por dentro.
8 aulas
▶
9. Infraestrutura e arquitetura de dados
O mapa do território: planilha → banco → warehouse → nuvem, ETL em conceito, quem é quem em um time de dados, build × buy, governança e LGPD — e uma arquitetura real desenhada por dentro.
- 1. A jornada do dado: da planilha à nuvem
- 2. ETL: a esteira invisível que move os dados
- 3. Quem é quem em um time de dados
- 4. Build × buy: construir, contratar ou assinar?
- 5. Governança e LGPD: quem pode ver o quê
- 6. Por dentro de uma arquitetura real
- 7. Entregável do M9: o mapa de dados do seu trabalho
- 8. Quiz: infraestrutura e arquitetura de dados
10. Storytelling com dados e projeto final
Pergunta → evidência → recomendação, o número-âncora, apresentar incerteza sem parecer inseguro, conduzir um mini-projeto (iterações, MVP, quando parar) — e o projeto final, uma volta completa no ciclo.
7 aulas
▶
10. Storytelling com dados e projeto final
Pergunta → evidência → recomendação, o número-âncora, apresentar incerteza sem parecer inseguro, conduzir um mini-projeto (iterações, MVP, quando parar) — e o projeto final, uma volta completa no ciclo.
- 1. Pergunta, evidência, recomendação: a espinha de toda boa apresentação
- 2. O número-âncora e a arte de apresentar incerteza
- 3. Decidir com dado incompleto (spoiler: sempre)
- 4. O ciclo na prática: iterações, MVP e quando parar
- 5. O gráfico de apresentação (não é o gráfico de análise)
- 6. Projeto final: uma volta completa no ciclo
- 7. Quiz: da análise à decisão
11. Bônus: do notebook ao app
O mínimo de engenharia para sua análise virar produto — versionamento em conceito, o app Streamlit ganhando cara de gente, publicar de graça com segurança e quando entregar para o time de TI.
7 aulas
▶
11. Bônus: do notebook ao app
O mínimo de engenharia para sua análise virar produto — versionamento em conceito, o app Streamlit ganhando cara de gente, publicar de graça com segurança e quando entregar para o time de TI.
- 1. Por que final_v2_AGORA.xlsx não escala: versionamento
- 2. "Funciona na minha máquina": ambientes
- 3. Seu app Streamlit ganhando cara de produto
- 4. Publicar de graça, publicar com juízo
- 5. Manutenção e o momento de entregar para o TI
- 6. Entregável do M11: seu projeto no ar
- 7. Quiz: do notebook ao app