Decida com Dados
por Renata Marchese
11 módulos · 86 aulas · ~23 horas de estudo
Ciência de dados para não desenvolvedores, com o ciclo completo e a IA como assistente. 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 Data Studio, arquitetura e infraestrutura de dados, e storytelling com dados para sustentar decisão. Projeto final aplicado, que percorre o ciclo completo do dado bruto à recomendação, e um bônus que publica sua análise como app. De uma cientista de dados com 10 anos de experiência 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 parte principal do curso porque pode ser revisado a qualquer momento: quando uma ferramenta de IA muda, a aula é atualizada. O áudio e o vídeo complementam o texto e ajudam você a estudar da forma que preferir.
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.
Você também pode ouvir
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 estrutura do curso, população × amostra, média × mediana, variação e incerteza, que formam 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 estrutura do curso, população × amostra, média × mediana, variação e incerteza, que formam 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 ciclo de um projeto de dados
- 4. População × amostra: de quem vêm os seus dados
- 5. Média × mediana: quando a média engana
- 6. Nenhum número vem sozinho: variação e incerteza
- 7. Entregável do M1: transformar sua decisão em uma pergunta de dados
- 8. Quiz: pensar com dados
2. Planilha + IA: o novo básico
Organizar, limpar e analisar dados na planilha com a ajuda da IA, com 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 com a ajuda da IA, com formato longo, tabela dinâmica, fórmulas que a IA escreve e você confere, e os limites (LGPD).
- 1. Uma linha, um registro: o formato que permite qualquer análise
- 2. Limpeza de dados com IA: o trabalho que ninguém vê
- 3. Tabela dinâmica com a ajuda da IA
- 4. Fórmulas que a IA escreve e você confere
- 5. Enviar planilha para a IA: possibilidades e limites (LGPD)
- 6. Entregável do M2: sua planilha, limpa e analisada
- 7. Quiz: planilha + IA
3. Python e pandas com a IA como assistente
Seu ambiente (Colab oficial + opção VSCode), o que é Python/pandas e por que se tornou a linguagem mais usada em dados, e a mesma análise da planilha refeita em código gerado por IA, lido, entendido e conferido.
8 aulas
▶
3. Python e pandas com a IA como assistente
Seu ambiente (Colab oficial + opção VSCode), o que é Python/pandas e por que se tornou a linguagem mais usada em 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 se tornaram o padrão da análise de 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? Um critério honesto de escolha
- 7. Entregável do M3: seu primeiro notebook completo
- 8. Quiz: Python e pandas com IA como assistente
4. Visualização de dados: do matplotlib ao BI
Os gráficos que resolvem 90% (e as distorções visuais), gráficos com IA no notebook, Datawrapper e RAWGraphs sem código, dashboard no Data Studio, visão geral de Power BI/Tableau e o seu primeiro dashboard com vibecoding em Streamlit.
9 aulas
▶
4. Visualização de dados: do matplotlib ao BI
Os gráficos que resolvem 90% (e as distorções visuais), gráficos com IA no notebook, Datawrapper e RAWGraphs sem código, dashboard no Data Studio, visão geral de Power BI/Tableau e o seu primeiro dashboard com vibecoding em Streamlit.
- 1. Que gráfico para que pergunta: os 5 que resolvem 90%
- 2. Gráficos que enganam sem falsificar nenhum número
- 3. Gráficos com IA no notebook: matplotlib e plotly
- 4. Gráficos com acabamento e sem código: Datawrapper e RAWGraphs
- 5. Data Studio: seu primeiro dashboard
- 6. Ferramentas de BI (Power BI, Tableau, Metabase) e o KPI que orienta decisão
- 7. Seu primeiro dashboard com vibecoding (Streamlit)
- 8. Entregável do M4: seu dashboard no Data Studio
- 9. Quiz: visualização de dados
5. Estatística aplicada: comparar, testar, concluir
Por que comparar antes e depois engana, grupos comparáveis, como ler um teste A/B, 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
Por que comparar antes e depois engana, grupos comparáveis, como ler um teste A/B, correlação × causa e tamanho de efeito, tudo rodado no notebook com os dados e gráficos dos módulos anteriores.
- 1. Antes × depois: a comparação mais arriscada nas empresas
- 2. Grupos comparáveis: a base de toda conclusão séria
- 3. Como ler um teste A/B sem formação em estatística
- 4. Correlação não é causa: como aplicar o princípio na prática
- 5. Significante ≠ importante: tamanho do efeito
- 6. Medindo a variação: desvio padrão e intervalos de forma simples
- 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, com as métricas que o fornecedor mostra e as que ele omite.
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, com as métricas que o fornecedor mostra e as que ele omite.
- 1. As 3 formas de aprendizado de máquina
- 2. Regressão e classificação: as duas perguntas que o ML responde
- 3. Os algoritmos que resolvem 90% dos problemas, explicados
- 4. Validação: a diferença entre aprender e decorar
- 5. Matriz de confusão e o corte de decisão no simulador
- 6. As métricas que o fornecedor mostra (e as que ele omite)
- 7. Indo além: o custo do erro e a escolha do corte em reais
- 8. Entregável do M6: avalie um case de fornecedor
- 9. Quiz: machine learning por dentro
7. IA generativa por dentro
Como funciona a ferramenta que você usa no curso inteiro, com 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
Como funciona a ferramenta que você usa no curso inteiro, com 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 princípio de um LLM: prever a próxima palavra
- 2. Transformer e o mecanismo de atenção, sem matemática
- 3. Embeddings: como o texto é convertido em números
- 4. Por que a IA inventa informações (e qual o papel da janela de contexto)
- 5. RAG e agentes: a IA consultando os seus dados
- 6. LLM ou ML tradicional? O quadro de 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 ficam quando a planilha não é suficiente, com tabela, chave e relação como modelo mental, SELECT/JOIN/GROUP BY lidos (a IA escreve, você confere) e como pedir dados ao time de dados da forma correta.
7 aulas
▶
8. Banco de dados e SQL com IA
Onde os dados ficam quando a planilha não é suficiente, com tabela, chave e relação como modelo mental, SELECT/JOIN/GROUP BY lidos (a IA escreve, você confere) e como pedir dados ao time de dados da forma correta.
- 1. Quando a planilha deixa de ser suficiente
- 2. Tabelas, chaves e relações: como um banco se organiza
- 3. Lendo SQL: SELECT, WHERE, GROUP BY
- 4. JOIN: juntando tabelas (e pedindo dados da forma certa)
- 5. Prática 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 ficam
9. Infraestrutura e arquitetura de dados
Visão geral de planilha → banco → warehouse → nuvem, ETL em conceito, quem é quem em um time de dados, build × buy, governança e LGPD, e uma arquitetura real explicada por dentro.
8 aulas
▶
9. Infraestrutura e arquitetura de dados
Visão geral de planilha → banco → warehouse → nuvem, ETL em conceito, quem é quem em um time de dados, build × buy, governança e LGPD, e uma arquitetura real explicada por dentro.
- 1. Onde os dados ficam: da planilha à nuvem
- 2. ETL: o processo automático 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 de referência, apresentar incerteza sem transmitir insegurança, conduzir um pequeno projeto (iterações, MVP, quando parar) e o projeto final, que percorre o ciclo completo.
7 aulas
▶
10. Storytelling com dados e projeto final
Pergunta → evidência → recomendação, o número de referência, apresentar incerteza sem transmitir insegurança, conduzir um pequeno projeto (iterações, MVP, quando parar) e o projeto final, que percorre o ciclo completo.
- 1. Pergunta, evidência, recomendação: a estrutura de uma boa apresentação
- 2. O número-âncora e a forma de apresentar incerteza
- 3. Decidir com dado incompleto (o que sempre acontece)
- 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 se tornar um produto, com versionamento em conceito, o app Streamlit com acabamento de produto, publicação sem custo e 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 se tornar um produto, com versionamento em conceito, o app Streamlit com acabamento de produto, publicação sem custo e com segurança, e quando entregar para o time de TI.
- 1. Por que final_v2_AGORA.xlsx não funciona quando o projeto cresce: versionamento
- 2. "Funciona na minha máquina": ambientes
- 3. Seu app Streamlit com acabamento de produto
- 4. Publicar de graça, publicar com critério
- 5. Manutenção e o momento de entregar para a TI
- 6. Entregável do M11: seu projeto publicado
- 7. Quiz: do notebook ao app