PÚBLICO:

Profissionais, estudantes ou interessados na área de dados, TI/Financeira/Big Data. Para os alunos da Dom Helder este curso contará como Atividade Complementar em Ensino ou Optativa (a critério da coordenação do curso de Ciência da Computação).

CARGA HORÁRIA, DIAS E HORÁRIOS DAS AULAS:

36 hora-aulas, em 8 sábados, de 08:30 às 12:10 (com intervalo de 20 min) Dias de aula: 28/09, 5/10, 19/10. 26/10, 9/11, 23/11 e 30/11 (sábados)

OBJETIVO DO CURSO:

Você está pronto para aplicar seus conhecimentos de programação em Python utilizando os pacotes Pandas, Numpy, Matplotlib e Seaborn e modelos de simulação para continuar construindo seu caminho para se tornar um Cientista de Dados? Este curso será o seu guia para aprender como usar linguagem de programação em Python para analisar dados especificamente do Mercado Financeiro. Criar tabelas, visualizações e fazer análise estatística são algumas das várias aplicações que faremos na tomada de decisão no mercado. Ainda, usar algoritmos poderosos de aprendizado de máquina! Cientista de dados foi classificado como o trabalho número um no Glassdoor e o salário médio de um cientista de dados: The estimated total pay for a Data Scientist is R$22,000 per month in the Brazil area), é uma carreira gratificante que permite resolver alguns dos problemas mais interessantes do mundo! Este curso foi desenvolvido tanto para alunos com alguma experiência em programação quanto para desenvolvedores experientes que desejam migrar para a Ciência de Dados! 

CONTEÚDO DO CURSO:

Este curso inicia trabalhando algumas das mais importantes bibliotecas em Python para Análise de Dados. Utilizaremos Jupyter Notebook e Jupyter Lab via Anaconda ou Google CoLab. Construção de dados e análise analítica para tomada de decisão. Aluno pode usar qualquer IDE que lhe convier para este curso. • NumPy for High Speed Numerical Processing • Pandas for Efficient Data Analysis • Matplotlib for Data Visualization • Stock Returns Analysis • Cumulative Daily Returns • Volatility and Securities Risk • EWMA (Exponentially Weighted Moving Average) • Sharpe Ratio • Portfolio Allocation Optimization • Efficient Frontier and Markowitz Optimization • Types of Funds • Order Books • Short Selling • Capital Asset Pricing Model • Stock Splits and Dividends • Efficient Market Hypothesis • Algorithmic Trading with QuantConnect