Curso · Python, Ciência de Dados e IA

Descrição Objetivos Ementa Programação (15 semanas) Avaliação Bibliografia

Python, Ciência de Dados e IA — do Zero ao Deploy

Introdução à Modelagem Econômica e Ciência de Dados · Faculdade de Economia / UFJF - 2o Semestre de 2025 · Integrado ao Ecossistema Google (UFJF)

Descrição

Curso prático e progressivo que começa pelos fundamentos de Python e segue até aplicações completas de Ciência de Dados e Machine Learning, integrando bancos de dados (SQLite), visualizações (Matplotlib, Plotly), desenvolvimento de apps (Streamlit), modelos e datasets (Hugging Face) e automações no-code (n8n) com agentes de IA. Forte uso de Google Colab como ambiente de desenvolvimento (nuvem) e do ecossistema Google disponível à UFJF (Drive, Sheets, Forms e, quando possível, BigQuery entre outros).

Objetivos de aprendizagem

• Escrever código Python idiomático e organizado (funções, módulos, testes básicos).
• Manipular dados com Pandas e Polars; operar vetorização/álgebra com NumPy e SciPy.
• Explorar, limpar e visualizar dados com Matplotlib e Plotly.
• Construir pipelines de Machine Learning com scikit-learn (pré-processamento, modelagem, validação).
• Persistir dados em SQLite e integrá-los ao fluxo analítico.
• Criar e publicar aplicativos de dados com Streamlit.
• Usar Hugging Face (modelos/datasets) e entender o panorama de IA generativa (ChatGPT, Google AI).
• Orquestrar fluxos no-code com n8n e integrar agentes de IA.
• Entregar um projeto aplicado completo, versionado e reprodutível, com uma aplicação prática em Economia e/ou Finanças.

Público-alvo: alunos(as) e profissionais de Economia/ADM/Engenharias/Estatística/Computação. Pré-requisitos: lógica básica (sem exigência prévia de Python); desejável estatística descritiva.

Ementa

• Fundamentos de Python: sintaxe, tipos, estruturas, funções, módulos, ambiente.
• NumPy, SciPy: vetorização, álgebra linear, otimização, estatística.
• Pandas e Polars: DataFrames, IO, limpeza, joins, groupby, performance.
• Visualização: Matplotlib (estático), Plotly (interativo).
• Machine Learning com scikit-learn: pipeline, features, validação, métricas, modelos clássicos.
• Banco de dados: SQLite, SQL básico, integração com Python.
• Apps: Streamlit (layout, interatividade, deploy).
• Modelos e datasets: Hugging Face (uso prático).
• IA generativa e agentes: ChatGPT, Google AI (visão geral), uso responsável.
• No-code: n8n para automações e integração com agentes.
• Boas práticas: versionamento (Git/GitHub), reprodutibilidade, documentação.

Programação por semanas (15 semanas)

Sempre que possível, notebooks no Google Colab; materiais no Google Drive (UFJF); coleta via Google Forms; planilhas auxiliares no Google Sheets; BigQuery opcional.

Semanas 1–3 — Fundamentos de Python

• Semana 1 — Python Fundamentos I: Colab + Drive; execução de células; boas práticas de notebook; tipos primitivos, variáveis, operadores, input/output; controle de fluxo; estilo (PEP8).
• Semana 2 — Python Fundamentos II: listas, tuplas, dicionários, conjuntos; compreensões; funções (parâmetros, retorno, docstrings); erros e exceções; módulos nativos úteis (pathlib, datetime, json).
• Semana 3 — Python Fundamentos III: módulos e pacotes; organização do projeto; testes básicos com pytest (noções); logging; tipagem estática com mypy (noções); IO (CSV/JSON) e leitura no Drive via Colab.

Semanas 4–7 — Base de Dados & Visualização

• Semana 4 — NumPy + SciPy: arrays, broadcasting, álgebra linear; comparação loops × vetorização; SciPy (otimização, estatística, integração). Entrega Projeto – Etapa 0: tema, dados candidatos, objetivos e riscos (Form + mini-brief).
• Semana 5 — Pandas “core”: DataFrame, seleção, joins, groupby, datas; qualidade de dados (missing/outliers) e dtypes; leitura de Sheets. Projeto: ingestão e limpeza inicial + dicionário de dados.
• Semana 6 — Polars & performance: paradigma columnar; lazy API; otimizações de consulta; comparativos Pandas × Polars. Projeto: refatorar ETL com foco em performance.
• Semana 7 — Visualização: Matplotlib (essenciais, composição, boas práticas) e Plotly (interatividade, mapas simples). Projeto: EDA com dashboard exploratório.

Semanas 8–9 — Machine Learning com scikit-learn

• Semana 8 — ML I: Pipeline e ColumnTransformer; treino/validação/teste; modelos base (regressão linear/logística, árvores, k-NN); métricas. Projeto — Etapa 1: baseline + métricas.
• Semana 9 — ML II: regularização, SVM, ensembles (RandomForest/GBM); tuning (Grid/Random/Bayes noções), cross-validation, leakage. Projeto: experimento comparativo + relatório.

Semanas 10–12 — Persistência, Apps e IA

• Semana 10 — SQLite e integração: SQL básico (DDL/DML); índices; Python ↔ SQLite; orquestrar ETL → DB → modelo. Projeto: persistência do dataset “golden” em SQLite.
• Semana 11 — Streamlit: estrutura do app, inputs, gráficos, cache; carregar do SQLite; exibir previsões e EDA interativo. Projeto — Etapa 2: MVP do aplicativo.
• Semana 12 — Hugging Face + IA generativa: hub de modelos/datasets; pipelines; panorama ChatGPT e Google AI (uso responsável). Projeto: componente opcional de NLP/GenAI integrado.

Semanas 13–15 — Orquestração, Boas Práticas e Fechamento

• Semana 13 — n8n & agentes: fluxos no-code; webhooks; integrar app/modelo num fluxo automatizado; boas práticas de orquestração. Projeto: automação mínima do ciclo (ex.: ingestão → predição → notificação).
• Semana 14 — Reprodutibilidade & Ética: Git/GitHub (estrutura, README, requisitos); seeds e versões; dados sintéticos; ética, viés e governança. Projeto — Etapa 3: polimento do app + documentação + reprodutibilidade.
• Semana 15 — Apresentações finais: demonstrações dos projetos; feedbacks; limitações; próximos passos. Projeto — Entrega Final: app funcional, relatório (4–8 págs) e repositório completo.

Avaliação

Componentes e pesos

• Exercícios práticos (notebooks curtos): 20%
• Checkpoints do Projeto (Etapas 0–3): 40%
• Projeto Final (app + relatório + repositório): 35%
• Participação (discussões, peer-review): 5%

Cronograma das entregas

• S4 - 21/10/2025: Etapa 0 (tema/escopo/dados)
• S8 - 18/11/2025: Etapa 1 (baseline + métricas)
• S11 - 16/12/2025: Etapa 2 (MVP Streamlit)
• S14 - 20/01/2025: Etapa 3 (polimento + doc + reprodutibilidade)
• S15 - 23/01/2025: Entrega Final (demo + PDF + repo)

Projeto aplicado (backbone do curso): tema livre alinhado à área do(a) estudante, preferencialmente ligado à Economia e/ou Finanças; todas as entregas versionadas no GitHub e organizadas no Drive/Colab; componente opcional de IA generativa/Hugging Face e orquestração no n8n.

Bibliografia & Referências

Documentações oficiais

• (GitHub) Documentação oficial - https://docs.github.com/en
• (Hugging Face) Documentação oficial - https://huggingface.co/docs
• (Matplotlib) Documentação oficial - https://matplotlib.org/stable/index.html
• (n8n) Documentação oficial - https://docs.n8n.io/
• (Numpy) Documentação oficial - https://numpy.org/doc/
• (Pandas) Documentação oficial - https://pandas.pydata.org/docs/
• (Polars) Documentação oficial - https://docs.pola.rs/api/python/stable/reference/index.html
• (Plotly) Documentação oficial - https://plotly.com/python/
• (Python) Documentação oficial - https://www.python.org/doc/
• (Scikit-learn) Documentação oficial - https://scikit-learn.org/stable/index.html
• (SciPy) Documentação oficial - https://docs.scipy.org/doc//scipy/index.html
• (SQLite) Documentação oficial - https://sqlite.org/docs.html
• (Streamlit) Documentação oficial - https://docs.streamlit.io/

Livros

• Géron, Aurélien (2022) — Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (3ª ed.), O'Reilly Media.
• Grus, Joel (2021) — Data Science do Zero: Noções Fundamentais com Python (2ª ed.), O'Reilly Media.
• McKinney, Wes (2022) — Python for Data Analysis: : Data Wrangling with pandas, NumPy, and Jupyter (3rd ed.), O'Reilly Media.
• VanderPlas, Jake (2023). Python Data Science Handbook: Essential Tools for Working with Data (2nd ed.), O'Reilly Media.

© Paulo C. Coimbra (2025). Faculdade de Economia / UFJF — Plano de curso para uso acadêmico.