Curso de R

Aula 1 • Instalação e Configuração do R e RStudio

Abrange a instalação do R e RStudio, o layout dos painéis e as opções globais. Estabelece o ambiente de trabalho do qual todos os capítulos subsequentes dependem.

Aula 2 • Sintaxe Central e Operadores do R

Apresenta operadores de atribuição, aritméticos, lógicos e de comparação. Fornece a base sintática para todas as tarefas de script futuras.

Aula 3 • Fluxo de Controle e Funções

Ensina if-else, loops for, loops while e criação de funções personalizadas. Capacita os alunos a escrever blocos de código reutilizáveis e orientados por lógica.

Aula 4 • Tipos e Estruturas de Dados do R

Explica vetores, matrizes, listas e data frames com regras de coerção de tipo. Os alunos adquirem o vocabulário estrutural necessário para análise de dados.

Aula 1 • Reformatação de Dados com tidyr

Abrange pivot_longer, pivot_wider, separate e unite para reformatação estrutural. Habilita os princípios de dados organizados (tidy data) essenciais para modelagem e visualização.

Aula 2 • Importando Dados de Múltiplas Fontes

Abrange importação de CSV, Excel, JSON e bancos de dados usando pacotes base do R e tidyverse. Conecta o acesso a dados brutos aos fluxos de limpeza subsequentes.

Aula 3 • Manipulação de Dados com dplyr

Aplica os verbos filter, select, mutate, group_by e summarize para transformar dados. Constrói o conjunto de habilidades central de manipulação do tidyverse.

Aula 4 • Lidando com Dados Ausentes e Inconsistentes

Ensina detecção de NA, estratégias de imputação e remoção de duplicatas. Reduz diretamente problemas de qualidade de dados antes do início da análise.

Aula 1 • EDA com Visualizações do R Base e ggplot2

Usa hist(), boxplot() e chamadas básicas do ggplot2 para visualizar distribuições rapidamente. Ponte entre os achados da EDA e o capítulo completo de visualização adiante.

Aula 2 • Análise de Distribuição Univariada

Examina tendência central, dispersão e forma para variáveis individuais. Estabelece a compreensão basal de cada variável antes do trabalho multivariado.

Aula 3 • Detecção e Tratamento de Outliers

Aplica IQR, escore z e métodos robustos para identificar e lidar com outliers. Impede que valores extremos distorçam modelos estatísticos subsequentes.

Aula 4 • Relações Bivariadas e Multivariadas

Explora correlações, tabulações cruzadas e covariância entre pares de variáveis. Identifica preditores candidatos para capítulos de modelagem posteriores.

Aula 1 • Fundamentos da Gramática dos Gráficos

Explica estéticas, geometrias e camadas como blocos de construção do ggplot2. Fornece o modelo conceitual subjacente a cada gráfico neste capítulo.

Aula 2 • Exportando e Incorporando Visualizações

Salva gráficos em formatos raster e vetoriais e os incorpora em relatórios. Garante que os gráficos sejam reproduzíveis e estejam prontos para publicação ou apresentação.

Aula 3 • Tipos Comuns de Gráficos e Casos de Uso

Abrange gráficos de barras, linhas, dispersão, histogramas e boxplots com contextos de dados apropriados. Equipa os alunos para selecionar o gráfico certo para cada questão analítica.

Aula 4 • Temas, Cores e Anotações

Personaliza a aparência do gráfico com temas, paletas de cores e anotações de texto. Produz gráficos que atendem a padrões profissionais e de acessibilidade.

Aula 1 • Distribuições de Probabilidade no R

Abrange as distribuições normal, binomial, de Poisson e t usando as funções d, p, q, r. Constrói a base probabilística necessária para todos os métodos de inferência.

Aula 2 • Estrutura do Teste de Hipóteses

Estabelece hipóteses nula e alternativa, valores p e erros Tipo I e II. Fornece a lógica de tomada de decisão aplicada em todos os testes subsequentes.

Aula 3 • Amostragem, Estimação e Intervalos de Confiança

Explica distribuições amostrais, erro padrão e construção de intervalos de confiança. Conecta a probabilidade teórica à estimação prática de parâmetros populacionais.

Aula 4 • Testes Paramétricos: Testes t e ANOVA

Aplica testes t para uma amostra, duas amostras e pareados, e ANOVA de um fator no R. Abrange verificação de pressupostos e comparações post-hoc para diferenças entre grupos.

Aula 1 • Comparação e Validação de Modelos

Usa divisão treino-teste, validação cruzada k-fold e métricas RMSE/MAE para validar modelos. Constrói hábitos rigorosos de avaliação para modelagem preditiva.

Aula 2 • Regressão Logística para Desfechos Binários

Ajusta modelos logísticos com glm(), interpreta razões de chances e avalia o desempenho da classificação. Estende as habilidades de regressão para variáveis resposta categóricas.

Aula 3 • Seleção de Variáveis e Regularização

Aplica seleção stepwise, critérios AIC/BIC, regularização ridge e lasso. Reduz o sobreajuste e identifica conjuntos de preditores parcimoniosos.

Aula 4 • Regressão Linear Simples e Múltipla

Ajusta modelos de regressão OLS com um e múltiplos preditores usando lm(). Estabelece o fluxo de trabalho central de modelagem usado neste capítulo.

Aula 1 • Análise de Componentes Principais e Fatorial

Aplica PCA e análise fatorial exploratória para reduzir a dimensionalidade e identificar estrutura latente. Prepara dados de alta dimensão para modelagem e interpretação.

Aula 2 • Técnicas de Análise de Agrupamentos

Implementa agrupamento k-means, hierárquico e baseado em densidade para segmentar observações. Permite a descoberta de padrões não supervisionados em conjuntos de dados não rotulados.

Aula 3 • Extensões da Análise de Variância

Abrange ANOVA de dois fatores, efeitos de interação e ANOVA de medidas repetidas. Amplia as habilidades de comparação de grupos para delineamentos fatoriais e longitudinais.

Aula 4 • Análise de Séries Temporais

Abrange decomposição, teste de estacionariedade, modelagem ARIMA e previsão no R. Aborda estruturas de dados temporais distintas da análise transversal.

Aula 1 • Estrutura de Projeto e Gerenciamento de Pacotes

Organiza projetos R com estruturas de pastas consistentes e renv para travamento de dependências. Garante portabilidade e reprodutibilidade em diferentes ambientes computacionais.

Aula 2 • Controle de Versão com Git e GitHub

Aplica commits Git, branches e pull requests ao gerenciamento de projetos R. Permite o desenvolvimento colaborativo e rastreável de código analítico.

Aula 3 • Compartilhando e Publicando Resultados Analíticos

Implanta relatórios e dashboards via Quarto, Shiny e plataformas de hospedagem pública. Completa o pipeline de dados brutos a entregas acessíveis e compartilháveis.

Aula 4 • Automação de Fluxo de Trabalho com targets

Constrói pipelines cientes de dependência usando o pacote targets para pular etapas atualizadas. Reduz o tempo de recomputação em fluxos de trabalho analíticos grandes e com múltiplas etapas.