Curso de R

Aula 1 • Instalar e Configurar o R e o RStudio

Aborda a instalação do R e do RStudio, a disposição dos painéis e as opções globais. Estabelece o espaço de trabalho de que todos os capítulos subsequentes dependem.

Aula 2 • Sintaxe e Operadores Principais do R

Apresenta operadores de atribuição, aritméticos, lógicos e de comparação. Fornece a base sintática para todas as tarefas de scripting que se seguem.

Aula 3 • Controlo de Fluxo e Funções

Ensina if-else, ciclos for, ciclos while e criação de funções personalizadas. Permite que os formandos escrevam blocos de código reutilizáveis e orientados pela lógica.

Aula 4 • Tipos e Estruturas de Dados do R

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

Aula 1 • Remodelar Dados com tidyr

Aborda pivot_longer, pivot_wider, separate e unite para remodelação estrutural. Permite aplicar os princípios de dados organizados essenciais para a modelação e visualização.

Aula 2 • Importar Dados de Múltiplas Fontes

Aborda a importação de CSV, Excel, JSON e bases de dados utilizando o R base e pacotes tidyverse. Liga 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. Desenvolve o conjunto de competências principal de manipulação com o tidyverse.

Aula 4 • Lidar com Dados Omisso e Inconsistentes

Ensina a deteção de NA, estratégias de imputação e remoção de duplicados. Reduz diretamente os problemas de qualidade dos dados antes do início da análise.

Aula 1 • EDA com R Base e Pré-visualizações do ggplot2

Utiliza hist(), boxplot() e chamadas básicas do ggplot2 para visualizar distribuições rapidamente. Liga as conclusões da EDA ao capítulo completo de visualização que se segue.

Aula 2 • Análise de Distribuição Univariada

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

Aula 3 • Deteção e Tratamento de Outliers

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

Aula 4 • Relações Bivariadas e Multivariadas

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

Aula 1 • Fundamentos da Gramática dos Gráficos

Explica as estéticas, geometrias e camadas como blocos de construção do ggplot2. Fornece o modelo conceptual subjacente a todos os gráficos deste capítulo.

Aula 2 • Exportar e Incorporar Visualizações

Guarda gráficos em formatos raster e vetoriais e incorpora-os em relatórios. Garante que os gráficos são reproduzíveis e prontos para publicação ou apresentação.

Aula 3 • Tipos de Gráficos Comuns e Casos de Uso

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

Aula 4 • Temas, Cores e Anotações

Personaliza a aparência dos gráficos com temas, paletas de cores e anotações de texto. Produz gráficos que cumprem os padrões profissionais e de acessibilidade.

Aula 1 • Distribuições de Probabilidade no R

Aborda as distribuições normal, binomial, de Poisson e t utilizando 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 as hipóteses nula e alternativa, os valores p e os erros do tipo I e do tipo II. Fornece a lógica de tomada de decisão aplicada em cada teste subsequente.

Aula 3 • Amostragem, Estimação e Intervalos de Confiança

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

Aula 4 • Testes Paramétricos: Testes t e ANOVA

Aplica os testes t para uma amostra, duas amostras e emparelhado e a ANOVA unifatorial no R. Aborda a verificação de pressupostos e comparações post-hoc para diferenças entre grupos.

Aula 1 • Comparação e Validação de Modelos

Utiliza divisões treino-teste, validação cruzada k-fold e métricas RMSE/MAE para validar modelos. Constrói hábitos de avaliação rigorosos para a modelação preditiva.

Aula 2 • Regressão Logística para Resultados Binários

Ajusta modelos logísticos com glm(), interpreta odds ratios e avalia o desempenho da classificação. Alarga as competências de regressão a variáveis de resposta categóricas.

Aula 3 • Seleção de Variáveis e Regularização

Aplica seleção stepwise, critérios AIC/BIC e 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 utilizando lm(). Estabelece o fluxo de trabalho principal de modelação utilizado ao longo deste capítulo.

Aula 1 • Análise de Componentes Principais e Fatorial

Aplica PCA e análise fatorial exploratória para reduzir a dimensionalidade e identificar estruturas latentes. Prepara dados de alta dimensão para modelação e interpretação.

Aula 2 • Técnicas de Análise de Clusters

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

Aula 3 • Extensões da Análise de Variância

Aborda a ANOVA bifatorial, efeitos de interação e ANOVA de medidas repetidas. Alarga as competências de comparação de grupos a designs fatoriais e longitudinais.

Aula 4 • Análise de Séries Temporais

Aborda a decomposição, o teste de estacionaridade, a modelação ARIMA e a previsão no R. Trata de estruturas de dados temporais distintas da análise transversal.

Aula 1 • Estrutura do Projeto e Gestão de Pacotes

Organiza projetos R com estruturas de pastas consistentes e renv para bloqueio de dependências. Garante a portabilidade e a reprodutibilidade em diferentes ambientes de computação.

Aula 2 • Controlo de Versão com Git e GitHub

Aplica commits, ramos e pull requests do Git à gestão de projetos R. Permite o desenvolvimento colaborativo e rastreável de código analítico.

Aula 3 • Partilhar e Publicar Resultados Analíticos

Disponibiliza relatórios e dashboards através do Quarto, Shiny e plataformas de alojamento público. Completa o pipeline, desde os dados brutos até aos resultados acessíveis e partilháveis.

Aula 4 • Automatização de Fluxos de Trabalho com targets

Constrói pipelines com reconhecimento de dependências utilizando o pacote targets para saltar etapas atualizadas. Reduz o tempo de recomputação em fluxos de trabalho analíticos grandes e com múltiplas etapas.