01
FUNDAMENTOS
Probabilidade
Como representar matematicamente a incerteza presente nos dados?
- DGP, amostragem e variáveis aleatórias
- Distribuições de probabilidade
- Esperança, variância e covariância
- Condicionamento e independência
PRIMEIRA TURMA • WAITLIST ABERTA
Fundamentos para Inferência Causal
Construa a base de Matemática, Probabilidade e Inferência Estatística necessária para entender Inferência Causal com rigor, sem decoreba.
Aulas ao Vivo • Exercícios • Comunidade • Projetos Mão-na-Massa com Python
O QUE O CURSO OFERECE
Aprenda a base.
A proposta é construir o raciocínio com rigor, muita intuição e muita prática.
✓
Aulas ao vivo, passo a passo
Da Probabilidade à Inferência Causal, conectando cada conceito ao anterior.
✓
Exercícios para consolidar
Relembrando o tempo das cavernas, teremos exercícios lápis-e-papel e isso te tornará um ninja em tempos de IA.
✓
Projetos práticos com Python
Depois de aprender a base com os exercícios lápis-e-papel, vai chegar a hora de usar Python para projetos de Regressão e de Inferência Causal.
✓
Comunidade e feedback
Um espaço para perguntas, discussão e acompanhamento durante o curso.
PRIMEIRA TURMA
Entre na waitlist
Estou preparando a primeira turma do curso. Deixe seus dados para receber as informações de abertura, datas e inscrições.
Você entrou na waitlist!
Obrigado pela confiança! Vou te avisar por email assim que tiver novidades sobre a primeira turma.
O QUE VOCÊ VAI APRENDER
Cinco módulos.
Uma sequência didática de blocos de conhecimento: Probabilidade → Inferência Estatística → Regressão → Inferência Causal → Produção.
02
APRENDER COM DADOS
Inferência Estatística
Como usar uma amostra para aprender sobre aquilo que não observamos?
- População, parâmetros e estimadores
- Sampling distributions e erro padrão
- Lei dos Grandes Números e Teorema Central do Limite
- Intervalos de confiança, testes e p-valores
03
MODELAGEM
Regressão
O que estamos dizendo quando afirmamos que X está associado a Y, em média?
- Expectativa condicional e regressão linear
- OLS e interpretação dos coeficientes
- Incerteza, hipóteses e erros padrão
- Regressão múltipla, interações e especificação
04
CAUSALIDADE
Inferência Causal
Quando podemos sair de associação para uma afirmação causal?
- Potential outcomes, ATE e contrafactuais
- Randomização, RCTs e A/B Testing
- Confounding e identificação causal
- Fundamentos dos principais desenhos causais
05
DO NOTEBOOK À PRODUÇÃO (Módulo Extra!)
Inferência Causal em Produção
Seja um Data Scientist completo: no módulo extra, você vai colocar um modelo causal simples em produção, usando o básico de Data Engineering para sair do Jupyter Notebook e tornar a análise reproduzível e automatizada.
- Estrutura do projeto: scripts, módulos, configuração e Git
- Pipeline reproduzível: ingestão simples, qualidade dos dados e persistência dos resultados
- Automação básica: job agendado, logs e entrega do output
AULA ABERTA
Veja uma nota de aula do curso.
Quer ter uma ideia de como o conteúdo será construído? Disponibilizei gratuitamente uma das notas de aula do curso.
Importante: esta é apenas a nota escrita que acompanhará o curso. As aulas serão ao vivo e online, com explicações, exemplos, exercícios e discussão dos conceitos.
PARA QUEM É
Para quem quer entender, não apenas executar.
Este curso é para quem trabalha — ou quer trabalhar — com dados e sente que começou a usar conceitos que nunca teve a oportunidade de entender profundamente.
- Profissionais de Data Science, Analytics, Machine Learning ou Experimentação
- Alunos de Graduação, Mestrado ou Doutorado que precisam aprender estatística
- Quem já estudou Estatística, mas sente lacunas na base
- Quem quer estudar Inferência Causal com mais profundidade
- Quem prefere entender uma ideia a simplesmente decorar uma fórmula
PRÉ-REQUISITOS
Você não precisa vir de exatas.
Você não precisa ter formação em Matemática, Estatística ou Engenharia. Mas este é um curso quantitativo: vamos usar matemática para entender de onde as ideias vêm — não apenas decorar fórmulas.
01
Álgebra e funções
Frações, potências, equações, funções, gráficos, reta, inclinação e intercepto.
02
Notação matemática
Conforto básico para ler expressões matemáticas. Em particular, vamos usar bastante somatórios (Σ), médias e índices.
03
Cálculo básico
Uma familiaridade intuitiva com derivadas e integrais é suficiente. Quando esses conceitos aparecerem, revisaremos o que for necessário.
04
Disposição para raciocinar
Mais importante que lembrar fórmulas é estar disposto a acompanhar argumentos passo a passo e resolver exercícios.
Python é bem-vindo, mas não obrigatório. Vamos usá-lo quando ajudar a visualizar, simular ou aplicar os conceitos.
QUEM VAI TE GUIAR
Caio Velasco
Sou Engenheiro Mecânico Cum Laude pela UFRJ e Mestre em Economia e Políticas Públicas pela UCLA, onde estudei Econometria e Inferência Causal.
Também cursei parte de um doutorado em Economia na Holanda e trabalhei nos últimos anos com Data Science, Analytics Engineering e Data Engineering em projetos no Brasil, Estados Unidos e Europa.
Antes disso, fundei o MePrepara, plataforma de ensino de Matemática para GRE e GMAT. Este curso junta justamente as três coisas que mais gosto de fazer: entender a base, tornar conceitos difíceis intuitivos e aplicar tudo em problemas reais.
UFRJ Engenharia Mecânica · Cum Laude
UCLA Economia & Políticas Públicas
Dados Experiência no Brasil, EUA e Europa
PRIMEIRA TURMA
Quer construir essa base comigo?
Entre na waitlist para receber as informações sobre abertura da turma, datas e inscrições.