Você foi contratado(a) para uma consultoria, e seu trabalho envolve analisar os dados de preço do petróleo brent, que pode ser encontrado no site do ipea. Essa base de dados histórica envolve duas colunas: data e preço (em dólares).
Um grande cliente do segmento pediu para que a consultoria desenvolvesse um dashboard interativo e que gere insights relevantes para tomada de decisão. Além disso, solicitaram que fosse desenvolvido um modelo de Machine Learning para fazer o forecasting do preço do petróleo.
Seu objetivo é:
-
Criar um dashboard interativo com ferramentas à sua escolha.
-
Seu dashboard deve fazer parte de um storytelling que traga insights relevantes sobre a variação do preço do petróleo, como situações geopolíticas, crises econômicas, demanda global por energia e etc. Isso pode te ajudar com seu modelo. É obrigatório que você traga pelo menos 4 in-sights neste desafio.
-
Criar um modelo de Machine Learning que faça a previsão do preço do petróleo diariamente (lembre-se de time series). Esse modelo deve estar contemplado em seu storytelling e deve conter o código que você trabalhou, analisando as performances do modelo.
-
Criar um plano para fazer o deploy em produção do modelo, com as ferramentas que são necessárias.
-
Faça um MVP do seu modelo em produção utilizando o Streamlit.
Data | Semana | Atividade |
---|---|---|
13/11 | ||
20/11 | Análise exploratória | |
27/11 | Análise exploratória | |
04/12 | Modelo de Machine Learning | |
11/12 | Modelo de Machine Learning | |
18/12 | MVP Streamlit | |
25/12 | ||
01/01 | ||
08/01 | Criar um dashboard | |
15/01 | Criar relatório | |
22/01 | Ajustes finais | |
26/01 | Entregar o projeto | |
29/01 | Semana 0 | Data Final |
- Download base
- Montar cronograma
- Criar repositório
- Base de dados
- Análise exploratória
- Criar um dashboard
- Modelo de Machine Learning
- Plano de deploy em produção do modelo
- MVP Streamlit
- 4 in-sights sobre o desafio
- Criar relatório
- Ajustes finais
- Entregar o projeto
├── README.md <- apresentação do projeto
│
├── data <- dados usados no projeto
│
├── notebooks <- Jupyter notebooks
│
├── dashboards <- arquivos de dashboard
│
├── relatórios <- arquivos de relatório
│
├── src <- código-fonte do projeto
│
└── requirements.txt <- pacotes utilizados no projeto