Logo do curso
Curso

Séries temporais com Python:

modelagem e previsão com ARIMA e SARIMAX

Quero estudar na alura

18h

Para conclusão

14

Pessoas nesse curso

Certificado

De participação

Introdução_

O que você aprenderá_

  • Prepare e trate os dados de séries temporais garantindo integridade e manipulação correta de datas.
  • Analise séries temporais para identificar tendência, sazonalidade e componentes residuais por meio de decomposição.
  • Aplique testes estatísticos e análises de autocorrelação para validar hipóteses sobre a série.
  • Implemente e compare modelos AR, MA, ARIMA, SARIMA e SARIMAX, incluindo uso de variáveis exógenas quando pertinente.
  • Interprete métricas e compare resultados para justificar a escolha do melhor modelo preditivo.
  • Organize resultados e versionamento de código, e construa uma interface com Streamlit para visualizar previsões.

Público alvo_

Profissionais, analistas de dados, cientistas de dados e estudantes que desejam aprender a analisar, validar e prever séries temporais usando Python para resolver problemas de negócio como demanda, vendas, preços e consumo.

Ariel Velardo Paternostre da Silva

Ariel Velardo Paternostre da Silva

linkedin

Sou Cientista de Dados Sênior e Tech Lead, com atuação em dados desde 2018. Tenho experiência em Machine Learning, estatística, engenharia de dados, crédito, fraude, marketing analytics, CRM e IA Generativa. Trabalho com Python, SQL, PySpark, Spark, Databricks, Azure, scikit-learn, pandas, numpy e Power BI. Também sou professor universitário e instrutor em Ciência de Dados, Analytics e IA, além de mestrando em Computação Aplicada, com pesquisa em Machine Learning, IA e Computação Quântica.

Curso atualizado em 16/09/2026

Ementa

  1. Introdução às séries temporais

    • Apresentação
    • Preparando o ambiente
    • Padronização visual de relatórios de entrega
    • Validando ambiente e organizando a base de dados
    • Validação de ambiente para análise de dados de vendas
    • Para saber mais: estrutura de pastas em projetos de dados
    • Organização de dados temporais para otimização de rotas
    • Analisando padrões de demanda em classificados de eletrônicos
    • Observando a série temporal antes de modelar
    • Análise exploratória de dados de entrega para melhoria de serviço
    • O que aprendemos
  2. Componentes e estacionariedade

    • Preparando o ambiente
    • Projeto da aula
    • Decompondo tendência, sazonalidade e ruído
    • Analisando padrões de demanda na Clickbonus
    • Identificando sazonalidade na TRATOTECH
    • Para saber mais: uso do método rolling em pandas
    • Suavizando dados de uso na Clickbonus
    • Planejamento estratégico com análise de tendência na Clickbonus
    • Aplicando o teste ADF de estacionariedade
    • Analisando a estacionariedade de vendas na plataforma Zoop
    • O que aprendemos
  3. Diferenciação e memória temporal

    • Preparando o ambiente
    • Projeto da aula
    • Diferenciando série temporal para estacionariedade
    • Analisando a demanda de produtos no Gatito Petshop
    • Entendendo ACF e PACF em séries temporais
    • Para saber mais: papel do lag na análise temporal
    • Analisando padrões de compra no Buscante
    • Previsão de demanda de livros no Buscante
    • Conectando ACF e PACF ao ARIMA
    • Otimizando recomendações na Screen Match
    • Otimizando recomendações de filmes com ARIMA
    • O que aprendemos
  4. ARIMA

    • Preparando o ambiente
    • Projeto da aula
    • Separando treino e teste para ARIMA
    • Estabelecendo um baseline para previsões de adoção de animais
    • Criando baseline e treinando ARIMA
    • Previsão de demanda em spas com ARIMA
    • Avaliando métricas do modelo ARIMA
    • Comparando previsões de demanda de produtos em listas de supermercado
    • Avaliando previsões de vendas na Zoop
    • Para saber mais: validação cruzada em séries temporais
    • Otimização de previsões financeiras no SwiftBank
    • O que aprendemos
  5. SARIMA e SARIMAX

    • Preparando o ambiente
    • Projeto da aula
    • Entendendo sazonalidade e preparando SARIMA
    • Para saber mais: agregação de dados em séries temporais
    • Treinando o modelo SARIMA sazonal
    • Incorporando variáveis exógenas no SARIMAX
    • Incluindo variáveis exógenas no SARIMAX
    • Analisando padrões sazonais em consultas médicas
    • Previsão de demanda por exames médicos sazonais
    • Analisando padrões sazonais em treinos de corrida
    • Analisando a demanda por músicas na Playcatch
    • Previsão de demanda de passagens aéreas na Jornada Milhas
    • O que aprendemos
  6. Entrega do projeto

    • Preparando o ambiente
    • Projeto do curso
    • Preparando dados para aplicação Streamlit
    • Organizando dados para a plataforma Checklist
    • Explorando a estrutura do app.py
    • Para saber mais: divisão de indicadores com streamlit
    • Apresentando resultados na Clickbonus
    • Visualização de dados na Clickbonus
    • Organização de Projetos na Freelando
    • Tratamento de Erros na Freelando
    • O que aprendemos
    • Conclusão

Descubra se esse curso é pra você! Leia as primeiras aulas

Comece essa formação agora mesmo e capacite-se para seu próximo projeto!

Conheça os planos

Faça parte da nossa comunidade no discord!

Troque conhecimentos com a comunidade da Alura

Aprenda Machine Learning & Deep Learning com esse e outros cursos, comece agora!

Conheça os Planos para Empresas