<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Matheus Carvalho 👩‍💻 on Medium]]></title>
        <description><![CDATA[Stories by Matheus Carvalho 👩‍💻 on Medium]]></description>
        <link>https://medium.com/@matheuspereira_94841?source=rss-499af43a022f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*5qADcZuRie9eoz7golfevg.jpeg</url>
            <title>Stories by Matheus Carvalho 👩‍💻 on Medium</title>
            <link>https://medium.com/@matheuspereira_94841?source=rss-499af43a022f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 05:50:06 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@matheuspereira_94841/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Criando um Dashboard Interativo com Streamlit em Python]]></title>
            <link>https://medium.com/@matheuspereira_94841/criando-um-dashboard-interativo-com-streamlit-em-python-7374fe4aa8c6?source=rss-499af43a022f------2</link>
            <guid isPermaLink="false">https://medium.com/p/7374fe4aa8c6</guid>
            <category><![CDATA[introdução-ao-streamlit]]></category>
            <category><![CDATA[plotando-gráficos]]></category>
            <category><![CDATA[customização]]></category>
            <category><![CDATA[criação-de-um-dashboard]]></category>
            <category><![CDATA[expansão]]></category>
            <dc:creator><![CDATA[Matheus Carvalho ‍]]></dc:creator>
            <pubDate>Mon, 29 Jan 2024 00:39:19 GMT</pubDate>
            <atom:updated>2024-01-29T00:39:19.829Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mdvspoBLUMXT4i7VsWzQ8Q.png" /><figcaption>official streamlit logo</figcaption></figure><p>Streamlit é uma biblioteca em Python que facilita a criação de aplicativos web interativos para análise de dados e visualização. Neste artigo, vamos explorar como criar um dashboard financeiro simples usando o Streamlit.</p><p>Streamlit é uma ferramenta poderosa para cientistas de dados e desenvolvedores que desejam criar interfaces web interativas de forma rápida e fácil. Ele permite que você transforme seus scripts Python em aplicativos web com apenas algumas linhas de código.</p><h3>Instalação</h3><p>Para começar, você precisa instalar o Streamlit. Abra seu terminal e execute o seguinte comando:</p><pre>pip install streamlit</pre><h3>Estrutura Básica do Código</h3><p>Vamos criar um dashboard financeiro, como exemplo, informações básicas sobre a “PETR4.SA”.</p><p>Crie um arquivo Python, por exemplo, `dashboard.py`, e insira o seguinte código:</p><pre># dashboard.py<br>import streamlit as st<br><br>def main():<br>  st.title(&quot;Dashboard Financeiro&quot;)<br><br>if __name__ == &quot;__main__&quot;:<br> main()</pre><p>Este é um código mínimo para criar um aplicativo Streamlit. Agora, para executar o aplicativo, use o seguinte comando no terminal:</p><pre>streamlit run dashboard.py</pre><p>Uma nova guia no seu navegador será aberta, exibindo o título “Dashboard Financeiro”.</p><h3>Adicionando Elementos ao Dashboard</h3><p>Agora, vamos enriquecer nosso dashboard adicionando alguns elementos interativos.</p><h4><strong>Gráfico de Linhas Simples</strong></h4><p>Vamos adicionar um gráfico de linhas para representar o preço de uma ação longo do tempo. Atualize o código da seguinte forma:</p><pre>import yfinance as yf<br><br>def main():<br> st.title(&quot;Dashboard Financeiro&quot;)<br> symbol = &quot;PETR4.SA&quot;<br> data = yf.download(symbol, start=&quot;2022-01-01&quot;, end=&quot;2022-12-31&quot;)<br> st.line_chart(data)<br><br>if __name__ == &quot;__main__&quot;:<br> main()</pre><p>Agora, quando você executa o aplicativo, pode inserir o símbolo de uma ação na entrada de texto, e um gráfico de linhas será exibido com base nos dados históricos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*Wlve8Y97uO2cDwJJmqK-Ag.png" /></figure><h4>Tabela de Dados</h4><p>Vamos adicionar uma tabela que mostra os dados históricos da ação do início de janeiro a dezembro de 2022:</p><pre>def main():<br> st.title(&quot;Dashboard Financeiro&quot;)<br> symbol = &quot;PETR4.SA&quot;<br> data = yf.download(symbol, start=&quot;2022-01-01&quot;, end=&quot;2022-12-31&quot;)<br> st.line_chart(data)<br><br># Adicionando uma tabela de dados<br> st.header(&#39;Tabela de Preço - PETR4.SA&#39;)<br> st.write(data)<br><br>if __name__ == &quot;__main__&quot;:<br> main()</pre><p>Agora, ao executar o aplicativo, você verá não apenas o gráfico de linhas, mas também uma tabela com os dados históricos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/751/1*qVHQxMoXAi30gYCSWOGHzw.png" /></figure><h3>Conclusão</h3><p>Este é apenas um exemplo simples de como criar um dashboard financeiro usando o Streamlit em Python. A biblioteca oferece uma ampla gama de recursos para personalização, como widgets interativos, gráficos avançados e layouts flexíveis.</p><p>Explore a documentação oficial do <a href="https://streamlit.io/">Streamlit</a> para descobrir mais maneiras de aprimorar seus dashboards e criar aplicativos web interativos de forma rápida e eficiente. Verifique <a href="https://github.com/matheuspc3/app_financeiro/">aqui </a>o meu “app financeiro” e faça vocês mesmo, experimente adicionando mais widgets, gráficos e análises de dados ao seu dashboard para atender às suas necessidades específicas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7374fe4aa8c6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Análise de ações de empresas de energia elétrica com Python e yfinance— Parte 1]]></title>
            <link>https://medium.com/@matheuspereira_94841/an%C3%A1lise-de-a%C3%A7%C3%B5es-de-empresas-de-energia-el%C3%A9trica-com-python-e-yfinance-parte-1-68941451f65c?source=rss-499af43a022f------2</link>
            <guid isPermaLink="false">https://medium.com/p/68941451f65c</guid>
            <dc:creator><![CDATA[Matheus Carvalho ‍]]></dc:creator>
            <pubDate>Sat, 20 Jan 2024 14:26:29 GMT</pubDate>
            <atom:updated>2024-01-20T14:26:29.794Z</atom:updated>
            <content:encoded><![CDATA[<p>Rio de Janeiro, 33º na sombra, dia de sol, nada melhor do que prai…. <strong>analisar ação de empresas de energia brasileiras.</strong> Essa é a parte um dos meus projetos de análise de ações, a qual já estou me divertindo bastante fazendo.</p><p>Começando! Vamos utilizar a biblioteca <strong>yfinance </strong>é uma biblioteca de <strong>Python </strong>que permite aos desenvolvedores acessar dados financeiros de diferentes fontes, incluindo o <strong>Yahoo Finance, o Google Finance e o Quandl</strong>. A biblioteca é fácil de usar e fornece uma variedade de recursos para analisar dados financeiros.</p><p>Nosso objetivo aqui, inicialmente, é criar um<strong><em> dataframe OHLC</em></strong>, os dados OHLC, representando os valores de abertura, máxima, mínima e fechamento em um determinado período esses dados são empregados para identificar padrões de preços e tendências.</p><pre>import yfinance as yf</pre><p>Vamos entender melhor, por dentro das informações da Yahoo Finance as seguintes empresas geradoras de energia.</p><ol><li><em>COPEL - Geração e distribuição de energia elétrica no Paraná</em></li><li><em>Alupar - Geração de energia elétrica a partir de fontes renováveis</em></li><li><em>CEMIG - Geração, transmissão e distribuição de energia elétrica em Minas Gerais</em></li><li><em>AES Brasil Energia - Geração, transmissão e distribuição de energia elétrica em diversos estados do Brasil</em></li><li><em>Equatorial Energia - Geração, transmissão e distribuição de energia elétrica em diversos estados do Brasil</em></li><li><em>Engie Brasil Energia - Geração, transmissão e distribuição de energia elétrica em diversos estados do Brasil</em></li></ol><p>Agora precisamos inserir as informações de cada empresa em uma variável que represente a empresa.</p><pre>copel = yf.download(&#39;CPLE6.SA&#39;, start=&#39;2023-01-01&#39;, end=&#39;2023-12-31&#39;)</pre><p>Pronto! Inserimos as informações sobre o <strong><em>Ticker symbol</em></strong><em> </em>da COPEL, símbolo esse, igual ao site do Yahoo Finance, no período de 01/01/2023 a 31/12/2023 (vale ressaltar que o período no código tem que ser padrão americano ‘YY-mm-dd’).</p><p>Se visualizarmos o dataframe com o <strong><em>.plot()</em></strong>, encontraremos as colunas ‘<strong>Open’, ‘High’, ‘Low’ </strong>e<strong> ‘Close’</strong>, conforme o gráfico abaixo, porém com as tabelas que não serão necessárias, de ‘<strong>Adj Close’ </strong>e<strong> ‘Volume’</strong>, então precisamos excluí-las para termos um OHLC show de bola.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*pM-6xCXq4uGSHU0Uaw8XhA.png" /></figure><p>Para um OHLC ser realmente um OHLC, precisamos retirar essas colunas, uma forma mais ‘suja’, é com o método <strong>.drop()</strong>, porém usaremos aqui uma que aprendi no @<a href="https://www.instagram.com/tradingcomdados/#">tradingcomdados</a> , um jeito bem mais simples…</p><pre>copel_ohlc = copel[[&#39;Open&#39;, &#39;High&#39;, &#39;Low&#39;, &#39;Close&#39;]]</pre><p>Assim, conseguimos criar outro dataframe chamado <strong><em>copel_ohlc</em></strong> apenas com as colunas que queremos, facilitando bastante o trabalho, plotando o gráfico, ficando assim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/546/1*ME5AvmoJaE_sKrr2nTxjcQ.png" /></figure><p>Contudo, acredito que esse jeito seja menos divertido, pois precisaremos criar variáveis, dois dataframes para cada símbolo, etc. Então como eu gosto de facilitar meu trabalho vamos usar <strong>Python </strong>para isso.</p><pre>geracao_eletrica = [&#39;CPLE6.SA &#39;, <br>                    &#39;ALUP11.SA&#39;, <br>                    &#39;CMIG4.SA&#39;, <br>                    &#39;AESB3.SA&#39;,<br>                    &#39;EQTL3.SA&#39;, <br>                    &#39;EGIE3.SA&#39;]</pre><p>Vamos criar uma lista chamada <strong><em>geracao_eletrica</em></strong> contendo os tickers das empresas de geração elétrica que serão analisadas.</p><pre>df = []<br>for eletrica in geracao_eletrica:<br>    aux = yf.download(eletrica,start=&#39;2023-01-01&#39;, end=&#39;2023-12-31&#39;)<br>    aux_ohlc = aux[[&#39;Open&#39;, &#39;High&#39;, &#39;Low&#39;, &#39;Close&#39;]]<br>    df.append(aux_ohlc)</pre><p>Primeiro, criamos um lista vazia chamada <strong>df, </strong>com a ajuda do <strong>for </strong>vamos iterar sobre a lista de tickers, para cada empresa, baixa os dados financeiro de 2023, selecionando apenas as colunas da OHLC e finaliza adicionando em <strong>df </strong>os data frames que queremos.</p><p>Agora criaremos uma variável para cada data frame em <strong>df.</strong></p><pre>copel = df[0]<br>alupar = df[1]<br>cemig = df[2]<br>eas = df[3]<br>equiatorial = df[4]<br>engie = df[5] </pre><p>Conseguindo o mesmo resultado em poucas linhas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=68941451f65c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Overfit: um problema de Aprendizado de Máquina que você já viu antes]]></title>
            <link>https://medium.com/@matheuspereira_94841/overfit-um-problema-de-aprendizado-de-m%C3%A1quina-que-voc%C3%AA-j%C3%A1-viu-antes-9a0f629eadc2?source=rss-499af43a022f------2</link>
            <guid isPermaLink="false">https://medium.com/p/9a0f629eadc2</guid>
            <category><![CDATA[aprendizado-de-maquina]]></category>
            <category><![CDATA[dunning-kruger-effect]]></category>
            <category><![CDATA[overfitting]]></category>
            <category><![CDATA[precisão]]></category>
            <category><![CDATA[previsão]]></category>
            <dc:creator><![CDATA[Matheus Carvalho ‍]]></dc:creator>
            <pubDate>Mon, 08 Jan 2024 00:45:06 GMT</pubDate>
            <atom:updated>2024-01-08T00:45:06.721Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*dFsJs95KlJrcaeFZZiFa5w.jpeg" /><figcaption>Imagem: <a href="https://data-mining.philippe-fournier-viger.com/funny-pictures-about-data-mining-machine-learning/">https://data-mining.philippe-fournier-viger.com/funny-pictures-about-data-mining-machine-learning/</a></figcaption></figure><p>Em Aprendizado de Máquina, o <em>overfit </em>é um problema que ocorre quando um modelo se ajusta demais aos dados de treinamento, prejudicando sua capacidade de generalização para novos dados. Isso pode acontecer por uma série de motivos, como:</p><ul><li><strong>Dados de treinamento insuficiente</strong>s: se o modelo tiver muito poucos dados para treinar, ele pode tentar aprender padrões que não são realmente relevantes para o problema em questão.</li><li><strong>Ruídos nos dados</strong>: se os dados de treinamento estiverem contaminados por ruído, o modelo pode aprender esses ruídos como padrões reais.</li><li><strong>Complexidade excessiva do modelo</strong>: se o modelo for muito complexo, ele pode aprender padrões que são apenas específicos para os dados de treinamento.</li></ul><p>Para evitar o <em>overfit</em>, é importante usar técnicas de regularização, como:</p><ul><li><strong>Reduz a complexidade do modelo</strong>: isso pode ser feito, por exemplo, reduzindo o número de parâmetros do modelo.</li><li><strong>Usa dados de validação</strong>: os dados de validação são usados para avaliar o desempenho do modelo antes de colocá-lo em produção.</li></ul><p>Para entender melhor o <em>overfit</em>, podemos fazer uma analogia com o efeito Dunning-Kruger.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*BWxZ5bxRzTRsFiU4VzYCEQ.jpeg" /><figcaption>imagem: <a href="https://data-mining.philippe-fournier-viger.com/funny-pictures-about-data-mining-machine-learning/">https://data-mining.philippe-fournier-viger.com/funny-pictures-about-data-mining-machine-learning/</a></figcaption></figure><p>O efeito Dunning-Kruger é um fenômeno psicológico que ocorre quando pessoas com baixa competência em uma determinada área acreditam equivocadamente que são mais competentes do que realmente são.</p><p>No caso do <em>overfit</em>, o modelo é como uma pessoa com baixa competência. Ele aprende muito bem os dados de treinamento, mas não é capaz de generalizar para novos dados.</p><p>Por exemplo, imagine que você está treinando um modelo para prever o preço de ações. Se você treinar o modelo apenas com os dados dos últimos meses, ele pode aprender um padrão que não é realmente válido para o mercado de ações como um todo.</p><p>Isso ocorre porque os dados de treinamento podem incluir fatores aleatórios, como eventos inesperados que afetam o preço das ações. Esses fatores aleatórios podem fazer com que o modelo aprenda padrões que não são realmente relevantes para o problema em questão.</p><p>Assim como é importante identificar pessoas com efeito Dunning-Kruger, também é importante identificar modelos com <em>overfit</em>. Para isso, podemos usar técnicas de validação, como:</p><ul><li><strong>Validação cruzada</strong>: essa técnica divide os dados em vários conjuntos, e o modelo é treinado e testado em cada conjunto.</li><li><strong>Teste de holdout</strong>: essa técnica reserva uma parte dos dados para testar o modelo após o treinamento.</li></ul><p>Ao usar técnicas de validação, podemos identificar modelos com overfit e tomar medidas para corrigi-lo. Isso ajudará a garantir que nossos modelos sejam capazes de generalizar para novos dados e fornecer resultados precisos.</p><blockquote>Referência: <a href="https://articles.bnomial.com/overfitting-underfitting-learning-curves">https://articles.bnomial.com/overfitting-underfitting-learning-curves</a></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9a0f629eadc2" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>