Updates

.gitignore

@@ -4,7 +4,10 @@ __pycache__/
 *$py.class
 
 
+book/**/*.html
 **/lightning_logs/**
+**/*files/
+book/site_libs
 
 # C extensions
 *.so

README.md

@@ -1,27 +1,27 @@
-# littlebooktimeseries
+# Python Brasil 2025 Workshop
 
-Timeseries in 3 hours
+Repositório com notebooks para Python Brasil 2025
 
-## Environment setup
+## Setup
 
-Choose one of the options below to get the workshop notebooks ready.
+Escolha seu método preferido para configurar o ambiente de desenvolvimento:
 
 ### Poetry
-- Install Poetry: `curl -sSL https://install.python-poetry.org | python3 -`
-- Install dependencies: `poetry install`
-- Start the shell: `poetry shell`
-- Launch Jupyter: `jupyter lab`
+- Instale o Poetry: `curl -sSL https://install.python-poetry.org | python3 -`
+- Instale as dependências: `poetry install`
+- Inicie o shell: `poetry shell`
+- Inicie o Jupyter: `jupyter lab`
 
 ### pip
-- Create a virtual environment: `python3 -m venv .venv`
-- Activate it: `source .venv/bin/activate`
-- Install dependencies: `pip install -r requirements.txt`
-- Launch Jupyter: `jupyter lab`
+- Crie um ambiente virtual: `python3 -m venv .venv`
+- Ative-o: `source .venv/bin/activate`
+- Instale as dependências: `pip install -r requirements.txt`
+- Inicie o Jupyter: `jupyter lab`
 
 ### uv
-- Install uv: `pip install uv`
-- Sync dependencies: `uv sync`
-- Activate the environment: `source .venv/bin/activate`
-- Launch Jupyter: `jupyter lab`
+- Instale o uv: `pip install uv`
+- Sincronize as dependências: `uv sync`
+- Ative o ambiente: `source .venv/bin/activate`
+- Inicie o Jupyter: `jupyter lab`
 
-> All options require Python 3.11 or 3.12. The notebooks live under `notebooks/`; open them in Jupyter Lab during the session.
+> Todas as opções requerem Python 3.11 ou 3.12. Os notebooks estão na pasta `notebooks/`; abra-os no Jupyter Lab durante a sessão.

book/_quarto.yml

@@ -15,18 +15,18 @@ book:
   - index.qmd
   - part: "Part I: Básico"
     chapters:
-      - content/pt/part1/index.qmd
-      - content/pt/part1/naive.qmd
-      - content/pt/part1/components_and_diff.qmd
-      - content/pt/part1/ets_and_ar.qmd
-      - content/pt/part1/metricas.qmd
+      - content/pt/part1/00_intro.qmd
+      - content/pt/part1/01_naive.qmd
+      - content/pt/part1/02_components_and_diff.qmd
+      - content/pt/part1/03_ets_and_ar.qmd
+      - content/pt/part1/04_metricas.qmd
   - part: "Part II: Intermediário"
     chapters:
-      - content/pt/part2/exog_variables.qmd
-      - content/pt/part2/ml_models.qmd
-      - content/pt/part2/panel_data.qmd
-      - content/pt/part2/hierarchical_forecasting.qmd
-      - content/pt/part2/deep_learning.qmd
+      - content/pt/part2/01_exog_variables.qmd
+      - content/pt/part2/02_ml_models.qmd
+      - content/pt/part2/03_panel_data.qmd
+      - content/pt/part2/04_hierarchical_forecasting.qmd
+      - content/pt/part2/05_deep_learning.qmd
   - part: "Part III: Apêndices"
     chapters:
       - content/pt/extra/sktime_custom.qmd

book/content/pt/part1/index.qmd → book/content/pt/part1/00_intro.qmd

@@ -31,22 +31,3 @@ Considerando que cada observação é indexada por uma variável temporal, podem
 * Clima: temperatura diária, precipitação mensal
 
 Esse livro é uma introdução prática a modelos de séries temporais, com objetivo de dar contexto das ferramentas mais relevantes em 3h de leitura.
-
-O conteúdo está organizado nas seguintes seções:
-
-1. **Introdução a séries temporais**: 
-   1. Modelo Naive, Modelo Naive sazonal
-   2. Séries integradas, diferenciação e estacionariedade
-   3. Modelo de Suavização Exponencial (Exponential Smoothing)
-   4. Modelos autoregressivos (AR)
-   5. Métricas de avaliação de modelos de séries temporais
-   6. Engenharia de features para séries temporais
-2. **Modelos avançados e caso de uso**
-   1. Forecast com modelos de Machine Learning
-   2. Forecast com modelos fundacionais
-   3. Previsão de vendas totais agregadas
-   4. Previsão de vendas por região e modelos globais
-   5. Previsão hierárquica e reconciliação
-3. **Customização de modelos com sktime**
-   1. Como customizar e criar modelos em sktime
-   2. Criando um wrapper de biblioteca externa

notebooks/part1/index.ipynb → notebooks/part1/00_intro.ipynb

@@ -36,26 +36,7 @@
         "* Saúde: número diário de novos casos de uma doença\n",
         "* Clima: temperatura diária, precipitação mensal\n",
         "\n",
-        "Esse livro é uma introdução prática a modelos de séries temporais, com objetivo de dar contexto das ferramentas mais relevantes em 3h de leitura.\n",
-        "\n",
-        "O conteúdo está organizado nas seguintes seções:\n",
-        "\n",
-        "1. **Introdução a séries temporais**: \n",
-        "   1. Modelo Naive, Modelo Naive sazonal\n",
-        "   2. Séries integradas, diferenciação e estacionariedade\n",
-        "   3. Modelo de Suavização Exponencial (Exponential Smoothing)\n",
-        "   4. Modelos autoregressivos (AR)\n",
-        "   5. Métricas de avaliação de modelos de séries temporais\n",
-        "   6. Engenharia de features para séries temporais\n",
-        "2. **Modelos avançados e caso de uso**\n",
-        "   1. Forecast com modelos de Machine Learning\n",
-        "   2. Forecast com modelos fundacionais\n",
-        "   3. Previsão de vendas totais agregadas\n",
-        "   4. Previsão de vendas por região e modelos globais\n",
-        "   5. Previsão hierárquica e reconciliação\n",
-        "3. **Customização de modelos com sktime**\n",
-        "   1. Como customizar e criar modelos em sktime\n",
-        "   2. Criando um wrapper de biblioteca externa"
+        "Esse livro é uma introdução prática a modelos de séries temporais, com objetivo de dar contexto das ferramentas mais relevantes em 3h de leitura."
       ]
     }
   ],

notebooks/part2/exog_variables.ipynb → notebooks/part2/01_exog_variables.ipynb

@@ -274,13 +274,16 @@
         "\n",
         "Para isso, podemos usar o transformador Lag do sktime.\n",
         "Ao utilizar defasagens (lags), surgem dois desafios principais:\n",
-        "\t1.\tO aparecimento de valores NaN, que muitos modelos de previsão não conseguem tratar.\n",
-        "\t2.\tO número de variáveis exógenas pode aumentar significativamente, o que pode levar a overfitting ou, no caso do nosso conjunto de dados, a um número de features maior que o número de amostras — o que pode gerar erros no processo de ajuste (fitting).\n",
+        "\n",
+        "1.\tO aparecimento de valores NaN, que muitos modelos de previsão não conseguem tratar.\n",
+        "\n",
+        "2.\tO número de variáveis exógenas pode aumentar significativamente, o que pode levar a overfitting ou, no caso do nosso conjunto de dados, a um número de features maior que o número de amostras — o que pode gerar erros no processo de ajuste (fitting).\n",
         "\n",
         "Para lidar com isso, no exemplo abaixo utilizamos um TransformerPipeline que realiza as seguintes etapas:\n",
-        "\t•\tSeleção de variáveis: executa uma seleção das variáveis exógenas, mantendo apenas as mais relevantes.\n",
-        "\t•\tDefasagem: aplica o transformador Lag para criar versões defasadas das variáveis exógenas.\n",
-        "\t•\tImputação: usa o transformador Imputer para preencher os valores NaN criados pelo processo de defasagem. Neste caso, é usado o método backfill (preenchimento a partir de valores posteriores)."
+        "\n",
+        "* Seleção de variáveis: executa uma seleção das variáveis exógenas, mantendo apenas as mais relevantes.\n",
+        "* Defasagem: aplica o transformador Lag para criar versões defasadas das variáveis exógenas.\n",
+        "* Imputação: usa o transformador Imputer para preencher os valores NaN criados pelo processo de defasagem. Neste caso, é usado o método backfill (preenchimento a partir de valores posteriores)."
       ]
     },
     {

notebooks/part2/ml_models.ipynb → notebooks/part2/02_ml_models.ipynb

@@ -153,10 +153,10 @@
       "metadata": {},
       "source": [
         "from tsbook.forecasting.reduction import ReductionForecaster\n",
-        "from sklearn.ensemble import RandomForestRegressor\n",
+        "from lightgbm import LGBMRegressor\n",
         "\n",
         "model = ReductionForecaster(\n",
-        "    RandomForestRegressor(n_estimators=100, random_state=42),\n",
+        "    LGBMRegressor(n_estimators=100, random_state=42),\n",
         "    window_length=30,\n",
         ")\n",
         "\n",
@@ -194,7 +194,7 @@
       "source": [
         "from sktime.transformations.series.difference import Differencer\n",
         "\n",
-        "regressor = RandomForestRegressor(n_estimators=100, random_state=42)\n",
+        "regressor = LGBMRegressor(n_estimators=100, random_state=42)\n",
         "\n",
         "model = Differencer() * ReductionForecaster(\n",
         "    regressor,\n",

notebooks/part2/panel_data.ipynb → notebooks/part2/03_panel_data.ipynb

@@ -311,7 +311,7 @@
         "from lightgbm import LGBMRegressor\n",
         "\n",
         "global_forecaster1 = ReductionForecaster(\n",
-        "    LGBMRegressor(n_estimators=100, verbose=-1),\n",
+        "    LGBMRegressor(n_estimators=100, verbose=-1, random_state=42),\n",
         "    window_length=30,\n",
         ")\n",
         "\n",
@@ -398,7 +398,6 @@
       "source": [
         "from sktime.transformations.series.difference import Differencer\n",
         "\n",
-        "\n",
         "global_forecaster2 = Differencer() * global_forecaster1\n",
         "global_forecaster2.fit(y_train, X_train)"
       ],
@@ -458,7 +457,7 @@
       "cell_type": "markdown",
       "metadata": {},
       "source": [
-        "Note como já superamos o modelo global incial, e o modelo local. Isso é para\n",
+        "Note como já superamos o modelo global incial. Isso é para\n",
         "destacar que é **essencial** realizar um bom preprocessamento e engenharia de features para que modelos de Machine Learning tenham bom desempenho em dados em painel.\n",
         "\n",
         "### Normalização por janela\n",

notebooks/part2/hierarchical_forecasting.ipynb → notebooks/part2/04_hierarchical_forecasting.ipynb

@@ -187,7 +187,7 @@
         "from lightgbm import LGBMRegressor\n",
         "\n",
         "forecaster = ReductionForecaster(\n",
-        "    LGBMRegressor(n_estimators=50, verbose=-1, objective=\"tweedie\"),\n",
+        "    LGBMRegressor(n_estimators=100, verbose=-1, objective=\"tweedie\", random_state=42),\n",
         "    window_length=30,\n",
         "    normalization_strategy=\"divide_mean\",\n",
         ")\n",
@@ -450,7 +450,7 @@
         "        \"OptimalReconciler (ols)\": metric(y_test, y_pred_optimal, y_train=y_train),\n",
         "        \"Mint Reconciler\": metric(y_test, y_pred_mint, y_train=y_train),\n",
         "    },\n",
-        "    index=[\"Mean Absolute Scaled Error\"],\n",
+        "    index=[\"Mean Absolute Squared Error\"],\n",
         ")"
       ],
       "execution_count": null,