Mapa do curso
Curso publicado
Vibe Coding para Construir Ferramentas de Research de Futebol
Arquitetura de sistemas de pesquisa, modelagem probabilistica e extracao de dados com assistencia de IA, mantendo rigor analitico e controle operacional.
Estruturar o uso de assistencia de IA para prototipar, validar e manter pipelines de pesquisa de futebol, garantindo rastreabilidade de codigo, isolamento de execucao, precisao estatistica e disciplina de backtesting.
Por que este curso existe
Da impressão à estrutura
Ferramentas de analise esportiva comerciais operam como caixas-pretas, limitando a transparencia metodologica. A assistencia de IA acelera a escrita de codigo, mas introduz riscos sistemicos: alucinacao de logica, execucao nao supervisionada, vazamento de credenciais e modelagem sem validacao empirica. Este curso existe para converter a velocidade do vibe coding em um processo de pesquisa auditavel.
Público-alvo
Para quem quer estudar com método
Profissionais com base em Python e estatistica descritiva, dispostos a adotar controle de versao, conteineres, validacao de prompts e backtesting sistematico. O curso nao e destinado a iniciantes absolutos em programacao ou a usuarios que buscam sinais ou atalhos operacionais.
O que vais evitar
Menos impressão, mais critério
Dependencia de plataformas fechadas sem acesso a logica de calculo; execucao autonoma de agentes sem validacao humana; modelagem probabilistica sem backtesting rigoroso; vazamento de chaves de API; ilusao de que IA substitui desenho de arquitetura e disciplina de pesquisa.
Pré-requisitos
O mínimo para entrar bem no curso
- Conhecimento basico de Python (estruturas de dados, funcoes, leitura de arquivos)
- Familiaridade com conceitos de probabilidade, distribuicoes e metricas de erro
- Acesso a computador com capacidade para rodar Docker e IDEs modernos
- Conta em repositorio Git publico ou privado
Resumo expandido
Ler a explicação completa do curso
Vibe Coding para Construir Ferramentas de Research de Futebol
Este curso ensina a usar assistencia de IA para prototipar pipelines de pesquisa de futebol sem perder o rigor analitico. O objetivo nao e substituir o pensamento probabilistico por codigo gerado automaticamente. O objetivo e acelerar a construcao de ferramentas auditaveis — extracao de dados, modelos de previsao, backtesting e manutencao — mantendo o controle operacional em cada etapa.
A estrutura e dividida em quatro modulos: fundacao do ambiente e seguranca, engenharia de contexto e agentes, extracao de dados e modelagem de mercado, e backtesting com manutencao de pipeline. Cada lição combina teoria, mecanismo, exemplo pratico e exercicio.
Como usar este curso
- Leia uma licao por vez e aplique o checklist a um projeto real.
- Mantenha um repositorio Git para rastrear cada alteracao.
- Use os labs para testar isoladamente cada componente antes de integrar no pipeline.
- Documente hipoteses, metricas e criterios de invalidacao antes de concluir qualquer ajuste.
O que voce vai construir
No fim do curso, voce tera um pipeline funcional de research de futebol: extracao de dados da Polymarket, modelo de Poisson para placares, sistema Elo para forca relativa, backtesting temporal e skills reutilizaveis. Mais importante: voce tera o habito de prototipar com IA sem abrir mao da auditoria, da seguranca e da disciplina de validacao.
Ordem recomendada
Siga as licoes na ordem. O curso perde forca se voce pular diretamente para modelagem sem ter o ambiente e a seguranca resolvidos. Primeiro vem infraestrutura. Depois vem orquestracao de agentes. So no fim entra a modelagem quantitativa e o backtesting.
Currículo
Módulos e lições
Um mapa simples para veres a ordem do curso sem te perderes no scroll.
Módulo 1
Fundacao do Ambiente e Seguranca
Git, GitHub, IDE, fontes de dados e seguranca operacional como base de qualquer pipeline de research auditavel.
Módulo 2
Engenharia de Contexto e Agentes
Prompts, skills, agentes e frameworks para orquestrar IA sem perder o controle operacional.
Módulo 3
Extracao de Dados e Modelagem de Mercado
Dados da Polymarket, modelo de Poisson e sistema Elo como camada quantitativa de previsao.
Módulo 4
Backtesting e Manutencao de Pipeline
Validar modelos historicamente, medir edge e manter o sistema ao longo do tempo.