Curso de Introdução a Programação com R para Ciência de Dados

Curso construído para Comunidade de Estatística Thiago Marques.

Conheça o Curso - Grade

Módulo 1: Fundamentos de R e Ambiente de Desenvolvimento

Neste módulo você aprenderá do zero a dominar o ambiente R e RStudio, compreendendo desde o contexto histórico e instalação até a criação de scripts, manipulação de estruturas de dados e instalação de pacotes.

Tema	Tópicos Principais	Objetivo de Aprendizagem
1. Introdução ao R	Histórico da linguagem S e surgimento do R • Desenvolvimento pela comunidade (R Core Team) • Filosofia de programação interativa • Licença GNU e software livre	Compreender a origem, a filosofia e o contexto histórico do R.
2. Aplicações da linguagem R	Estatística, Ciência de Dados, Bioinformática, Finanças, Ciências Sociais, Geociências e Agricultura • Visualização (ggplot2, plotly, shiny) • Relatórios (Quarto/RMarkdown)	Identificar as áreas de aplicação e o potencial de uso do R em diferentes contextos.
3. Vantagens e ecossistema do R	Código aberto e comunidade ativa • Extensibilidade via pacotes (CRAN, GitHub) • Integração com Python, C++, DBI e APIs • Reprodutibilidade e portabilidade	Reconhecer os diferenciais técnicos e colaborativos da linguagem.
4. Instalação e configuração	Instalação do R no Windows/Linux/macOS via CRAN • Instalação do RStudio (Posit) – IDE principal • Conceito de CRAN e repositórios	Instalar e configurar corretamente o R e o RStudio no ambiente local.
5. Interface do RStudio	Painéis: Editor, Console, Environment e Output • Personalização de layout • Navegação entre scripts e objetos	Navegar de forma produtiva na interface do RStudio.
6. Criando scripts no R	Diferença entre arquivos .R e .qmd • Criação e salvamento de scripts • Boas práticas de nomenclatura • Comentários com #	Criar, salvar e documentar scripts de forma organizada e reprodutível.
7. Execução de comandos básicos	Operações aritméticas (+ − * / ^ %% %/%) • Funções sqrt, abs, log, exp • Uso do console interativo	Dominar a execução de expressões e funções simples no R.
8. Objetos e variáveis	Atribuição com <- • Regras de nomeação • Boas práticas e exemplos • Evitar sobrescrita de funções	Criar e manipular variáveis seguindo convenções de clareza e segurança.
9. Tipos de dados (classes atômicas)	character • numeric • integer • complex • logical	Identificar e aplicar corretamente os tipos de dados básicos do R.
10. Operadores no R	Aritméticos • Relacionais • Lógicos (&,	, !, &&,
11. Estruturas de dados	Vetores • Matrizes • Listas • Data Frames – definição e criação	Compreender e manipular as estruturas de dados fundamentais.
12. Vetores em R	Criação (c) • Tipos (numéricos, caracteres, lógicos) • Coerção • Indexação • Sequências (seq, sample) • Funções (length, sort, rev, order, cumsum, is.na, paste)	Construir e explorar vetores, dominando indexação e funções associadas.
13. Matrizes	Criação (matrix, byrow) • Conversão (dim) • rbind/cbind • Indexação [linha, coluna]	Criar e manipular matrizes bidimensionais para cálculos estruturados.
14. Listas	Criação (list) • Acesso [[ ]] / $ • Sublistas [ ] • Combinação de tipos	Entender a flexibilidade das listas e como armazenar múltiplos tipos de dados.
15. Data Frames	Criação (data.frame) • Inspeção (str, summary, head, dim, names) • Indexação • Adição e remoção de linhas/colunas • Filtros condicionais	Manipular tabelas de dados estruturadas com diferentes tipos de variáveis.
16. Pacotes e gerenciamento	Conceito de pacote • Repositórios (CRAN, GitHub, .zip) • Instalação (install.packages, devtools) • Carregamento (library) • Pacman (p_load) • Listagem (search) • Citação (citation) • Ajuda (help)	Instalar, carregar e gerenciar pacotes com eficiência e reprodutibilidade.

Check list do aprendizado

• Instalar e configurar R e RStudio corretamente.
• Criar, salvar e executar scripts reprodutíveis.
• Manipular variáveis, vetores, matrizes, listas e data frames.
• Executar cálculos e operações lógicas básicas.
• Gerenciar pacotes e dependências.
• Entender a base da filosofia de reprodutibilidade no R.

Módulo 2: Controle de Fluxo e Estruturas de Dados

Neste módulo, você aprenderá a controlar o fluxo lógico e estruturar análises automatizadas em R. A transição é clara: sai da manipulação básica do Módulo 1 e entra na programação funcional e reprodutível. O foco é transformar código estático em código inteligente, reutilizável e orientado a decisão, base para automação, pipelines e dashboards.

Tema	Tópicos Principais	Objetivo de Aprendizagem
1. Estruturas condicionais	if, else, else if, ifelse() • Sintaxe, aninhamento e vetorização • Boas práticas de legibilidade • Exercícios resolvidos	Desenvolver scripts que tomam decisões automáticas com base em condições lógicas.
2. Vetorização com ifelse()	Aplicação em vetores e colunas de data frames • Substituição de valores ausentes (NA) • Condições múltiplas (ifelse aninhado)	Aprender a aplicar lógicas condicionais sobre conjuntos de dados inteiros, sem loops.
3. Laços de repetição	Estruturas for, while, repeat • Condições de parada • Uso de break e next • Exercícios de automação	Automatizar repetições de comandos e compreender os três tipos principais de loops.
4. Funções básicas	Revisão das funções integradas (mean, sum, sd, unique, table)	Dominar as funções essenciais da base R para análise e resumo de dados.
5. Criação de funções	Sintaxe (function()) • Argumentos, return() e modularização • Funções personalizadas e reutilizáveis	Escrever funções próprias para estruturar e automatizar tarefas de análise.
6. Snippets no RStudio	O que são snippets • Como criar e editar snippets personalizados (usethis::edit_rstudio_snippets()) • Automatização de blocos de código	Acelerar a codificação e padronizar funções próprias dentro do RStudio.
7. Família Apply	apply, lapply, sapply, tapply, mapply • Diferenças, entradas e saídas • Aplicações em vetores, listas e data frames	Substituir loops por operações vetorizadas mais rápidas e elegantes.
8. apply()	Aplicação em linhas e colunas de matrizes/data frames • Cálculos agregados (soma, média, desvio)	Praticar o uso de apply() para resumir dados de forma estruturada.
9. lapply() e sapply()	Operações sobre listas • Retorno em lista vs vetor simplificado	Automatizar cálculos sobre listas e data frames com retorno flexível.
10. tapply()	Aplicação de funções por grupo (tratamentos, categorias)	Calcular médias, variâncias e resumos condicionados a fatores.
11. mapply()	Iterações paralelas sobre múltiplos vetores • Funções multivariadas	Aplicar funções simultaneamente sobre múltiplos argumentos vetoriais.
12. Exercícios práticos – Apply Family	Criação de matriz 3×4, listas, data frames e matrizes 3×3 • Uso das funções apply, sapply, tapply, mapply	Consolidar a compreensão da família apply por meio de desafios progressivos.
13. Mini-projeto 1 – Pipeline com mtcars	Engenharia de variáveis (for, ifelse, mapply) • Funções personalizadas e estatísticas descritivas • Aplicação de tapply e padronização (z-score) • Análise por grupos (cilindros, peso)	Integrar controle de fluxo, funções e família apply em uma análise realista de dados.
14. Interpretação e storytelling analítico	Responder perguntas de negócio com R • Relacionar peso, potência e eficiência • Uso de código reprodutível e modular	Traduzir resultados analíticos em insights de negócio claros e interpretáveis.

Check list do aprendizado

• Dominar estruturas condicionais e loops.

• Criar funções e modularizar código.

• Automatizar rotinas com apply, lapply, sapply, tapply, mapply.

• Usar snippets para padronização de código.

• Integrar múltiplas técnicas em um mini-projeto prático (mtcars).

• Pensar como analista: transformar perguntas de negócio em lógica computacional.

Módulo 3: Estruturando Projetos, Scripts e Fluxos de Trabalho em R

Este módulo consolida as práticas de organização, automação e versionamento, o tripé de qualquer projeto profissional em R. Você aprenderá a criar pipelines completos, reprodutíveis e colaborativos, utilizando as melhores práticas de engenharia de software aplicadas à ciência de dados.

Tema	Tópicos Principais	Objetivo de Aprendizagem
1. Introdução à organização profissional em R	Conceito de projeto no RStudio • Diferença entre amadorismo e reprodutibilidade • Importância da estrutura de diretórios	Entender o impacto da organização na produtividade e reprodutibilidade das análises.
2. Por que evitar setwd() e caminhos absolutos	Problemas de portabilidade, manutenção e escalabilidade • Caminhos relativos e boas práticas	Compreender por que setwd() é uma armadilha e adotar caminhos relativos corretamente.
3. Criando projetos no RStudio	Criação manual e automática (File > New Project) • Estrutura .Rproj • Opção “Create a Git repository”	Criar e gerenciar projetos no RStudio de forma profissional e reprodutível.
4. Estrutura mínima recomendada de pastas	dados/, scripts/, output/, figuras/, docs/, funcoes/, README.md	Planejar e aplicar uma arquitetura de diretórios organizada e padronizada.
5. Automação da estrutura de projetos com R	Pacote {fs} e função dir_create() • Criação automática de pastas e arquivos	Automatizar a criação da estrutura mínima de projetos via script em R.
6. Arquivo README.md e boas práticas de documentação	Estrutura do README • Objetivo, dados, execução e dependências	Criar documentação clara e profissional para qualquer projeto.
7. Verificação e inspeção da estrutura criada	Funções here::here() e fs::dir_tree()	Validar caminhos relativos e visualizar a hierarquia de diretórios.
8. Criação e padronização de scripts	Arquivos numerados (01-importacao.R, 02-tratamento.R, 03-analise.R) • Cabeçalho automatizado	Garantir modularização, clareza e sequência lógica no pipeline de scripts.
9. Simulação e exportação de dados e gráficos	Geração de data.frame e exportação .csv com write.csv() • Salvando gráficos com png() e dev.off()	Simular dados, salvar resultados e garantir armazenamento automatizado em pastas corretas.
10. Importação de dados com {readr} e {readxl}	Funções read_csv(), read_csv2(), read_delim(), read_xlsx() • Argumentos (col_names, col_types, locale, skip, na)	Ler e tratar corretamente dados de diferentes formatos e fontes (local e online).
11. Introdução ao versionamento com Git e GitHub	Conceitos de repositório, commit, push, pull, staging e branch	Compreender os fundamentos do controle de versão e sua importância na ciência de dados.
12. Instalação e configuração do Git e GitHub	Instalação do Git • Criação de conta GitHub • Configuração com {usethis} (use_git_config(), create_github_token())	Integrar o RStudio com Git e GitHub para rastrear e versionar projetos.
13. Métodos de integração com GitHub	Criar repositório online • Clonar projeto existente • Criar repositório direto do RStudio	Sincronizar projetos locais com repositórios remotos de forma segura e automatizada.
14. Interface Git no RStudio	Aba Git: status de arquivos (A, M, D, R, ?) • Stage, Commit, Push e Pull	Executar operações de versionamento direto no RStudio, sem precisar do terminal.
15. Conceitos avançados de versionamento	Branches, merge, histórico de commits • Colaboração e rastreabilidade	Trabalhar de forma colaborativa e segura com múltiplas versões de um mesmo projeto.
16. Projeto prático - Pipeline Automatizado em R	Criação de projeto completo e automatizado • Estrutura de pastas com {fs} e {here} • Dados simulados, gráficos, README e integração com GitHub	Construir um pipeline completo e reprodutível, do zero até o versionamento remoto.
17- Aula extra - GitHub desktop	Como realizar o login, fazer o download e usar o GitHub para Desktop	Aprender a utilizar essa ferramenta de diferentes maneiras para vercionamento de código.

Check list do aprendizado

• Estruturar projetos profissionais com pastas, scripts e documentação padronizados.

• Usar {fs} e {here} para automação e caminhos relativos.

• Importar dados corretamente com {readr} e {readxl}.

• Versionar e colaborar usando Git e GitHub diretamente no RStudio.

• Compreender a importância da reprodutibilidade e da rastreabilidade em projetos de dados.

• Criar pipelines reutilizáveis, documentados e prontos para publicação.

Módulo 4: Manipulação Avançada de Arquivos e Automação

Este módulo transforma você em usuário avançado do R, capaz de criar análises completas e automatizadas. Com tidyverse, você será capaz de dominar manipulação e visualização; com {targets}, aprende automação e reprodutibilidade, o coração da engenharia de dados em R.

Tema	Tópicos Principais	Objetivo de Aprendizagem
1. Introdução e objetivos do módulo	Revisão dos módulos anteriores • Integração dos pilares: manipulação, visualização e automação • Escalabilidade de análises	Compreender como unir manipulação de dados, visualização e automação num fluxo contínuo.
2. Pacotes do Tidyverse	Conceito e filosofia • Pacotes principais (dplyr, tidyr, readr, stringr, lubridate, ggplot2, purrr)	Entender a estrutura unificada do tidyverse e sua importância em ciência de dados.
3. Operador Pipe %>%	Conceito e funcionamento • Encadeamento de funções • Legibilidade e fluidez do código	Usar o operador pipe para criar fluxos de código claros e expressivos.
4. Manipulação de dados com dplyr	Verbos principais: filter, select, arrange, mutate, summarise, group_by	Dominar as operações centrais do dplyr para transformar dados de forma reprodutível.
5. Casos práticos – base Coffee Quality Institute	Importação via URL • Renomeação de variáveis • Inspeção (glimpse)	Aplicar o aprendizado em um dataset real e compreender sua estrutura.
6. Funções complementares de manipulação	count, case_when, transmute, funções auxiliares em select	Executar transformações condicionais e sumarizações avançadas.
7. Estatística descritiva com {metan}	desc_stat() • Visualização de estatísticas com datatable	Calcular e apresentar estatísticas descritivas completas de forma automatizada.
8. União e relacionamento de bases (joins)	left_join, right_join, inner_join, full_join, anti_join • Chaves primárias	Combinar e integrar múltiplas fontes de dados mantendo consistência e rastreabilidade.
9. Visualização com ggplot2	Gramática dos gráficos • Estrutura ggplot() + aes() + geom_ + theme()	Compor visualizações estatísticas elegantes e reprodutíveis com ggplot2.
10. Elementos da gramática gráfica	Aesthetics (x, y, color, fill, alpha, shape, size)	Mapear variáveis para atributos visuais e criar representações expressivas.
11. Geometrias e exemplos práticos	geom_point, geom_col, geom_boxplot, geom_histogram, geom_density, geom_smooth	Criar diferentes tipos de gráficos e interpretar padrões visuais.
12. Personalização e temas	labs, theme_classic, theme_bw, paletas {viridis}, scale_*	Ajustar legendas, escalas, cores e estilos com consistência visual.
13. Combinação e exportação de gráficos	patchwork para unir gráficos • cowplot para inserir logotipos	Gerar painéis e dashboards gráficos dentro de scripts automatizados.
14. Gráficos interativos e mapas	{plotly}, {rnaturalearth} • Mapas de calor e choropleths	Criar visualizações dinâmicas e geográficas integradas a pipelines.
15. Gráficos avançados	facet_wrap, facet_grid, stat_summary, radarchart	Aplicar visualizações comparativas e sumarizações visuais complexas.
16. Pipeline de automação com {targets}	Conceito de alvos (tar_target) • Grafo de dependências (DAG) • Execução com tar_make()	Automatizar pipelines completos e reprodutíveis de leitura, análise e exportação.
17. Estrutura _targets.R e scripts auxiliares	Definição dos alvos, dependências e exportações • Visualização do pipeline com tar_visnetwork()	Estruturar projetos reprodutíveis integrando código, dados e relatórios.
18. Integração de relatórios Quarto/RMarkdown ao pipeline	quarto::quarto_render() • Exportação automática de resultados	Automatizar geração de relatórios e documentos a partir do pipeline.

Check list do aprendizado

• Manipular e transformar dados em escala com {dplyr}.

• Produzir gráficos estáticos, dinâmicos e geográficos com {ggplot2}, {plotly} e {rnaturalearth}.

• Calcular estatísticas descritivas automatizadas.

• Unir múltiplas bases com operações relacionais.

• Automatizar todo o fluxo analítico com {targets}.

• Integrar relatórios e visualizações em pipelines reprodutíveis.

• Pensar e estruturar projetos de forma profissional, modular e escalável.

Módulo 5: Integração com Sistemas Externos e APIs

Você aprenderá a dominar a integração do R com bancos de dados, APIs e outras linguagens, consolidando o controle total sobre entrada, processamento e saída de dados.Este módulo representa o passo para autonomia profissional: análise conectada, reprodutível e escalável.

Unidade / Seção	Tópicos Principais	Objetivo de Aprendizagem
1. Introdução: Conexão e Integração de Sistemas	Importância das conexões externas • Conceito de automação entre sistemas • Cenários reais de integração (bancos, APIs, Python)	Compreender como o R se conecta a sistemas externos e o papel dessas integrações na ciência de dados.
2. Integração com Bancos de Dados via {DBI}	Conceito de banco relacional (PostgreSQL, MySQL, SQL Server) • Interface DBI e drivers (RPostgres, RMariaDB, RSQLite)	Aprender a estabelecer conexões profissionais com bancos relacionais no R.
3. Fundamentos do {DBI}	Funções principais: dbConnect(), dbDisconnect(), dbReadTable(), dbGetQuery(), dbExecute() • Transações (dbBegin, dbCommit, dbRollback)	Manipular dados diretamente no banco usando o R, com segurança e autonomia.
4. Introdução ao {dbplyr}	Tradução automática de dplyr para SQL • tbl(), filter(), select(), summarise(), collect()	Executar consultas SQL complexas usando a gramática tidyverse, sem sair do R.
5. Conexão Prática – Banco Sakila (MariaDB)	Autenticação com RMariaDB • Listagem de tabelas (dbListTables, dbListFields) • Leitura e filtros SQL	Praticar a conexão e manipulação real de dados em um banco remoto.
6. Consultas SQL e dplyr/dbplyr Integrados	Filtros condicionais (WHERE, AND, OR) • Joins (inner_join) • Agrupamentos e sumarizações (group_by, summarise)	Unir SQL e tidyverse para análises diretas em bases grandes e relacionais.
7. Exportação e Encerramento da Conexão	dbWriteTable() e dbDisconnect()	Gerenciar ciclo completo da conexão: consulta, exportação e fechamento seguro.
8. Conexão com Bases Públicas – {basedosdados}	Introdução à ONG Base dos Dados • Datalake no BigQuery (Google Cloud)	Acessar dados públicos organizados em um ambiente de nuvem gratuito.
9. Autenticação e Projeto no Google Cloud	Criação de projeto • Billing ID • Funções set_billing_id() e get_billing_id()	Autenticar e gerenciar acesso ao BigQuery de forma gratuita e segura.
10. Consulta SQL com read_sql() e download()	Sintaxe de query SQL • Exemplo com PIB municipal (IBGE) • Join de tabelas públicas	Acessar e combinar bases públicas diretamente do BigQuery via R.
11. Manipulação e Visualização de Dados Públicos	dplyr para agregações e somatórios • ggplot2 para séries temporais	Integrar dados do BigQuery em análises e gráficos automatizados.
12. Introdução às APIs RESTful	Conceito de API • Estrutura (endpoint, método, query string) • Métodos HTTP (GET, POST, PUT, DELETE) • Códigos de status (200, 404, 500)	Entender o funcionamento das APIs web e seu papel na automação e troca de dados.
13. Pacote {httr2} – Consumo de APIs no R	Funções principais: request(), req_headers(), req_perform(), resp_body_json()	Aprender a consumir APIs modernas e seguras usando o pacote {httr2}.
14. Exemplo Prático – API do GitHub	Autenticação via token pessoal • Consulta de repositórios e issues • Conversão JSON → tibble • Visualização com ggplot2	Integrar dados reais da API do GitHub e transformá-los em análises e gráficos automatizados.
15. APIs de Dados e Entretenimento – {spotifyr}	Autenticação com Client ID/Secret • Funções principais (get_artist(), get_artist_audio_features())	Conectar o R à API do Spotify e extrair dados sobre artistas, músicas e álbuns.
16. Publicando suas próprias APIs – {plumber}	Criação de endpoints (#* @get, @param) • Estrutura de arquivos (api.R, run_api.R) • Retorno JSON	Construir e executar uma API RESTful no R, expondo funções como serviços web.
17. Teste e Execução Local com Swagger	Interface de documentação automática • Teste de endpoints e visualização de respostas JSON	Validar e explorar APIs diretamente no navegador de forma interativa.
18. Integração com Python via {reticulate}	Conceito e arquitetura da ponte R–Python • Conversão automática de tipos • Funções principais (py_run_string, py$, import)	Rodar código Python dentro do R e integrar bibliotecas como pandas e numpy.
19. Análise Híbrida – Python + R	Importação de dados com pandas (Python) • Manipulação e visualização com ggplot2 (R) • Transferência bidirecional de objetos	Construir pipelines híbridos com manipulação em Python e visualização em R.
20. Dicionário R × Python	Equivalência de comandos (importar, filtrar, agrupar, visualizar)	Compreender as similaridades sintáticas e conceituais entre R e Python.
21. Boas Práticas e Referências	Reprodutibilidade, autenticação segura, versionamento, documentação	Consolidar práticas de integração profissional com sistemas externos.

Check list do aprendizado

• Conectar o R a bancos de dados relacionais via DBI e dbplyr.

• Consultar e manipular bases públicas com {basedosdados}.

• Consumir APIs RESTful (GitHub, Spotify) com {httr2} e {spotifyr}.

• Criar APIs próprias com {plumber}.

• Integrar Python ao R com {reticulate} para análises híbridas.

• Automatizar fluxos entre sistemas e gerar relatórios dinâmicos.

• Gerenciar autenticação, tokens e ambientes de forma segura e reprodutível.

Módulo 6: Relatórios Dinâmicos, Dashboards em Shiny e Envio de Relatórios Automatizados

Este módulo consolida o pilar da comunicação em ciência de dados. Você irá dominar Quarto, Shiny e Blastula, criando um ecossistema integrado que gera, publica e distribui análises automaticamente, com estética, interatividade e reprodutibilidade.

Unidade / Seção	Tópicos Principais	Objetivo de Aprendizagem
1. Introdução: Comunicação é o produto final	Importância da comunicação em projetos de dados • Do código ao resultado interpretável • Inteligência visual e automação de entrega	Entender que o valor da análise está na clareza e automação da comunicação dos resultados.
2. Conceito e filosofia do Quarto	O que é Quarto • Relação com R Markdown • Estrutura YAML + Markdown + Chunks	Conhecer a arquitetura do Quarto e suas vantagens em reprodutibilidade e automação.
3. Por que usar o Quarto	Reprodutibilidade, automação, consistência visual, integração com pipelines e GitHub	Compreender os diferenciais do Quarto como plataforma moderna de publicação técnica.
4. Instalação e integração com RStudio	Instalar Quarto CLI • Configuração no RStudio (versão mínima 2022.07) • Verificação do ambiente	Configurar o ambiente corretamente para criação e renderização de relatórios dinâmicos.
5. Criando o primeiro documento .qmd	Estrutura YAML • Texto em Markdown • Chunks de código executável	Criar um relatório completo integrando narrativa e execução de código.
6. Apresentações interativas com Reveal.js	Criação de slides .qmd • Formatação, transições e layouts	Desenvolver apresentações dinâmicas diretamente a partir de análises no R.
7. Tutorial prático: Relatório do Café Especial	Importação e limpeza de dados • Estatística descritiva com {metan} • Gráficos com ggplot2 e plotly	Produzir um relatório reprodutível com texto dinâmico, gráficos e tabelas interativas.
8. Publicação online com Quarto Pub	Criação de conta e autenticação • Publicar relatórios, dashboards e sites • Atualização e republicação	Hospedar relatórios gratuitamente e de forma profissional via Quarto Pub.
9. Introdução ao Shiny	Conceito de reatividade • Estrutura UI + Server + shinyApp()	Entender a lógica básica de reatividade e construção de apps no R.
10. Estrutura básica de um app Shiny	Interface (UI) • Lógica (Server) • Execução (shinyApp(ui, server))	Construir um app simples e compreender sua estrutura interna.
11. Construindo o primeiro dashboard interativo	Importação de dados (café) • Navbar com abas (navbarPage) • Painel KPI e gráficos interativos	Criar um dashboard completo e interativo em R.
12. Aba 1 – Resumo Geral dos Cafés (KPIs)	value_box, plotlyOutput, DTOutput, withSpinner	Exibir indicadores principais e visualizações interativas com feedback instantâneo.
13. Aba 2 – Top Fazendas (Ranking Sensorial)	radioButtons, sliderInput, plotlyOutput	Exibir e comparar produtores com melhores notas médias e totais.
14. Aba 3 – Correlação entre Atributos	metan::corr_coef(), plotOutput, withSpinner	Visualizar correlações de Pearson entre variáveis sensoriais.
15. Aba 4 – Radar Sensorial	radarchart() (pacote {fmsb}) • Comparação país × espécie	Analisar perfis multivariados de sabor, aroma, acidez e equilíbrio.
16. Aba 5 – Altitude × Qualidade	Regressões e heatmaps (ggplotly, geom_smooth)	Relacionar altitude média e notas sensoriais, explorando padrões ambientais.
17. Aba 6 – Exportação de Dados	downloadButton() e downloadHandler()	Permitir exportar dados tratados e relatórios diretamente do painel.
18. Bloco Server: lógica e reatividade	reactive(), observe(), renderText(), renderPlotly()	Implementar lógica de atualização automática e cálculos dinâmicos no app.
19. Publicação (Deploy) no ShinyApps.io	Criação de conta, rsconnect::setAccountInfo(), deployApp()	Publicar dashboards interativos na web com link público.
20. Alternativas de Deploy Profissional	RStudio Connect, Shiny Server, Docker	Conhecer opções de deploy corporativo e local.
21. Introdução ao {blastula} – E-mails automatizados	Estrutura do pacote (compose_email, smtp_send, create_smtp_creds_file)	Compreender como gerar e enviar e-mails automatizados via R.
22. Criando o corpo do e-mail (email.qmd)	YAML para formato email • compose_email() • Inclusão de anexos com add_attachment()	Construir templates dinâmicos de e-mail com corpo HTML e anexos automáticos.
23. Autenticação segura no Gmail	Criação de senha de app • create_smtp_creds_file() • creds_file()	Configurar autenticação criptografada e persistente para envios automáticos.
24. Script de envio (enviar_email.R)	smtp_send() com credenciais salvas • Personalização de assunto e destinatário	Automatizar o envio de relatórios e anexos por e-mail direto do R.
25. Integração Quarto + Blastula + Pipeline	Renderização automática + envio periódico	Criar fluxos que geram e distribuem relatórios completos de forma 100% automatizada.

Check list do aprendizado

• Criar relatórios dinâmicos com Quarto (.qmd) e integrá-los a pipelines.

• Desenvolver dashboards interativos com Shiny.

• Publicar dashboards e relatórios online (Quarto Pub e ShinyApps.io).

• Automatizar envios de e-mails profissionais com {blastula}.

• Incorporar estética, responsividade e identidade visual corporativa em relatórios.

• Integrar R a fluxos de comunicação e tomada de decisão empresarial.

Acesse o curso