Os dados financeiros proporcionam um conhecimento atualizado valioso da economia mundial. No entanto, eles são apresentados em volumes de dados extremamente grandes, em diversos formatos e são constantemente atualizados em alta velocidade.   Este curso dá uma visão geral de desenvolvimentos recentes em redes neurais e como eles podem ser usados para ajudar as tarefas de mineração de texto e de dados utilizando fontes financeiras. Começamos com uma introdução a redes neurais de backpropagation. Em seguida, o problema do overfitting é utilizado para esclarecer as vantagens dos métodos de deep learning recentes. As potencialidades da mineração sobre fontes de texto são demonstradas com o modelo de deep learning Word2Vec (Mikolov et al., 2013) para os modelos de continuous bag-of-word (CBOW) e Skip-gram. Em seguida, as redes neurais não supervisionadas são demonstradas com o modelo UbiSOM (Silva e Marques, 2015), uma nova variante da Mapas Auto Organizados (SOM), que foi adaptado para ambientes de streaming. Esta abordagem possibilita a aplicação de análise exploratória de dados e clustering multidimensional a fontes contínuas de dados. O erro médio de quantificação e a outras funções para medir a utilidades dos neurónios ao longo do tempo são usados para permitir que o modelo retenha uma plasticidade indefinida e para lidar com mudanças num fluxo de dados multidimensional. As apresentações teóricas serão integradas com sessões práticas. Nas sessões práticas tanto o Octave como as ferramentas de mineração de texto do UNIX (como 'tr', 'gawk' e 'sed') serão usados para preparar e testar vários exemplos para o Word2Vec e UbiSOM. Serão ainda analisados alguns resultados recentes e algumas questões em aberto sobre a recuperação de informações a partir de texto e dados financeiros.