Carga Horária
Teórica por semana |
Prática por semana |
Créditos |
Duração |
Total |
10 |
8 |
8 |
4 semanas |
120 horas |
Docentes responsáveis
Edwin Moises Marcos Ortega
Fábio Prataviera
Idemauro Antonio Rodrigues de Lara
Rafael de Andrade Moral
Objetivo
Desenvolver o conhecimento dos alunos sobre métodos estatísticos de aprendizado de máquina, quando
e como utilizá-los, como interpretar os resultados, e como aplicá-los na análise de conjuntos de dados
grandes.
Conteúdo
Introdução ao aprendizado estatístico. Métodos de classificação: regressão logística, análise
discriminante linear e quadrática. Aprendizado não-supervisionado: análise de componentes principais,
métodos de agrupamento. Métodos de reamostragem: validação cruzada e o bootstrap. Modelos aditivos
generalizados. Métodos baseados em árvores: árvores de classificação e regressão, florestas aleatórias.
Máquinas vetor de suporte. Implementação em R.
Bibliografia
Friedman, J., Hastie, T., Tibshirani, R. (2001) The elements of statistical learning. Springer, New York.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013) An introduction to statistical learning. Springer,
New York.
Burger, S.V. (2018) Introduction to machine learning with R. O'Reilly Media, USA.
Wickham, H., Grolemund, G. (2017) R for data science. O'Reilly Media, USA.
Venables, W., Ripley, B. (2002) Modern applied statistics with S. Springer, New York.