Objetivo:

Aprender a utilizar modelos de regressão, desde os casos mais simples, que fazem uso de equações lineares, até modelos de mais altas ordens. Essa classe de análises estatísticas estão entre as mais utilizadas por cientistas de dados.  Além disso, serão discutidas técnicas de análise de resíduos e seleção de modelos.

Tópicos:

• Aprendizagem Estatística
• Métodos Supervisionados x Não Supervisionado
• Regressão Linear
  • Least Squares
  • Estimativa e Interpretação de coeficientes
  • Medidas de erro para coeficientes estimados
  • Análise de Resíduos
• Regressão Polinomial
• Regressão Multivariada
• Regularização
  • Splines
• Regressão Logística
• Seleção e avaliação de modelos
  • Interpretando Bias e Variância
  • Validação Cruzadas
  • Métodos de Bootstrap
• Redução de dimensionalidade
  • Principal Component Analysis

Duração:

• Aula Teórica Presencial: 1 Semana (8h). Dois encontros de 4 horas.
• Projetos individuais da disciplina: 32 h

Audiência:

Estudantes Graduados em Ciência da Computação ou áreas correlatas.

Bibliografia:

Kelleher, J.D., Mac Namee, B., D’Arcy, A., 2015a. Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. The MIT Press, Cambridge, Massachusetts.

James, G., Witten, D., Hastie, T., Tibshirani, R. (Eds.), 2013. An introduction to statistical learning: with applications in R, Springer texts in statistics. Springer, New York.