Objetivo:

Aprender os elementos básicos da estatística aplicados a projetos de aprendizagem de máquina. Este curso introduz técnicas para amostragem e o teorema de Bayes. Também serão discutidos aspectos relacionados a testes estatísticos de hipótese e interpretação de p-valores.

Tópicos:

• Amostragem
  • Espaço Amostral
  • Eventos Aleatórios
  • Amostragem Aleatória Simples
  • Amostragem Aleatória Estratificada
• Probabilidade
  • Função de Probabilidade
  • Axiomas de Probabilidade
  • Eventos Independentes
  • Probabilidade Condicional
  • Teorema de Bayes
  • Teorema Central do Limite
• Medidas de Posição
  • Média
  • Moda
  • Mediana
• Distribuições de Probabilidade
  • Bernoulli
  • Geométrica
  • Binomial
  • Poisson
• Variáveis Aleatórias Contínuas
  • Distribuição Uniforme
  • Distribuição Exponencial
  • Distribuição Normal
• Intervalos de Confiança
• Testes Estatísticos
  • Hipóteses Estatísticas
  • Tipos de Erros
  • Teste de hipóteses usando p–valor
  • Teste para médias

Duração:

• Aula Teórica Presencial: 2 Semana (16h). Quatro encontros de 4 horas.
• Projetos individuais e atividades da disciplina: 64 h

Audiência:

Estudantes Graduados em Ciência da Computação ou áreas correlatas.

Bibliografia:

DasGupta, A., 2011. Probability for Statistics and Machine Learning: Fundamentals and Advanced Topics. Springer, New York.

Wasserman, L., 2010. All of Statistics: A Concise Course in Statistical Inference. Springer, New York, NY.

Moore, D.S., Notz, W.I., Fligner, M.A., 2015. Statistics in practice, 1st ed. W. H. Freeman and Company, a Macmillan Higher Education Company, New York, NY.

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.