Disciplina Discipline SGS5867
Tópicos Especiais em Geotecnia: Temática: Práticas de Mineração de Dados em R

Área de Concentração: 18132

Concentration area: 18132

Criação: 19/06/2020

Creation: 19/06/2020

Ativação: 19/06/2020

Activation: 19/06/2020

Nr. de Créditos: 10

Credits: 10

Carga Horária:

Workload:

Teórica

(por semana)

Theory

(weekly)

Prática

(por semana)

Practice

(weekly)

Estudos

(por semana)

Study

(weekly)

Duração Duration Total Total
8 4 3 10 semanas 10 weeks 150 horas 150 hours

Docente Responsável:

Professor:

Valeria Guimarães Silvestre Rodrigues

Objetivos:

A disciplina tem como objetivos propiciar ao aluno conhecimentos em nível de pós-graduação de práticas e técnicas para estruturar grande volume de dados, explicar e resolver problemas ambientais usando a linguagem R e pacotes estatísticos.

Justificativa:

Este curso permitirá aos pós-graduandos obter conhecimentos sobre um tema atual, e que vem sendo desenvolvido nas principais universidades.

Conteúdo:

PARTE 1 1 Introdução ao software R PARTE 2 2 Métodos não supervisionados de machine learning: Análise de Componentes Principais PARTE 3 3 Métodos não supervisionados de machine learning: Agrupamento (Cluster) PARTE 4 4 Métodos supervisionados de machine learning: Análise de Regressão PARTE 5 5 Métodos supervisionados de machine learning: Classificação PARTE 6 6 Métodos avançados de machine learning

Forma de Avaliação:

1 – Trabalhos práticos 2 - Seminários

Observação:

Professor colaborador: Rogério Resende Martins Ferreira

Bibliografia:

Bruce, P; Bruce, A. Estatística prática para cientista de dados. Alta books, Rio de Janeiro, 2019. 320p. James, G; Witten, D; Hastie, T; Tibshirani, R. An introduction to statistical learning with applications in R. Springer, New York, 2017. 426p. Kabacoff, R. R in Action. Manning, New York, 2015. 579p. Kassambara, A. Practical guide to principal componente methods in R. STHDA, 2017. Kassambara, A. Practical guide to cluster analysis in R. STHDA, 2017. Kassambara, A. Machine Learning Essentials. STHDA, 2018. Kuhn, M; Johnson, K; Applied predicitive modeling. Springer, New York, 2016. 600p. Wickham, H; Grolemund, G. R para Data Science. Alta books, Rio de Janeiro, 2019. 528p. Zumel, N; Mount, J. Practical Data Science with R. Manning, New York, 2020. 536p.