Informações da Disciplina

 Preparar para impressão 

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação


Instituto de Ciências Matemáticas e de Computação
 
Matemática Aplicada e Estatística
 
Disciplina: SME0822 - Análise Multivariada e Aprendizado Não Supervisionado
Multivariate Analysis and Unsupervised Learning

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2020 Desativação:

Objetivos
Estudo de métodos multivariados de análise de dados e de aprendizado não supervisionado. Análise de variância multivariada. Análise de componentes principais. Análise fatorial. Análise de Agrupamentos Análise de correlação canônica. Análise de correspondência.
 
Presentation of some methods for analyzing multivariate data.
 
 
Docente(s) Responsável(eis)
3455521 - Cibele Maria Russo Novelli
 
Programa Resumido
Inferência para distribuições multivariadas, técnicas de redução de dimensão e Análise de agrupamentos.
 
Inference to multivariate distributions, size reduction techniques and cluster analysis.
 
 
Programa
Vetores aleatórios. Vetor de médias e matriz de covariâncias amostrais. Visualização de dados multivariados Distribuição normal multivariada e verificação de normalidade multivariada. Análise de variância multivariada. Métodos de redução de dimensionalidade: análise de componentes principais, análise fatorial, análise de correlação canônica e análise de correspondência. Análise de agrupamentos (clustering): K-médias e técnicas de agrupamento hierárquico.
 
Random vectors. Sample mean vector and sample covariance matrix. Visualization of multivariate data. The multivariate normal distribution and checking multivariate normality. Multivariate analysis of variance. Dimensionality reduction techniques: principal components analysis,factor analysis. canonical correlation analysis and correspondence analysis. Cluster Analysis: K-Means and hierarchical clustering techniques.
 
 
Avaliação
     
Método
Exposição teórica com vistas aos objetivos aplicativos da matéria, seguida de exercícios e trabalhos práticos dentro e fora da classe.
Critério
Média ponderada das provas.
Norma de Recuperação
RNúmero de provas: no mínimo uma (01) e no máximo duas (02) provas.
Critério de aprovação: a nota final (MF) do aluno que realizou provas de recuperação dependerá da média do semestre (MS) e da média das provas de recuperação (MR), como segue:
• MF = 5 se 5 <= MR <= (10 - MS)
• MF = (MS + MR) / 2 se MR > (10 - MS)
• MF = MS se MR< 5
 
Bibliografia
     
Livro Texto:
- Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning. New York, NY, USA:: Springer Series in Statistics.
- James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (with applications in R). New York: springer.
- Johnson, R. A. and Wichern, D. W. Applied Multivariate Statistical Analysis. 5th edition. Prentice-Hall


Bibliografia Complementar:
- Chatfield, C., & Collins, A.J, 1980. Introduction to multivariate analysis. Chapman&Hall/CRC.
- Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. O'Reilly Media, Inc..
- Mardia, K. V., Kent, J. T. and Bibby, J. M. (1979). Multivariate Analysis. Academic Press.
- Hair, J. F., Tatham, R. L., Anderson, R. E. and Black, W. (1998). Multivariate Data Analysis, 5th edition, Prentice Hall.
- Greenacre, M. J. (1984). Theory and Applications of Correspondence Analysis. London: Academic Press.
- Mingoti, S. A. (2005). Análise de Dados Através de Métodos de Estatística Multivariada: Uma Abordagem Aplicada. Belo Horizonte: UFMG
 

Clique para consultar os requisitos para SME0822

Clique para consultar o oferecimento para SME0822

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP