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: SME0823 - Modelos de Regressão e Aprendizado Supervisionado II
Regression Models and Supervised Learning II

Créditos Aula: 4
Créditos Trabalho: 1
Carga Horária Total: 90 h
Tipo: Semestral
Ativação: 01/01/2020 Desativação:

Objetivos
Apresentar conceitos introdutórios de modelos lineares generalizados em um enfoque computacional.
 
Present introductory concepts of generalized linear models in a computational approach.
 
 
Docente(s) Responsável(eis)
3455521 - Cibele Maria Russo Novelli
 
Programa Resumido
Modelos Lineares generalizados. Métodos de Estimação. Testes de Hipóteses. Técnicas de diagnóstico.
 
Generalized linear models. Methods of estimation. Hypothesis testing. Diagnostic techniques.
 
 
Programa
Aprendizado Supervisionado versus Aprendizado Não-Supervisionado. Modelos Lineares Generalizados: Definição. Função desvio. Métodos de Estimação. Teste de hipóteses. Técnicas de diagnóstico. Aplicações: Modelos Lineares Generalizados versus Classificação. Regressão Logística: Métodos clássicos. Regressão Logística linear. Modelos de dose-resposta. Técnicas de diagnóstico. Seleção de modelos. Aplicações. Regressão de Poisson: Métodos clássicos. Modelos log-lineares. Classificação de modelos. Regressão Logística Múltipla. Aplicações. Modelos de Quase-Verrossimilhança: Definição. Estimação e Testes. Aplicações. Avaliação da capacidade preditiva dos modelos. Compromisso entre viés e variância.
 
Supervised versus Unsupervised Learning. Generalized linear models: Definition. Deviance function. Methods of estimation. Hypothesis testing. Diagnostic techniques. Applications: Generalized linear models versus Classification. Logistic Regression: Classical methods. Linear Logistic regression. Dose-response models. Diagnostic techniques. Selection model. Applications. Poisson regression: Classical methods. Log-linear Models. Classification of Models. Multiple Logistic Regression. Applications. Quasi-likelihood methods: Definition. Estimation and tests. Applications. Evaluation of the predictive capacity of the models. Bias-variance trade-off.
 
 
Avaliação
     
Método
Exposição teórica com vistas aos objetivos aplicativos da matéria, seguida de exercícios e trabalhos práticos dentro e fora da classe.
Critério
Avaliação por meio de provas escritas, trabalhos e seminários.
Norma de Recuperação
Número 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: - Paula, G. A. (2004). Modelos de Regressão com Apoio Computacional. IME/USP - James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2013) An Introduction to Statistical Learning, Springer: New York. Bibliografia Complementar: - McCullagh, P. and Nelder, J.A. (1989). Generalized linear models, second Edition. London: Chapman and Hall. - Collet, D. (2002). Modelling binary data. 2nd Edition, London: Chapman and Hall. - Demetrio, C. G. B. (2002). Modelos Lineares Generalizados em Experimentação Agronômica. ESALQ/USP.
 

Clique para consultar os requisitos para SME0823

Clique para consultar o oferecimento para SME0823

Créditos | Fale conosco
© 1999 - 2020 - Superintendência de Tecnologia da Informação/USP