Apresentar conceitos introdutórios de modelos lineares generalizados em um enfoque computacional.
Modelos Lineares generalizados. Métodos de Estimação. Testes de Hipóteses. Técnicas de diagnóstico.
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.
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.