Plano Departamental

Unidade 1 - Modelos lineares: Seleção e Regularização.
1.1. Regressão linear
1.2. Regressão Ridge, LASSO e elasticnet.
1.3. Regressão Polinomial.
1.4. Splines e Suavização.
1.5. Modelos aditivos generalizados.
1.6. Modelos aditivos parcialmente lineares.
Unidade 2 - Classificação e Discriminação.
2.1. Classificações por técnicas clássicas: regressão logística, análise discriminante linear,
classificador do vizinho mais próximo, algumas extensões.
2.2. Métodos baseados em árvores: árvores de decisão, bagging, random forests,
boosting e outros.
2.3. Algoritmos de suporte vetorial: classificadores de suporte vetorial, máquinas de
suporte vetorial; algoritmos de suporte vetorial com mais de duas classes;
relacionamento com a regressão logística.
2.4. Avaliação da regra de classificação e comparação dos classificadores:métodos
baseados em bootstrap, validação cruzada, curva ROC, etc.
Unidade 3 - Técnicas de Agrupamento:
3.1. Medidas de similaridade.
3.2. Métodos hierárquicos aglomerativos.
3.3. Métodos de partição.
3.4. Métodos baseados em modelos.
3.5. Comparação dos métodos, validação e interpretação.

BISHOP, C. M.; NASRABADI, N. M. Pattern recognition and machine learning. New
York: Springer, 2006.
EVERITT, B. et al. Cluster analysis. 5th. edition. New York: John Wiley & Sons, 2011.
EVERITT, B.; HOTHORN, T. An introduction to applied multivariate analysis with R.
New York: Springer, 2011.
IZBICKI, R.; DOS SANTOS, T. M.. Aprendizado de máquina: uma abordagem
estatística. Rafael Izbicki, 2020.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. H. The elements of statistical learning:
data mining, inference, and prediction. New York: Springer, 2009.
JAMES, G. et al.. An introduction to statistical learning with applications in R. New
York: Springer, 2013.
McCULLAGH, P.; NELDER, J. A. Generalized linear models. 2nd edition. London:
Chapman and Hall, 1989.
MORETTIN, P. A.; SINGER, J. M.. Estatística e ciência de dados. Rio de Janeiro:
LTC, 2022.

Não informado

Não informado