LCE5873 - Métodos Estatísticos de Aprendizado de Máquina

Carga Horária

Docentes responsáveis
Edwin Moises Marcos Ortega
Fábio Prataviera
Gabriela Maria Rodrigues
Idemauro Antonio Rodrigues de Lara

Objetivo
Desenvolver habilidades sobre métodos estatísticos de aprendizado de máquina, saber quando
e como utilizá-los, como interpretar os resultados, e como aplicá-los na análise de conjuntos grandes de
dados. Apresentar os principais métodos e técnicas estatísticas de aprendizado de máquina, baseado
tanto em aspectos computacionais quanto teóricos.

Conteúdo
EMENTA: Estudo de métodos e técnicas de aprendizado de máquinas com uso de recursos
computacionais e aplicações às ciências agrárias.
CONTEÚDO: 1. Introdução ao aprendizado estatístico: predição; aprendizado supervisionado versus
aprendizado não supervisionado. 2. Modelos de regressão: regressão linear; modelos aditivos
generalizados; KNN; árvore e florestas de regressão; boosting; bagging entre outros modelos preditivos.
3. Métodos de classificação: regressão logística; análise discriminante linear e quadrática; KNN; árvores
e florestas de classificação; SVM, entre outros modelos de classificação. 4. Redução de
dimensionalidade: análise de componentes principais entre outros. 5. Métodos de agrupamento:
métodos hieráquicos e k-médias. 6. Métodos de reamostragem: validação cruzada e o bootstrap.
Todos os métodos e aplicações serão realizados com o apoio de softwares de análise de dados (R,
Python e/ou SAS).

Bibliografia
Izbicki, R. e Santos, T. M. dos. Aprendizado de máquina: uma abordagem estatística. edição. 2020. 272
páginas. ISBN: 978-65-00-02410-4
Friedman, J., Hastie, T., Tibshirani, R. (2001) The elements of statistical learning. Springer, New York.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013) An introduction to statistical learning. Springer,
New York.
Burger, S.V. (2018) Introduction to machine learning with R. O'Reilly Media, USA.
Wickham, H., Grolemund, G. (2017) R for data science. O'Reilly Media, USA.
Venables, W., Ripley, B. (2002) Modern applied statistics with S. Springer, New York.