|
|
Atividade
| 122921 - Módulo Introdutório |
| Período da turma: | 08/10/2024 a 30/10/2024
|
||||
|
|
|||||
| Descrição: | Fundamentos de Estatística
Estatísticas descritivas; Relação entre variáveis: teste qui-quadrado para variáveis qualitativas, coeficiente de correlação de Pearson; Distribuições de probabilidade de variáveis discretas: uniforme, Bernoulli, binomial, binomial negativa e Poisson; Distribuições de probabilidade de variáveis contínuas: normal e normal padrão, qui-quadrado, t-Student e F-Snedecor; Definições iniciais sobre os testes de hipóteses: tipos de testes, tipos de erros, nível de significância e p-valor; Testes de hipóteses: teste Z para médias de uma amostra, teste t para médias de uma amostra, teste t para correlações, teste qui-quadrado para uma amostra, teste F para comparação de variâncias, intervalo de confiança para a média, teste t para comparação de médias em duas amostras independentes. BOLFARINE, H.; BUSSAB, W. O. Elementos de amostragem. São Paulo: Edgard Blϋcher, 2005. BOLFARINE, H.; SANDOVAL, M. C. Introdução à inferência estatística. Rio de Janeiro: Sociedade Brasileira de Matemática, 2001. DEVORE, J. L. Probabilidade e estatística para engenharia. São Paulo: Thomson Pioneira, 2006. FÁVERO, LUIZ PAULO; BELFIORE, PATRÍCIA. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier, 2017. GRANER, E.A. Como Aprender Estatística. Edições Melhoramentos, 1952. HOFFMANN, R. Estatística para Economistas. 4ª. Edição. Thomson Pioneira, 1980. MORETTIN, PEDRO A.; BUSSAB, WILTON DE O. Estatística básica. 9ª ed. São Paulo: Saraiva, 2017. VIEIRA, S. Estatística básica. São Paulo, Cengage Learning, 2012. TRIOLA, MARIO F. Introdução à estatística. 12ª ed. Rio de Janeiro: LTC, 2017. Introdução à Programação com Python Bancos de Dados; observações e variáveis; estruturas longitudinais e transversais; variáveis qualitativas e quantitativas; escalas de mensuração de variáveis; variáveis nominais e ordinais; variáveis métricas; Machine learning e reconhecimento de padrões; conceito de supervisão e não supervisão; técnicas não supervisionadas e relação com escalas de mensuração de variáveis; técnicas supervisionadas e relação com escalas de mensuração de variáveis; casos reais e práticos. ALBON, C. Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning. O'Reilly Media, 2018. BEHRMAN, K. R. Fundamentos de Python para Ciência de Dados. Bookman, 2023. FÁVERO, L. P.; BELFIORE, P. Manual de Análise de Dados: Estatística e Machine Learning Excel, SPSS, Stata, R e Python. GEN, 2024. FENNER, M. Machine Learning with Python for Everyone. Leanpub., 2018. GERÓN, A. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow: Conceitos, Ferramentas e Técnicas para a Construção de Sistemas Inteligentes. Alta Books, 2021. GRUS, J. Data Science do Zero: Noções Fundamentais com Python. 2 ed. Alta Books, 2021. HARRISON, M. Machine Learning – Guia de Referência Rápida: Trabalhando com Dados Estruturados em Python. Novatec Editora, 2019. LAMBERT, K. A. Fundamentos de Python: Estruturas de Dados. Cengage Learning Brasil, 2022. McKINNEY, W. Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Jupyter. O'Reilly Media, 2022. MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e Lógica de Programação Para Iniciantes. 3 ed. Novatec Editora, 2019. MULLER, A. C.; GUIDO, S. Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media, 2016. RASCHKA, S.; MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. 3 ed. Packt Publishing, 2019. VANDERPLAS, J. Python Data Science Handbook: Essential Tools for Working with Data. Sebastopol, CA: O’Reilly Media, 2016. Avaliações, atividades complementares, trabalhos em grupo e interação. Realização das Provas EaD: as provas são disponibilizadas no dia seguinte a aula ao vivo. Atividades complementares: slides das aulas, material de leitura pré e pós-aula, bibliografia indicada, eventos, reportagens, artigos, entre outros. Esclarecimento de dúvidas via e-mail após as aulas ao vivo: caso os alunos ainda tenham dúvidas após a aula ministrada, estas serão encaminhadas para o professor e as respostas serão compartilhadas com os alunos pela intranet. Interação em aula (trabalhos em grupo): durante a aula ao vivo serão utilizadas as ferramentas TalkShow, Zoom, Wooclap e outros de interação, para desenvolvimento e apresentação de trabalhos em grupo, sanar dúvidas com professor, compartilhar experiências com a turma, responder a enquetes que ajudam na fixação do conteúdo, entre outros. Chat: ferramenta do sistema acadêmico utilizada durante as aulas ao vivo para que os alunos enviem as dúvidas ao professor. O histórico do chat fica disponível nos materiais da aula após o término da aula ao vivo. *Disciplinas e ementas sujeitas a alteração. |
||||
| Carga Horária: |
25 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 1000 | ||||
| Ministrantes: |
Henrique Rozenfeld Marcos Roberto Luppe Wilson Tarantin Júnior |
 voltar |
|
Créditos © 1999 - 2024 - Superintendência de Tecnologia da Informação/USP |