|
|
| Linha 7: |
Linha 7: |
| | '''Departamento de Matemática Aplicada e Estatística''' | | '''Departamento de Matemática Aplicada e Estatística''' |
| | | | |
| − | '''Disciplina''': SME0823 Modelos de Regressão e Aprendizado Supervisionado II (2/2022). | + | '''Disciplina''': SME0823 Modelos de Regressão e Aprendizado Supervisionado II. |
| − | | |
| − | '''Professor''': Mário de Castro (mcastro@icmc.usp.br).
| |
| − | | |
| − | '''Sala''': 4-240.
| |
| − | | |
| − | '''Telefone''': (16) 3373 6631.
| |
| − | | |
| − | '''Aulas''': segundas-feiras, das 19:00h às 20:40h, e quartas-feiras, das 21:00h às 22:40h, na sala 5-101.
| |
| − | | |
| − | '''Horário de atendimento''': mediante agendamento.
| |
| | | | |
| | == Apresentação da disciplina == | | == Apresentação da disciplina == |
| | | | |
| | [https://uspdigital.usp.br/jupiterweb/obterDisciplina?sgldis=SME0823&codcur=55071&codhab=4 Disciplina no sistema Júpiter.] | | [https://uspdigital.usp.br/jupiterweb/obterDisciplina?sgldis=SME0823&codcur=55071&codhab=4 Disciplina no sistema Júpiter.] |
| − |
| |
| − | == Avaliação ==
| |
| − |
| |
| − | Uma prova com peso 0,4 e média de trabalhos com peso 0,6.
| |
| − |
| |
| − | Estão previstos três trabalhos em equipes de três componentes.
| |
| − |
| |
| − | '''Data da prova''': 19/10/2022.
| |
| − |
| |
| − | '''Prova de recuperação''': 1/2/2023 às 19:00h na sala 3-104.
| |
| − |
| |
| − | ''Não'' será aplicada prova substitutiva.
| |
| − |
| |
| − | == Trabalhos ==
| |
| − |
| |
| − | '''1'''. Implementação em linguagem Python do exemplo no item 5 da seção "Material de apoio".
| |
| − |
| |
| − | Data de entrega (em papel): 28/9/2022.
| |
| − |
| |
| − |
| |
| − | '''2'''. Parte 1
| |
| − |
| |
| − | A primeira parte está baseada no artigo [http://www.jstor.org/stable/1390802 Dunn and Smyth (1996)].
| |
| − |
| |
| − | (a) Apresente gráficos correspondentes às figuras 2 e 3 do artigo com tamanhos de amostra 25 e 60. Comente.
| |
| − |
| |
| − | (b) Apresente gráficos de quantis (gráficos QQ) com envelopes dos resíduos componentes da desviância e de quantil dos modelos ajustados. Comente.
| |
| − |
| |
| − | Parte 2
| |
| − |
| |
| − | Exercício 5, pag. 344 do livro do Prof. [https://www.ime.usp.br/~giapaula/texto_2013.pdf Gilberto A. Paula (IME/USP)].
| |
| − |
| |
| − | Data de entrega (em papel): 21/11/2022.
| |
| − |
| |
| − |
| |
| − | '''3'''. Selecione um conjunto de dados de uma base de dados pública (Reddit, Kaggle, UCI Machine Learning, etc) e proponha um modelo linear generalizado para ajustar os dados. O modelo não deve ser o modelo normal. O trabalho pode ser organizado em seções de introdução (descrição dos dados), resultados e discussão.
| |
| − |
| |
| − | Data de entrega (em papel): 23/12/2022.
| |
| − |
| |
| − | == Material de apoio ==
| |
| − |
| |
| − | 1. Livro texto do Prof. [https://www.ime.usp.br/~giapaula/texto_2013.pdf Gilberto A. Paula (IME/USP)].
| |
| − |
| |
| − | 2. Livro texto da Profa. [https://docs.ufpr.br/~niveam/micro%20da%20sala/bom/Apostila%20de%20MLG.pdf Clarice G. B. Demétrio (ESALQ/USP)].
| |
| − |
| |
| − | 3. [https://www2.stat.duke.edu/courses/Fall02/sta216/lecture1.pdf Resumo de MLG (Duke University)].
| |
| − |
| |
| − | 4. [https://faculty.washington.edu/heagerty/Courses/b571/handouts/GLM.pdf Resumo de MLG (University of Washington)].
| |
| − |
| |
| − | 5. [[Media:Exemplo-binomial-2022.pdf|Exemplo de MLG binomial]] em R.
| |
| − |
| |
| − | 6. [[Media:Exemplo4-4p93-2022.pdf|Exemplo de MLG Bernoulli]] em R.
| |
| − |
| |
| − | 7. [http://www.jstor.org/stable/1390802 Artigo sobre resíduos (Dunn and Smyth, 1996)].
| |
| − |
| |
| − | 8. [[Media:Exemplo-gama-2022.pdf|Exemplo de MLG gama]] em R.
| |
| − |
| |
| − | 9. [[Media:Exemplo-contagem-2022.pdf|Exemplo de modelos para dados de contagem]] em R.
| |
| − |
| |
| − | 10. [[Media:Exemplo-Poisson-2022.pdf|Exemplo de MLG Poisson]] em R.
| |
| − |
| |
| − | 11. [https://journals.sagepub.com/doi/full/10.1177/1471082X18759144 Artigo sobre GAMLSS (Stasinopoulos et al., 2018)].
| |
| − |
| |
| − | 12. As páginas abaixo sobre o pacote GAMLSS se referem ao livro [https://www.gamlss.com/wp-content/uploads/2015/07/FlexibleRegressionAndSmoothingDraft-1.pdf Stasinopoulos et al. (2015)].
| |
| − |
| |
| − | a) pag. 72-76: algoritmo RS (estimação dos parâmetros),
| |
| − |
| |
| − | b) pag. 127-134: diferentes distribuições,
| |
| − |
| |
| − | c) pag. 268-277: seleção de modelos e
| |
| − |
| |
| − | d) pag. 354-359: exemplo de modelo discreto.
| |
| − |
| |
| − | 13. [[Media:Exemplo-modelo-linear2014.pdf | Exemplos de ajuste e influência em um modelo linear]] em R.
| |
| − |
| |
| − | == Exercícios ==
| |
| − |
| |
| − | 1. Exercícios do livro da Profa. [https://docs.ufpr.br/~niveam/micro%20da%20sala/bom/Apostila%20de%20MLG.pdf Clarice G. B. Demétrio.]
| |
| − |
| |
| − | 1.1. Exercício 1.5.1 (b)-(d). Obtenha E(Y), Var(Y) e V(mu).
| |
| − |
| |
| − | 1.2. Exercício 1.5.3 (a) e (b).
| |
| − |
| |
| − | 2. Exercícios do livro do Prof. [https://www.ime.usp.br/~giapaula/texto_2013.pdf Gilberto A. Paula].
| |
| − |
| |
| − | 2.1. Exercício 3, pag. 105.
| |
| − |
| |
| − | 2.2. Exercício 5, pag. 105.
| |
| − |
| |
| − | == Páginas úteis ==
| |
| − |
| |
| − | 1. [http://www.r-project.org/ The R Project for Statistical Computing.]
| |
| − |
| |
| − | 2. [https://google.github.io/styleguide/Rguide.xml Guia de estilo da linguagem R.]
| |
| − |
| |
| − | 3. [http://cran.r-project.org/doc/contrib/Torgo-ProgrammingIntro.pdf Programação em R.]
| |
| − |
| |
| − | 4. [http://heather.cs.ucdavis.edu/~matloff/145/PLN/RMaterials/NSPpart.pdf The Art of R Programming.]
| |
| − |
| |
| − | 5. [http://adv-r.had.co.nz Advanced R.]
| |
| − |
| |
| − | 6. [https://bookdown.org/yihui/rmarkdown-cookbook/ R Markdown Cookbook.]
| |
| − |
| |
| − | 7. [http://pt.stackoverflow.com/questions/tagged/r Perguntas e respostas sobre R (Stack Overflow em português).]
| |
| − |
| |
| − | 8. [http://stackoverflow.com/questions/tagged/r Perguntas e respostas sobre R (Stack Overflow em inglês).]
| |
| − |
| |
| − | 9. [http://www.rseek.org/ Rseek - busca de páginas sobre R.]
| |
