SME0823

Informações gerais

Universidade de São Paulo

Instituto de Ciências Matemáticas e de Computação

Departamento de Matemática Aplicada e Estatística

Disciplina: SME0823 Modelos de Regressão e Aprendizado Supervisionado II (2/2023).

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.

Não haverá aula dia 16/8.

Horário de atendimento: mediante agendamento.

Monitoria

Monitor: Pedro Vinícius A. Silva.

Horários: terças-feiras e quintas-feiras das 17:00 às 18:30h.

Sala: 5-104.

Apresentação da disciplina

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: 13/12/2023.

Prova de recuperação: dia 1/3/2024 (sexta-feira) às 16:00h na sala 3-012.

Não será aplicada prova substitutiva.

Trabalhos

1. Problemas 4.5 e 4.9 do livro Myers, Montgomery and Vining (2002), Generalized Linear Models: With Applications in Engineering and the Sciences, Wiley: New Work.

Data de entrega (cópia impressa): 2/10/2023.

2. Selecione um conjunto de dados de uma base de dados pública (Reddit, Kaggle, UCI Machine Learning, etc) relacionado a um problema de classificação.

Proponha um modelo de classificação e avalie sua capacidade preditiva. Variáveis explicativas podem ser selecionadas utilizando critérios como GAIC e IV.

O trabalho pode ser organizado em seções de introdução (descrição dos dados), resultados e discussão.

Data de entrega (cópia impressa): 13/11/2023.

3. O conjunto de dados no arquivo se refere ao valor de uma casa (totalvalue) e diversas de suas características tais como finished square feet, number of full bathrooms e lot size. Os dados foram coletados em uma região do estado da Virgínia, EUA.

Proponha um modelo de regressão que faça um bom ajuste a esses dados. Interprete os coeficientes do modelo ajustado.

Data de entrega (cópia impressa): 11/12/2023.

Material de apoio

1. Livro texto do Prof. Gilberto A. Paula (IME/USP).

2. Livro texto da Profa. Clarice G. B. Demétrio (ESALQ/USP).

3. Resumo de MLG (Duke University).

4. Resumo de MLG (University of Washington).

5. Exemplo de MLG binomial em R.

6. Exemplo de MLG binomial em Python.

(colaboração de Matheus Vinícius Barreto de Farias).

7. Exemplo de MLG binomial em Julia.

(colaboração de Cícero Coimbra Fonseca).

8. Exemplo de MLG Bernoulli em R.

9. Exemplo de MLG Poisson em R.

10. Exemplo de modelos para dados de contagem em R.

11. Artigo de Rojas, Alvarez & Rojas (2023) sobre o valor da informação (IV).

12. Exemplo de MLG gama em R.

13. Exemplos de ajuste e influência em um modelo linear em R.

14. As páginas abaixo sobre a classe de modelos GAMLSS se referem ao livro 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.

15. Livro sobre distribuições da classe GAMLSS de Rigby et al. (2017).

Exercícios

1. Exercícios do livro da Profa. 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. Gilberto A. Paula.

2.1. Exercício 3, pag. 102.

2.2. Exercício 6, pag. 103.

3. Exercícios do livro James et al. (2013) "An Introduction to Statistical Learning".

3.1. Exercício 6, pag. 170.

3.2. Exercício 9, pag. 170.

4. Exercícios do livro do Prof. Gilberto A. Paula.

4.1. Exercício 16, pag. 178.

4.2. Exercício 19, pag. 179.

Páginas úteis

1. The R Project for Statistical Computing.

2. Guia de estilo da linguagem R.

3. Programação em R.

4. The Art of R Programming.

5. Advanced R.

6. R Markdown Cookbook.

7. Perguntas e respostas sobre R (Stack Overflow em português).

8. Perguntas e respostas sobre R (Stack Overflow em inglês).

9. Rseek - busca de páginas sobre R.

10. Livros sobre Python.