Dados Gerais do Componente Curricular
| Tipo do Componente Curricular: |
DISCIPLINA |
| Unidade Responsável: |
GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO (12.51) |
| Código: |
ENP0016 |
| Nome: |
Aprendizado Supervisionado |
| Carga Horária Teórica: |
0 h. |
| Carga Horária Prática: |
0 h. |
| Carga Horária de Ead: |
0 h. |
| Carga Horária Total: |
0 h. |
| Pré-Requisitos: |
( MATEP01 E MATEP10 ) OU ( EP01017279 E EP00917278 )
|
| Co-Requisitos: |
|
| Equivalências: |
( EP08423899 )
|
| Excluir da Avaliação Institucional: |
Não |
| Matriculável On-Line: |
Sim |
| Horário Flexível da Turma: |
Não |
| Horário Flexível do Docente: |
Sim |
| Obrigatoriedade de Nota Final: |
Sim |
| Pode Criar Turma Sem Solicitação: |
Sim |
| Necessita de Orientador: |
Não |
| Possui Subturmas: |
Não |
| Exige Horário: |
Sim |
| Permite Múltiplas Aprovações: |
Não |
| Quantidade de Avaliações: |
1 |
| Ementa/Descrição: |
Introdução a aprendizagem estatística. Vício e variância. Sobreajuste e subajuste. Regressão e classificação. Treinamento e validação. Codificação de variáveis. Da regressão linear aos modelos de aprendizagem estatística. Regressão linear simples. Coeficientes de mínimos quadrados. Regressão linear múltipla. Métricas de acuracidade dos modelos. Preditores qualitativos. Termos de interação. Modelos de regressão não linear. Métodos de seleção e comparação de modelos. Pressuposições. Regressão rígida e lasso. Regressão por árvores de decisão e floresta aleatória. Métodos de validação cruzada: k-fold, leave-one-out e bootstrap. Boosting para modelos baseados em árvores. Regressão por máquinas de vetores de suporte e kernel. Regressão por componentes principais e mínimos quadrados parciais. Estimador de máxima verossimilhança. Regressão logística e introdução aos problemas de classificação. Regra de Bayes para classificação. Classificação por k-vizinhos mais próximos. Análise linear e quadrática discriminante. Classificação via máquinas de vetores de suporte. Classificação via modelos de árvore de decisão e floresta aleatória. Redes neurais para classificação e regressão. |
|
|
|
|
|
|
|
|
