Aborda os principais conceitos e métodos de probabilidades e estatística aplicados à Ciência de Dados. Discutir os conceitos tanto do ponto de vista teórico, quanto prático, com programação em Python.
| Descrição: | O curso será desenvolvido seguindo o conteúdo:
1. Introdução à Teoria das Probabilidades 2. Probabilidade Condicional e independência, Teorema da Bayes. 3. Variáveis Aleatórias 4. Momentos estatísticos 5. Distribuições binomial, Poisson e Geométrica. 6. Distribuições normal, uniforme e exponencial 7. Variáveis aleatórias multidimensionais 8. Probabilidade condicional de variáveis aleatórias 9. Teoremas limites: Lei dos grandes números. Teorema Central do Limite 10. Simulação, Métodos de Monte Carlo 11. Estatística descritiva. 12. Estimacao de máxima verossimilhança 13. Teste de Hipóteses 14. Intervalo de Confiança 15. Inferência Bayesiana 16. Estatística não-paramétrica. 17. Modelos de Regressão 18. Aprendizado de máquina probabilístico. 19. Classificadores probabilísticos, teoria da decisão Bayesiana. 20. Estatística em Ciência de Dados. 21. Teoria da informação. Referência bibliográfica: Sheldon Ross, Probabilidade. Um Curso Moderno com Aplicações, Bookman. Kevin Murphy, Machine Learning: A Probabilistic Perspective, MIT Press. Pedro A. Morettin, Wilton de O. Bussab, Estatística Básica, Saraiva. |
- Docente: Francisco Aparecido Rodrigues
Unidade: ICMC
Curso Oficial PRCEU: Sí
Tipo de Inscrição: Código de Inscrição