Horários de Consulta:
- No Google Meet Permante: zwz-pbzr-qkx
- Sábados das 16:30 as 17:30
- Domingos das 16 às 17
Whatsapp:
019-988-627-438
quinta-feira, 26 de agosto de 2021
Site da Disciplina - Videoaulas Ordenadas e Documentadas & E-Mail para Exercícios
Site da LCE 1270
https://sites.google.com/view/lce1270-ia-cd-gest-usp-gabriel
E-mail para enviar Exercícios:
E-Mail da Disciplina:
gestao.estat.cert@gmail.com
Exercícios
Exercícios
Pratico 1 - Invente ou pesquise na Internet um conjunto de dados para aplicar Teste T de Student (a gente aplicou para salários de MS e SP). Arquivo do Excel e Relatório em Word ou Power Point
Dead Line = 2 semanas è dia 1 de setembro
Teórico 1 - Slides (12 slides, fonte do título minima 32, e do corpo do slide minima 28) Importância da Ciência de Dados, Inteligência Artificial, Machine Learning, Deep Learning, Data Mining, Big Data e Text Mining para sua profissão no mercado de trabalho.
Dead Line = 2 semanas è dia 1 de setembro
Horários de consulta
Sábados 16:30 as 17:30
Domingos das 15:30 as 16:30
Programação em SAS - Primeiro Exemplo
Primeiro Programa SAS
data IA;
input Tipo_IA $ LL_Ha_An;
/* MLSC: Machine Learning Superv. para Clasif. */
/* MLSP: M L Superv. para Previsão */
cards;
MLSC 1567
MLSP 1789
MLNS 1657
Todos 2567
;
/* Fim do Data Step */
/* A partir de aqui vem o Procedure Step */
Proc print data=IA;
Run;
Saída do Primeiro Programa SAS:
Control C - Control V
| Obs | Tipo_IA | LL_Ha_An |
|---|---|---|
| 1 | MLSC | 1567 |
| 2 | MLSP | 1789 |
| 3 | MLNS | 1657 |
| 4 | Todos | 2567 |
Importar como Figura:
Aula II
Link Completo de Hoje:
https://meet.google.com/qir-uvtm-msx
Link Permanente: zwz-pbzr-qkx o deixaremos de utilizar hoje
Pauta:
- Site da Discipina
- Pesquisa sobre a importância do Software SAS, para sua profissão (IA - CD - BI - BD - DM - TM)
- Elaborar dois slides por pessoa
- Voluntários apresentam
- Exemplo de Programa SAS
- Rodar Tete T explicando Resultado
- Teste T em Dinheiro Falso
- Introdução a MLS para Previsão
Videoaulas de Regressão - Macro em Excel - EXCEL AVANÇADO
Videoaulas de Regressão - Macro em Excel - EXCEL
AVANÇADO
Base para Machine Learning Supervisionado para Previsão
Videoaula 1 - Resolvendo Graficamente e Sem Probabilidade
( Sem Macros em Excel)
https://www.youtube.com/watch?v=HWnrEfMHOZw&feature=youtu.be
Videoaula 2 - Resolvendo com Probabilidade, Margem de Erro e Margem de Confiança, Inferência Estatística - Macro de Regressão em Excel
https://www.youtube.com/watch?v=qLbziQKSeB8&feature=youtu.be
Propaganda - Vendas
https://www.youtube.com/watch?v=HWnrEfMHOZw&feature=youtu.be
Videoaula 2 - Resolvendo com Probabilidade, Margem de Erro e Margem de Confiança, Inferência Estatística - Macro de Regressão em Excel
https://www.youtube.com/watch?v=qLbziQKSeB8&feature=youtu.be
Propaganda - Vendas
X | Y |
30 | 430 |
21 | 335 |
35 | 520 |
42 | 490 |
37 | 470 |
2 | 210 |
8 | 195 |
17 | 270 |
35 | 400 |
25 | 480 |
Coeficiente Angular ou Coeficiente de Regressão = 8,3
Quanto aumenta a Venda (Y) quando incremento uma unidade em Propaganda (X)
Coeficiente Linear = 170,78
Indica quanto venderei em cada unidade de negócio se não fizer propaganda (X=0)
Coeficiente de Determinação ou R Quadrado =
Se Coef. Determinação:
0-0,2 = Muito Ruim o Modelo
0,2-0,4 = Ruim
0,4-0,6 = Regular (nem bom nem ruim)
0,6-0,8 = Bom
0,8 - 1 = Muito Bom
O coeficiente de determinação, também chamado de R², é uma medida de ajustamento de um modelo estatístico linear generalizado, como a Regressão linear, em relação aos valores observados. O R² varia entre 0 e 1, indicando, em percentagem, o quanto o modelo consegue explicar os valores observados. Quanto maior o R², mais explicativo é modelo, melhor ele se ajusta à amostra.
0-0,2 = Muito Ruim o Modelo
0,2-0,4 = Ruim
0,4-0,6 = Regular (nem bom nem ruim)
0,6-0,8 = Bom
0,8 - 1 = Muito Bom
O coeficiente de determinação, também chamado de R², é uma medida de ajustamento de um modelo estatístico linear generalizado, como a Regressão linear, em relação aos valores observados. O R² varia entre 0 e 1, indicando, em percentagem, o quanto o modelo consegue explicar os valores observados. Quanto maior o R², mais explicativo é modelo, melhor ele se ajusta à amostra.
Por exemplo, se o R² de um modelo é 0,8234, isto significa que 82,34% da variável dependente (Y) consegue ser explicada pelos regressores (X) presentes no modelo. Fonte Wikipedia.
Regressão Linear é um dos modelos mais atrativos devido a sua representação entendível, no caso da regressão linear simples sua utilização é mais para aprendizado, já que na prática ela não é muito aplicada, visto que, em muitos casos a gama de variáveis de entradas é maior, fazendo-se uso da Regressão Linear Multivariável, ao qual não adentraremos nesse post. O modelo de representação da regressão linear simples é a tradicional equação conhecida como equação da reta ou em inglês slope-intercept form, usaremos a notação mais utilizada em exemplos de Machine Learning e não da matemática, mas você pode saber mais sobre a própria equação neste link.
Temos o y a variável dependente que representa a predição, as letras gregas β (Beta), também conhecidos como coeficientes, que são a representação das variáveis que o algoritmo irá utilizar para “aprender” a produzir as previsões mais precisas e o x a variável independente que representa o dado de entrada. As letras gregas β também são conhecidas como inclinação e interceptação ou em inglês intercept-slope.
Função de custo
Função de custo, no inglês cost function ou ainda ordinary least squares é uma função utilizada para medir o quão errado o modelo está, os chamados resíduos. Isto é, consiste no cálculo da distância de cada ponto (distância essa entre as variáveis x e y) em relação a reta de regressão, esse valor é elevado ao quadrado e somado, o total é a quantidade média de erro do modelo.
Inteligência Artificial - Conceito - Categorias
Inteligência Artificial - Conceito - Categorias
IA - Indutiva
- Machine Learning Supervisionado para Classificação - Dinheiro Falso - Teste T
- Machine Learning Supervisionado para Previsão - Regressão
- Machine Learning Não Supervisionado
- Deep Learning
IA - Dedutiva
- Utiliza conhecimento consolidado
Slides
Teste T de Student - Macro em Excel ou Ferramentas de Analise (Cientifica ou Financeira)
Teste T de Student - Macro em Excel ou Ferramentas de Analise (Cientifica ou Financeira)
- Salarios MS Vs SP
Videoaula:
https://youtu.be/MNokvQqeP_c
Arquivo Elaborad o Durante a Aula para Fazer Download:
Teste T de Student - O mais utilizado no dia a dia dos egressos da ESALQ no Mercado de Trabalho na Area de BI
No programa de todas as disciplinas de Estatística Básica da ESALQ:
·
Exemplo 1:
Teste se a média aritmética dos dois estados é igual. Se existirem
outliers elimine-os. Analise os dados com o outlier e eliminando-o,
compare os resultados. Discuta os resultados da analise sem o
outlier.
Teste T - Macro em Excel - Inferência Indutiva
Inferência Indutiva utilizando Estatística
Cidade | Estado | Salario na Industria Tático/Operacional |
1 | MS | 1678 |
2 | SP | 1850 |
3 | MS | 1650 |
4 | MS | 1890 |
5 | SP | 1950 |
6 | SP | 2050 |
7 | SP | 2320 |
8 | SP | 1800 |
9 | MS | 1789 |
10 | MS | 1890 |
11 | MS | 1780 |
12 | MS | 2550 |
13 | SP | 2150 |
14 | SP | 1680 |
Livro Introdutorio sobre Machine Learning
https://alex.smola.org/drafts/thebook.pdf
Relatório Técnico para uma Empresa (ano 2020), linguagem corporativa.
Caso 1 – Com Informação Previa Confiável (por exemplo um relatório técnico de 2019 comparando os salários dos dois estados – MS e SP)
A média salarial de SP (1971,4 Reais) foi estatisticamente superior à média de MS (1792,4 Reais) com uma margem de confiança de 95,5%.
Caso 2 – Sem Informação Previa Confiável (pesquisa pioneira)
A média salarial de SP não diferiu estatisticamente da média de MS, margem de confiança para falar que são diferentes 90,9% (inferior a 95%).
Resultados e Discussão (âmbito acadêmico Ex. USP, trabalho cientifico)
Caso 1 – Com Informação Previa Confiável (por exemplo uma referência bibliográfica importante) comparando os salários dos dois estados – MS e SP)
A média salarial de SP (1971,4 Reais) foi estatisticamente superior à média de MS (1792,4 Reais) com uma margem de erro (p valor) de 0,045.
Caso 2 – Sem Informação Previa Confiável (pesquisa pioneira)
A média salarial de SP não diferiu estatisticamente da média de MS (p < 0,090).
Estatística Tradicional Paramétrica
· Inteligência Artificial (Era da IA) e Normas ISO (balizam o comercio internacional e nacional):
Agora Estatística Robusta (fora do Excel, no SAS, R e Python)
· Teste T Robusto ou Kruskal Wallis
Aula 2 - 26/8/2021
Link Completo de Hoje:
https://meet.google.com/qir-uvtm-msx
Link Permanente: zwz-pbzr-qkx o deixaremos de utilizar hoje
Pauta:
- Pesquisa sobre a importância do Software SAS, para sua profissão (IA - CD - BI - BD - DM - TM)
- Elaborar dois slides por pessoa
- Voluntários apresentam
- Exemplo de Programa SAS
- Rodar Tete T explicando Resultado
- Teste T em Dinheiro Falso
- Introdução a MLS para Previsão
Site da Disciplina LCE 1270 - Videoaulas Ordenadas e Documentadas
Site de Nossa Disciplina
Videoaulas Ordenadas e Documentadas
https://sites.google.com/view/lce1270-ia-cd-gest-usp-gabriel
Exemplo da Estrutura do Site:
Videoaulas da Disciplina LCE 1270
- Assunto: Rodando o Weka (ML S para Classificação). Exemplo da falsificação de Dinheiro
- Data: 19/8/2021
- Link Youtube: https://youtu.be/9kmB2roNLNA
- Assunto: Introdução à IA – Exemplo do Dinheiro Falso
- Data: 19/8/2021
- Link Youtube: https://youtu.be/yCOXF1N5YZw
quinta-feira, 19 de agosto de 2021
Exercícios
Exercícios
Pratico 1 - Invente ou pesquise na Internet um conjunto de dados para aplicar Teste T de Student (a gente aplicou para salários de MS e SP). Arquivo do Excel e Relatório em Word ou Power Point
Dead Line = 2 semanas è dia 1 de setembro
Teórico 1 - Slides (12 slides, fonte do título minima 32, e do corpo do slide minima 28) Importância da Ciência de Dados, Inteligência Artificial, Machine Learning, Deep Learning, Data Mining, Big Data e Text Mining para sua profissão no mercado de trabalho.
Dead Line = 2 semanas è dia 1 de setembro
Horários de consulta
Sábados 16:30 as 17:30
Domingos das 15:30 as 16:30
Assinar:
Postagens (Atom)