Regressão Linear Multivariada
|
|
- João Batista Neto Aires
- 8 Há anos
- Visualizações:
Transcrição
1 Regressão Linear Multivariada Prof. Dr. Leandro Balby Marinho Inteligência Artificial Prof. Leandro Balby Marinho / 37 UFCG DSC
2 Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais 4. Regressão Polinomial 5. Regularização Prof. Leandro Balby Marinho 2 / 37 UFCG DSC
3 Dados Multivariados Qual o colesterol de um indivíduo de 37 anos pesando 70 Kg? Colesterol Idade Peso Ideia: Ajuste uma linha aos dados e use essa linha para predição. Prof. Leandro Balby Marinho 2 / 37 UFCG DSC
4 Dados Multivariados Qual o colesterol de um indivíduo de 37 anos pesando 70 Kg? Colesterol Idade Peso Ideia: Ajuste um hyperplano aos dados e use-o para predição. Prof. Leandro Balby Marinho 3 / 37 UFCG DSC
5 Notação Peso (X ) Idade (X 2 ) Colesterol (Y) Dados de treino. X := (X, X 2,..., X m )... Variáveis explicativas. ( ) x (i)... Vetor de entrada da forma x (i), x (i) 2,..., x m (i). x (i) j... valor da j-ésima variável no i-ésimo exemplo. (x (i), y (i) )... i-ésimo exemplo de treino (linha da tabela). Prof. Leandro Balby Marinho 4 / 37 UFCG DSC
6 Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais 4. Regressão Polinomial 5. Regularização Prof. Leandro Balby Marinho 5 / 37 UFCG DSC
7 Regressão Multivariada e Vetor Resposta Na regressão simples uma variável: h(x) := Θ 0 + Θ x Prof. Leandro Balby Marinho 5 / 37 UFCG DSC
8 Regressão Multivariada e Vetor Resposta Na regressão simples uma variável: h(x) := Θ 0 + Θ x Na regressão multivariada muitas variáveis: h(x) := Θ 0 + Θ x + Θ 2 x Θ m x m Prof. Leandro Balby Marinho 5 / 37 UFCG DSC
9 Regressão Multivariada e Vetor Resposta Na regressão simples uma variável: h(x) := Θ 0 + Θ x Na regressão multivariada muitas variáveis: h(x) := Θ 0 + Θ x + Θ 2 x Θ m x m Por conveniência, usamos a constante x 0 = de forma que h(x) := Θ 0 x 0 + Θ x + Θ 2 x Θ m x m Prof. Leandro Balby Marinho 5 / 37 UFCG DSC
10 Representação Vetorial Podemos representar variáveis e parâmetros como vetores: x 0 Θ 0 x Θ x 2 R m+, Θ = Θ 2 R m+ x =. x m. Θ m E a hipótese como um produto escalar da forma: h(x) = Θ T x Prof. Leandro Balby Marinho 6 / 37 UFCG DSC
11 Matriz de Design x (0) x () x (2)... x (m) x (0) X = 2 x () 2 x (2) 2... x (m) , Y = x n (0) x n () x n (2)... x n (m) y () y (2). y (n) Prof. Leandro Balby Marinho 7 / 37 UFCG DSC
12 Gradiente Descendente A função de erro: err(h; D train ) := 2n n (h(x (i) ) y (i) ) 2 Prof. Leandro Balby Marinho 8 / 37 UFCG DSC
13 Gradiente Descendente A função de erro: err(h; D train ) := 2n n (h(x (i) ) y (i) ) 2 Derivadas parciais: Θ 0 err(h; D train ) := n Θ err(h; D train ) := n Θ 2 err(h; D train ) := n n n n ( h(x (i) ) y (i)) x (i) 0 ( h(x (i) ) y (i)) x (i) ( h(x (i) ) y (i)) x (i) 2. Prof. Leandro Balby Marinho 8 / 37 UFCG DSC
14 Gradiente Descendente para Regressão Multivariada GradientDescent(α, precision) initialize Θ 2 e new = err(h; D train ) 3 repeat 4 e old = e new 5 for i = 0 to m 6 tmp i = Θ i α Θ i err(h; D train ) 7 for i = 0 to m 8 Θ i = tmp i 9 e new = err(h; D train ) 0 until e new e old precision Prof. Leandro Balby Marinho 9 / 37 UFCG DSC
15 Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais 4. Regressão Polinomial 5. Regularização Prof. Leandro Balby Marinho 0 / 37 UFCG DSC
16 Equações Normais Para achar as equações normais, precisamos igualar todas as derivadas parciais a 0 e resolver para Θ 0, Θ, Θ 2,...: Θ 0 err(h; D train ) = 0 Θ err(h; D train ) = 0 Θ 2 err(h; D train ) = 0. Prof. Leandro Balby Marinho 0 / 37 UFCG DSC
17 Equações Normais As equação normais são dadas por cap. 07.: X T XΘ = X T Y A equação acima pode ser representada por um sistema de equações lineares da forma: X} {{ T X} }{{} Θ A x Vários métodos de resolução: = X T Y } {{ } b Eliminação Gaussiana Fatoração de Cholesky Fatoração QR Um prova é dada em [Poole, 2009] Prof. Leandro Balby Marinho / 37 UFCG DSC
18 Exemplo Estime o valor para x = 3 e x 2 = 4 para os dados abaixo. x x 2 y Prof. Leandro Balby Marinho 2 / 37 UFCG DSC
19 y y Exemplo cont. Usando regressão simles: h(x ) = x h(x 2 ) = x dados modelo dados modelo x x h(3) = 3.25 h(4) =.57 Prof. Leandro Balby Marinho 3 / 37 UFCG DSC
20 Exemplo cont. Modelo regressão múltipla: h(x) = Θ 0 x 0 + Θ x + Θ 2 x 2 2 X = 2 3 4, Y = X T X = , X T Y = Prof. Leandro Balby Marinho 4 / 37 UFCG DSC
21 Exemplo cont. Estimando os parâmetros por Eliminação Gaussiana: Θ Prof. Leandro Balby Marinho 5 / 37 UFCG DSC
22 Exemplo cont. h(x = 3, x 2 = 4) = x.699x 2 =.24 y x2 x Prof. Leandro Balby Marinho 6 / 37 UFCG DSC
23 Gradiente Descendente vs. Equações Normais Gradiente Descendente Precisa escolher α. Pode precisar de muitas iterações. Relativamente eficiente para m grande. Equações Normais Não precisa escolher α. Não precisa iterar. Métodos de resolução de sistemas de equações lineare podem ser caros (e.g. fatoração de Cholesky O(m 3 )). Lento para m muito grande. Prof. Leandro Balby Marinho 7 / 37 UFCG DSC
24 Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais 4. Regressão Polinomial 5. Regularização Prof. Leandro Balby Marinho 8 / 37 UFCG DSC
25 Relação Polinomial Em muitos casos o grafo de dispersão sugere uma relação não linear entre X e Y. y x Prof. Leandro Balby Marinho 8 / 37 UFCG DSC
26 Relação Polinomial Em muitos casos o grafo de dispersão sugere uma relação não linear entre X e Y. y x Prof. Leandro Balby Marinho 8 / 37 UFCG DSC
27 Regressão Polinomial A equação do modelo de k-ésimo grau é h(x) = Θ 0 + Θ x + Θ 2 x Θ k x k Erro no treino: err(h; D train ) := 2n n (Θ 0 + Θ x + Θ 2 x Θ k x k y) 2 Prof. Leandro Balby Marinho 9 / 37 UFCG DSC
28 Interpretação Probabiĺıstica A interpretação probabiĺıstistica do modelo é basicamente a mesma regressão linear: Y = Θ 0 + Θ x + Θ 2 x Θ k x k + ɛ E(Y X ) = h(x) E(ɛ X ) = E(ɛ) = 0 V (ɛ X ) = σ 2 Prof. Leandro Balby Marinho 20 / 37 UFCG DSC
29 Derivadas Parciais Derivadas parciais: Θ 0 err := n Θ err := n Θ 2 err := n. Θ k err := n (h(x) y) (x,y) D train (h(x) y) x (x,y) D train (h(x) y) x 2 (x,y) D train (x,y) D train (h(x) y) x k Prof. Leandro Balby Marinho 2 / 37 UFCG DSC
30 Equações Normais Igualando as derivadas parciais a zero, temos o seguinte sistema de equações lineares: Θ 0 s 0 + Θ s Θ m s m = t 0 Θ 0 s + Θ s Θ m s m+ = t Θ 0 s 2 + Θ s Θ m s m+2 = t 2. Θ 0 s m + Θ s m Θ m s 2m = t m onde s k = n xi k, t k = i= n y i xi k i= Prof. Leandro Balby Marinho 22 / 37 UFCG DSC
31 Estimativa de σ 2 A estimativa de σ 2 é dada por ˆσ 2 := n (k + ) (x,y) D train (h(x) y) 2 onde n (k + ) é o número de graus de liberdade associados à estimativa. Ou seja, como Θ 0, Θ,..., Θ k devem ser estimados primeiro, há uma perda de k + graus de liberdade. Prof. Leandro Balby Marinho 23 / 37 UFCG DSC
32 Coeficiente de Determinação Ajustado Nem sempre o aumento de complexidade é acompanhado de melhoria real do modelo. O coeficiente de determinação ajustado ( R 2 ) aumenta apenas se o novo termo melhora o modelo mais do que seria esperado de uma melhora ao acaso. R 2 n SQE = n (k + ) SQT = (n )R2 k n k Prof. Leandro Balby Marinho 24 / 37 UFCG DSC
33 Exemplo 2 Considere um modelo de regressão cúbico com R2 2 = 0, 66, um modelo de regressão quadrático com R3 2 = 0, 70 e uma amostra com n = 0. Então, ˆR 2 2 = 9(0, 66) = 0, 563 ˆR 2 3 = 9(0, 70) = 0, 550 Note que nesse caso o aumento de complexidade não compensa, já que não há aumento do R 2. Prof. Leandro Balby Marinho 25 / 37 UFCG DSC
34 Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais 4. Regressão Polinomial 5. Regularização Prof. Leandro Balby Marinho 26 / 37 UFCG DSC
35 Overfitting Considere os dados abaixo gerados pela função sen(2πx) com ruído aleatório adicionado. t 0 0 x Normalmente, não sabemos o formato da função geradora, e então tentamos achar uma aproximação coerente. Prof. Leandro Balby Marinho 26 / 37 UFCG DSC
36 Escolha do Modelo Para M = grau do polinômio: M = 0 M = t t x 0 x M = 3 M = 9 t t x 0 x Prof. Leandro Balby Marinho 27 / 37 UFCG DSC
37 Overfitting Se tivermos muitos atributos (variáveis explicativas), a hipótese aprendida pode se ajustar muito bem aos dados de treino, mas falhar na generalização para novas observações. Prof. Leandro Balby Marinho 28 / 37 UFCG DSC
38 Erro no Treino vs. Erro no Teste Training Test ERMS M 6 9 Prof. Leandro Balby Marinho 29 / 37 UFCG DSC
39 Tamanho dos Parâmetros Na regressão linear, overfitting é caracterizado por grandes valores dos parâmetros: M = 0 M = M = 3 M = 9 Θ Θ Θ Θ Θ Θ Θ Θ Θ Θ Prof. Leandro Balby Marinho 30 / 37 UFCG DSC
40 Regularização Ideia: Encolher os valores dos parâmetros. Gera hipóteses mais simples. Menos suscetível a overfitting. Prof. Leandro Balby Marinho 3 / 37 UFCG DSC
41 Função de Erro A função de erro com regularização é dada por: [ n err(h; D train ) := m (h(x (i) ) y (i) ) 2 + λ 2n i= λ controla a importância relativa do termo de regularização. i= Por convenção, Θ 0 é omitido do termo de regularização. Θ 2 i ] Prof. Leandro Balby Marinho 32 / 37 UFCG DSC
42 Magnitude dos Parâmetros ln λ = ln λ = 8 ln λ = 0 Θ Θ Θ Θ Θ Θ Θ Θ Θ Θ Prof. Leandro Balby Marinho 33 / 37 UFCG DSC
43 Impacto da Regularização t ln λ = x Prof. Leandro Balby Marinho 34 / 37 UFCG DSC
44 Impacto da Regularização no Teste Training Test ERMS ln λ Prof. Leandro Balby Marinho 35 / 37 UFCG DSC
45 Exercício Derive um algoritmo baseado em gradiente descendente para regressão linear multivariada regularizada. Por conveniência, considere a função de erro como: err(h; D train ) := 2n [ n (h(x (i) ) y (i) ) 2 + λ 2 i= m i= Θ 2 i ] Prof. Leandro Balby Marinho 36 / 37 UFCG DSC
46 Referências Jay L. Devore. Probabilidade e Estatística para Engenharia e Ciências. Cengage Learning, Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer, David Poole. Álgebra Linear. Cengage Learning, Lars Schmidt-Thieme. Notas de aula em aprendizagem de máquina. Disponível em: uni-hildesheim.de/lehre/ml-w/index_en.html Andrew Ng. Notas de aula em aprendizagem de máquina. Disponível em: Prof. Leandro Balby Marinho 37 / 37 UFCG DSC
Regressão Logística. Prof. Dr. Leandro Balby Marinho. Inteligência Artificial. Introdução Hipótese Estimativa de Parâmetros Classificação Multiclasse
Regressão Logística Prof. Dr. Leandro Balby Marinho Inteligência Artificial Prof. Leandro Balby Marinho 1 / 19 UFCG DSC Roteiro 1. Introdução 2. Representação da Hipótese 3. Estimativa de Parâmetros 4.
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisRegressão Linear. Prof. Dr. Leandro Balby Marinho. Análise de Dados II. Introdução Regressão Linear Regressão Múltipla
Regressão Linear Prof. Dr. Leandro Balby Marinho Análise de Dados II Prof. Leandro Balby Marinho 1 / 36 UFCG DSC Roteiro 1. Introdução 2. Regressão Linear 3. Regressão Múltipla Prof. Leandro Balby Marinho
Leia maisEste apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade,
D Resumo de Álgebra Matricial Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade, necessária para o estudo de modelos de regressão linear múltipla usando matrizes,
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Pro. Dr. Sergio Pilling IPD/ Física e Astronomia IV Interpolação Numérica Objetivos: O objetivo desta aula é apresentar a interpolação
Leia maisAULAS 13, 14 E 15 Correlação e Regressão
1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de
Leia maisEx 4.3 O anel é construído pelos polinômios S 1 1 S 2. x S 3. x 1 S 4. x 2 S 5. x 2 1 S 6. x 2 x S 7. x 2 x 1 S 8. x 3 S 9
Ex. 4.1 As palavras código são c 0 = [0 0 0 0 0 0 0], c 1 = [0 0 0 1 1 0 1], c 2 = [0 0 1 1 0 1 0], c 3 = [0 0 1 0 1 1 1], c 4 = [0 1 1 0 1 0 0], c 5 = [0 1 1 1 0 0 1], c 6 = [0 1 0 1 1 1 0], c 7 = [0
Leia maisEstatística e Probabilidade
Correlação Estatística e Probabilidade Uma correlação é uma relação entre duas variáveis. Os dados podem ser representados por pares ordenados (x,y), onde x é a variável independente ou variável explanatória
Leia maisMESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação. Aula 04. Prof. Dr. Marco Antonio Leonel Caetano
MESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação Aula 04 Prof. Dr. Marco Antonio Leonel Caetano Guia de Estudo para Aula 04 Aplicação de Produto Escalar - Interpretação do produto escalar
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) II Métodos numéricos para encontrar raízes (zeros) de funções reais. Objetivos:
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia maisMétodos Matemáticos para Gestão da Informação
Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação
Leia maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos
Dados que podem ser necessários a algumas questões de Estatística: P (t > t α ) = α ν 0,05 0,025 15 1,753 2,131 16 1,746 2,120 28 1,791 2,048 30 1,697 2,042 (Valor: 1,4) Questão 1. Considere o seguinte
Leia maisIntrodução a Datamining (previsão e agrupamento)
Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação E o que fazer depois de ter os dados organizados? Ideias base Aprender com o passado Inferir
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisIntrodução. Existem situações nas quais há interesse em estudar o comportamento conjunto de uma ou mais variáveis;
UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Eistem situações nas quais há interesse em estudar o comportamento conjunto
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisMESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação. Aula 02. Prof. Dr. Marco Antonio Leonel Caetano
MESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação Aula 02 Prof. Dr. Marco Antonio Leonel Caetano 1 Guia de Estudo para Aula 02 Comandos de Repetição - O Comando FOR - O comando IF com o comando
Leia maisDecisão Investimento ( ) Favorável Desfavorável Prob. Favorável (%) V.E.
TRABALHO 5 Tiago Lopes de Almeida Coimbra 050501002 1) O director dum gabinete de projectos decidiu concorrer a um concurso público. Sabe que se investir 5000 Euros na proposta tem 30% de probabilidade
Leia maisProbabilidades e Estatística
Departamento de Matemática - IST(TP) Secção de Estatística e Aplicações Probabilidades e Estatística 1 o Exame/1 o Teste/2 o Teste 2 o Semestre/1 a Época 2008/09 Duração: 3 horas/1 hora e 30 minutos 16/01/09
Leia maisAULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais
1 AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 20 e 22 de abril e 04 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:
Leia maisIMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.
IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores
Leia maisGOVERNO DO ESTADO DE MATO GROSSO SECRETARIA DE ESTADO DE CIÊNCIA E TECNOLOGIA UNIVERSIDADE DO ESTADO DE MATO GROSSO
EDITAL COMPLENTAR N 001 AO EDITAL N 003/2012 UNAT A, no uso de suas atribuições legais e em cumprimento das normas previstas no artigo 37, inciso IX, da Constituição Federal, de 5 de outubro de 1988, Decreto
Leia maisMarcelo K. Albertini. 17 de Abril de 2014
Introdução a Mineração de Dados Marcelo K. Albertini 17 de Abril de 2014 2/1 Organização do curso Prof. Marcelo Keese Albertini Sala: Bloco 1A - sala 1A230 Horário de atendimento: Sexta-feira 14h-17h ou
Leia maisIntrodução a Datamining (previsão e agrupamento)
E o que fazer depois de ter os dados organizados? Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação Ideias base Aprender com o passado Inferir
Leia maisGabarito da Prova de Oficinas dos Velhos Ano 2008
Gabarito da Prova de Oficinas dos Velhos Ano 2008 12 de maio de 2008 1 (a) O objetivo principal da oficina de espectroscopia é que os aprendizes aprendessem, rápido, a interpretar espectros e linhas espectrais,
Leia mais(x, y) = (a, b) + t*(c-a, d-b) ou: x = a + t*(c-a) y = b + t*(d-b)
Equação Vetorial da Reta Dois pontos P e Q, definem um único vetor v = PQ, que representa uma direção. Todo ponto R cuja direção PR seja a mesma de PQ está contido na mesma reta definida pelos pontos P
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Análisede links Page Rank Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Motivação Suponha que um modelo clássico, como
Leia maisCC-226 Aula 03 - Análise de Regressão
CC-226 Aula 03 - Análise de Regressão Carlos Henrique Q Forster - Instituto Tecnológico de Aeronáutica 2008 1 Regressão Linear Simples 11 Descrição do problema de regressão linear simples Relação entre
Leia maisAula: Equações polinomiais
Aula: Equações polinomiais Turma 1 e 2 Data: 05/09/2012-12/09/2012 Tópicos Equações polinomiais. Teorema fundamental da álgebra. Raízes reais e complexas. Fatoração e multiplicação de raízes. Relações
Leia maisTítulo: Sistemas Lineares no CAp UFRJ: Interpretações Algébrica e Gráfica
Autor Letícia Guimarães Rangel Co-autor(es): Fernando Celso Villar Marinho Lílian Káram Parente Cury Spiller Rita Maria Cardoso Meirelles Tipo de Pesquisa Ensino Médio Números e Operações Componente Curricular
Leia maisExplorações de alunos
A partir dos exemplos sugeridos e explorados pelos alunos pretende-se que possam conjecturar que, dadas duas funções reais de variável real f e g, o domínio da função quociente pode ser dado por: f f g
Leia maisBem, produto interno serve para determinar ângulos e distâncias entre vetores e é representado por produto interno de v com w).
Produto Interno INTRODUÇÃO Galera, vamos aprender agora as definições e as aplicações de Produto Interno. Essa matéria não é difícil, mas para ter segurança nela é necessário que o aluno tenha certa bagagem
Leia maisO Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados
SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento
Leia maisAULAS 02 E 03 Modelo de Regressão Simples
1 AULAS 02 E 03 Modelo de Regressão Simples Ernesto F. L. Amaral 04 e 09 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisModelagem no Domínio do Tempo. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1
Carlos Alexandre Mello 1 Modelagem no Domínio da Frequência A equação diferencial de um sistema é convertida em função de transferência, gerando um modelo matemático de um sistema que algebricamente relaciona
Leia maisRegressão Logística. Daniel Araújo Melo - dam2@cin.ufpe.br. Graduação
Regressão Logística Daniel Araújo Melo - dam2@cin.ufpe.br Graduação 1 Introdução Objetivo Encontrar o melhor modelo para descrever a relação entre variável de saída (variável dependente) e variáveis independentes
Leia maisAULAS 24 E 25 Análise de Regressão Múltipla: Inferência
1 AULAS 24 E 25 Análise de Regressão Múltipla: Inferência Ernesto F. L. Amaral 23 e 25 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma
Leia maisAula 7 Valores Máximo e Mínimo (e Pontos de Sela)
Aula 7 Valores Máximo e Mínimo (e Pontos de Sela) MA - Cálculo II Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade Estadual
Leia maisEstudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisPP 301 Engenharia de Reservatórios I 11/05/2011
PP 301 Engenharia de Reservatórios I 11/05/2011 As informações abaixo têm como objetivo auxiliar o aluno quanto à organização dos tópicos principais abordados em sala e não excluem a necessidade de estudo
Leia maisPor que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,...
Por que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,... 0) O que veremos na aula de hoje? Um fato interessante Produtos notáveis Equação do 2º grau Como fazer a questão 5 da 3ª
Leia maisCRM e Prospecção de Dados
CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável
Leia maisCálculo Numérico Computacional Lista 09 integral aproximada
ORIENTAÇÃO ORIENTAÇÃO 2 Cálculo Numérico Computacional Lista 09 integral aproximada tarcisio@member.ams.org T. Praciano-Pereira Dep. de Matemática alun@: Univ. Estadual Vale do Acaraú 3 de março de 2008
Leia maisCENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA CELSO SUCKOW DA FONSECA HABILIDADES CONTEÚDO METODOLOGIA/ESTRATÉGIA HORA/ AULA ANÁLISE GRÁFICA DE FUNÇÕES
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA CELSO SUCKOW DA FONSECA ENSINO MÉDIO ÁREA CURRICULAR: CIÊNCIA DA NATUREZA, MATEMÁTICA E SUAS TECNOLOGIAS DISCIPLINA: MATEMÁTICA I SÉRIE 1.ª CH 68 ANO 2012 COMPETÊNCIAS:.
Leia maisAula 3 CONSTRUÇÃO DE GRÁFICOS EM PAPEL DILOG. Menilton Menezes. META Expandir o estudo da utilização de gráficos em escala logarítmica.
Aula 3 CONSTRUÇÃO DE GRÁFICOS EM PAPEL DILOG META Expandir o estudo da utilização de gráficos em escala logarítmica. OBJETIVOS Ao final desta aula, o aluno deverá: Construir gráficos em escala di-logarítmica.
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisCI202 - Métodos Numéricos
CI202 - Métodos Numéricos Lista de Exercícios 2 Zeros de Funções Obs.: as funções sen(x) e cos(x) devem ser calculadas em radianos. 1. Em geral, os métodos numéricos para encontrar zeros de funções possuem
Leia maisFaturamento de Restaurantes
Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2015 1 / 28
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisRotação de um corpo rígido e as equações de Euler
Rotação de um corpo rígido e as equações de Euler As componentes u x, u y e u z de um vetor u podem ser escritas em termos de produtos escalares entre u e os versores da base x, ŷ e ẑ, u x = x u, e Como
Leia maisCÁLCULO DE ZEROS DE FUNÇÕES REAIS
15 CÁLCULO DE ZEROS DE FUNÇÕES REAIS Um dos problemas que ocorrem mais frequentemente em trabalhos científicos é calcular as raízes de equações da forma: f() = 0. A função f() pode ser um polinômio em
Leia maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
Leia maisOtimização por Descida de Gradiente
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Otimização por Descida de Gradiente Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisMOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo
MOQ-3 ESTATÍSTICA Proessor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística: The Science o collecting and analyzing data or the purpose o drawing conclusions and making
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática MATRIZ CURRICULAR ELETIVAS
MATRIZ CURRICULAR S LIVRE ESCOLHA Núcleo Temático: HUMANAS Disciplina: LÍNGUA BRASILEIRA DE SINAIS 34 h/a (.34 ) Teóricas Etapa: 4ª Compreensão de aspectos composicionais da Língua Brasileira de Sinais
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR Assuntos: Matrizes; Matrizes Especiais; Operações com Matrizes; Operações Elementares
Leia maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
Leia maisUma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais
Uma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais Departamento de Engenharia Mecânica COPPE UFRJ STIC-AMSUD, Novembro de 2009 Conteúdo Preliminares
Leia maisGEOMETRIA ANALÍTICA E CÁLCULO VETORIAL GEOMETRIA ANALÍTICA BÁSICA. Dirce Uesu Pesco 29/01/2013
GEOMETRIA ANALÍTICA E CÁLCULO VETORIAL GEOMETRIA ANALÍTICA BÁSICA Dirce Uesu Pesco 29/01/2013 I) Dados um ponto do plano e vetor normal ao plano; II) III) Dados um ponto do plano e dois vetores paralelos
Leia maisCadeias de Markov. Geovany A. Borges gaborges@ene.unb.br
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisRedes Neurais Artificiais: Funções de Base Radial
Treinamento COELCE CEFET UFC MÓDULO II 2008.1 Redes Neurais Artificiais: Funções de Base Radial Prof. Dr. Guilherme de Alencar Barreto Depto. Engenharia de Teleinformática (DETI/UFC) URL: www.deti.ufc.br/~guilherme
Leia maisNIVELAMENTO MATEMÁTICA 2012
NIVELAMENTO MATEMÁTICA 202 Monitor: Alexandre Rodrigues Loures Monitor: Alexandre Rodrigues Loures SUMÁRIO. LOGARITMOS... 3.. Mudança de base... 3.2. Propriedades dos logaritmos... 4 2. DERIVADAS... 4
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) III Resolução de sistemas lineares por métodos numéricos. Objetivos: Veremos
Leia maisResolução de sistemas lineares
Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)
Leia maisDisciplina: Introdução à Álgebra Linear
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte Campus: Mossoró Curso: Licenciatura Plena em Matemática Disciplina: Introdução à Álgebra Linear Prof.: Robson Pereira de Sousa
Leia maisUTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO
UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO! Fazendo regressão linear! Relacionando variáveis e criando uma equação para explicá-las! Como checar se as variáveis estão relacionadas!
Leia maisDÉCIMA SEGUNDA LISTA DE EXERCÍCIOS Cálculo III MATEMÁTICA DCET UESC Humberto José Bortolossi http://www.arbelos.kit.net.
DÉCIMA SEGUNDA LISTA DE EXERCÍCIOS Cálculo III MATEMÁTICA DCET UESC Humberto José Bortolossi http://www.arbelos.kit.net A regra da cadeia (Entregar os exercícios [16] e [18] até o dia 06/08/2003) [01]
Leia maisCapítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias
Capítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias Departamento de Matemática balsa@ipb.pt Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia 1 o
Leia maisValeska Andreozzi 2010
Introdução Valeska Andreozzi 2010 Referências 3 Modelagem estatística 8 Modelagem................................................................... 9 Objetivos....................................................................
Leia maisf (x) = x Marcelo Viana Instituto Nacional de Matemática Pura e Aplicada Marcelo Viana
Instituto Nacional de Matemática Pura e Aplicada Resolução de equações A resolução de equações (encontrar o valor de x ) é um dos problemas mais básicos e antigos da Matemática, motivado desde sempre por
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 14 Prof. Dr. Sylvio Barbon Junior Sumário - Problemas Exponenciais - Algoritmos Exponenciais usando Tentativa e Erro - Heurísticas para
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisAnálise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr
Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples
Leia maisMPEP ITA PG/EAM-P. Turma Senai. Plano de Ensino. MB-701 Nivelamento em Matemática Superior
MPEP www.mpep.ita.br ITA PG/EAM-P Turma Senai Plano de Ensino MB-701 Nivelamento em Matemática Superior São José dos Campos, SP 29 de julho de 2013 OBJETIVOS DA DISCIPLINA Esta dsiciplina tem o objetivo
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO Escola Básica e Secundária Dr. Vieira de Carvalho Departamento de Matemática e Ciências Experimentais Planificação Anual de MACS 10º ano Ano Letivo 2014/2015
Leia maisEXCEL NA ANÁLISE DE REGRESSÃO
EXCEL NA ANÁLISE DE REGRESSÃO _2010_03_Exercicio _Regressão_exemplo O gerente de uma loja de artigos escolares, cada semana, deve decidir quanto gastar com propaganda e que atrativo (por exemplo preços
Leia maisEncontrando a Linha Divisória: Detecção de Bordas
CAPÍTULO 1 Encontrando a Linha Divisória: Detecção de Bordas Contribuíram: Daniela Marta Seara, Geovani Cássia da Silva Espezim Elizandro Encontrar Bordas também é Segmentar A visão computacional envolve
Leia mais4.10 Solução das Equações de Estado através da Transformada de Laplace Considere a equação de estado (4.92)
ADL22 4.10 Solução das Equações de Estado através da Transformada de Laplace Considere a equação de estado (4.92) A transformada de Laplace fornece: (4.93) (4.94) A fim de separar X(s), substitua sx(s)
Leia maisÁlgebra Linear. Mauri C. Nascimento Departamento de Matemática UNESP/Bauru. 19 de fevereiro de 2013
Álgebra Linear Mauri C. Nascimento Departamento de Matemática UNESP/Bauru 19 de fevereiro de 2013 Sumário 1 Matrizes e Determinantes 3 1.1 Matrizes............................................ 3 1.2 Determinante
Leia maisAproximações e Erros de Arredondamento. introdução. exactidão e precisão. Aula 2 Métodos Numéricos Aplicados à Engenharia
Aproximações e Erros de Arredondamento Aula 2 Métodos Numéricos Aplicados à Engenharia 23/02/07 João Noronha 1 introdução Em muitos problemas de engenharia não é possível a obtenção de soluções analíticas.
Leia maisCorrelação Canônica. Outubro / 1998. Versão preliminar. Fabio Vessoni. fabio@mv2.com.br (011) 30642254. MV2 Sistemas de Informação
Correlação Canônica Outubro / 998 Versão preliminar Fabio Vessoni fabio@mv.com.br (0) 306454 MV Sistemas de Informação Introdução Existem várias formas de analisar dois conjuntos de dados. Um dos modelos
Leia maisDesenvolvimento de um gerador de malhas para o estudo do escoamento transônico em um aerofólio
Desenvolvimento de um gerador de malhas para o estudo do escoamento transônico em um aerofólio Leo Moreira Lima. ITA Instituto tecnológico de Aeronáutica, São José dos Campos, SP, 12228-900, Brasil. Bolsista
Leia maisAlgoritmos de Aproximação Segundo Semestre de 2012
Algoritmos de Aproximação Segundo Semestre de 2012 Aproximação p. 1 Bin Packing Dados: n itens ([n] = {1,...,n}) Dados: comprimento a[i] do item i (i = 1,...,n) Aproximação p. 2 Bin Packing Dados: n itens
Leia maisContabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO
Contabilometria Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Ferramentas -------- Análise de Dados -------- Regressão Regressão Linear - Exemplo Usando o Excel Regressão Linear Output do
Leia maisEXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia
EXCEL 2013 Este curso traz a vocês o que há de melhor na versão 2013 do Excel, apresentando seu ambiente de trabalho, formas de formatação de planilhas, utilização de fórmulas e funções e a criação e formatação
Leia maisPLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística
1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):
Leia mais16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros
16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros Eytan Modiano Códigos Cíclicos Um código cíclico é um código de bloco linear onde c é uma palavra-chave, e também
Leia maiscanal 1 canal 2 t t 2 T
ircuito L (Prova ) --7 f [khz] L T [s] s canal canal t t T Fig. ircuito usado Tarefas: ) Monte o circuito da figura usando o gerador de funções com sinais harmônicos como força eletromotriz. Use um resistor
Leia mais