Neste canal compartilho vídeo-aulas sobre Estatística e Ciência de Dados, Visualização e Exploração de Dados, Análise Multivariada e Aprendizado Não-Supervisionado, cursos de graduação oferecidos para alunos da USP.
Melhor aula sobre o assunto que ja vi, a escolha do dataset foi perfeito, ficou extremamente didático. Sou estudante de engenharia da computação no IFSP e to fazendo meu TCC na area de mineração de dados, suas aulas literalmente estão me salvando. Obrigado por compartilhar seu conhecimento !!!
Parabéns pela aula professora. Apenas gostaria de esclarecer que o termo "acurácia" não faz parte do Vocabulário Internacional de Metrologia - VIM, mas apenas os termos exatidão e precisão. Desculpa a minha interferência, mas frequentemente vejo alguns profissionais usarem o termo acurácia como sinônimo de exatidão, obviamente a utilização deste termo não caracteriza um erro nem inviabiliza sua didática, faço esta observação apenas para esclarecer que ele não consta no vocabulário da metrologia. Na língua inglesa existe o termo "accuracy", que é traduzido para o português como sinônimo de "exatidão da medição". Mais uma vez parabéns pela didática.
Oi Cibele ótimas explicações, mas tenho dúvida em outro contexto, quando existe associação pelo valor de p entre 2 variáveis por um test T ou Manny Whitey, como eu interpreto esse resultado? Por que se diz que houve associação ? O que isso quer dizer?
Talvez essa série sejam as melhores aulas em português sobre o assunto, parabéns professora Cibele. Tenho duas perguntas. Todas as aplicações do PCA que eu já vi o dataframe original é passado para o PCA, no máximo é feita uma normalização ou algo do tipo antes, mas a senhorita utilizou como entrada a matriz de correlações, a primeira abordagem está errada? Outra coisa, faz sentido encodar variáveis qualitativas e usar no PCA? Muito obrigado!
Obrigada. Agradeço se puder compartilhar nas suas redes. Para variáveis qualitativas uma alternativa é a análise de correspondência: ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-Z7UMIEUx2xM.htmlsi=KlxA5PQS0R_1SFIF
Parabéns pela aula professora! Estou começando a estudar redes neuronais e não encontrei didática melhor que a sua. Novamente, muito obrigado por disponibilizar a aula.
Professora, no caso das variáveis categóricas, como a empresa, é necessário que seja transformada em binaria também? Exemplo: Privada = 1 ; Publica = 0. E caso hajam 3 ou mais categorias, como faço?
Excelente aula! Para dar seguimento à análise e descobrir quais grupos diferem entre si, quais são os testes de complementação da MANOVA mais indicados?
A aula sobre verossimilhança foi excelente, professora. Procurei pela continuação do conteúdo no canal, mas parece que não há mais uploads. Você pretende continuar disponibilizando aulas desse tema? Ou parou? Além disso, essas aulas estão disponíveis em alguma outra plataforma?
Obrigada, Eduardo. Tem sido mais difícil ter tempo para disponibilizar as aulas, pretendo continuar mas infelizmente não consigo precisar a frequência.
Cibele, antes de mais nada parabéns pelos 5K inscritos! Sempre indico seu canal To atrasado nos meus estudos, e só agora consegui ver o vídeo, mas é muito bom!!! Depois do trabalho vejo o resto. Vou atrás da referência que você citou (Mello). E vou acabar de ver o resto. Creio que SVM nao tem conteúdo em vídeo né? Mas tenho as anotações.
O uso da ferramenta abstrai completamente toda a matemática envolvida. É possível usá-la sem o background matemático, desde que se tenha um manual de aplicações para a ferramenta. *Esse manual existe?* Ou o usuário da ferramenta tem de ser um "matemático" que vai tateá-la?
Olá, professora Cibele, tudo bem? Em 6:22, quando você fala "atributos", é a mesma coisa que indicadores? Ou seja, os itens que os respondentes marcaram?
@stefaniojr.2618 Faceli e outros, Inteligência Artificial: Uma abordagem de aprendizado de máquina, .... Também Morettin, P. A., & Singer, J. D. M. (2022). Estatística e ciência de dados. ... e também menciono Bishop, Christopher M.; Nasrabadi, Nasser M. Pattern recognition and machine learning. New York: springer, 2006.
eu fiquei com uma dúvida, não precisava fazer a padronização das variáveis antes da PCA? tem atribuitos com escalas diferentes, como pontos, metros, tempo...
Em uma análise de Componentes Principais (PCA), padronizar os dados (z-score normalization) é geralmente necessário e recomendado. A normalização é importante porque o PCA é sensível à escala das variáveis. Se as variáveis tiverem escalas muito diferentes, aquelas com magnitudes maiores podem dominar o processo de PCA, levando a uma análise distorcida e enviesada em direção às variáveis de maior magnitude.
Muito boa tarde professora , estou com uma dúvida , de acordo com alguns livros ,stephen Klosterman -projetos para ciência de dados e Peter Bruyce e Andrew Bruyce Estatística Prática para ciência de dados ,eles dizem que algumas suposições que alguns testes fazem podem ser ignorados .Dado que algumas vezes os testes funcionam de uma forma eficaz ignorando a suposição de normalidade dos dados, por exemplo na analise LDA , Porque ?
Olá prof sou aluno do IFSP gostaria de saber se tem como eu ter acesso a este notebook desse tutorial/aula da senhora!? Eu estou usando a parte de análise estatística p meu modelo de predição de preços de imóveis p meu TCC... aguardo o retorno da Sra abs 😊
na faculdade meu professor utiliza do termo gráfico randomico, sistematico e esporadico e no vídeo pra mim não ficou muito clara para assimilar, teria como me dar um norte?
Ola professora Sou de Angola aluno de ciencia de dados encontrei essa aula magnifica e me ajudou bastante. Queria saber porqué não houve necessidade de padronização das variáveis visto que elas têm magnitudes diferentes?