Dados Gerais do Componente Curricular
| Tipo do Componente Curricular: |
DISCIPLINA |
| Unidade Responsável: |
PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO APLICADA (PROFISSIONAL) (11.01.01.15.05) |
| Código: |
PPCA0026 |
| Nome: |
MÉTODOS COMPUTACIONAIS INTENSIVOS PARA MINERAÇÃO DE DADOS |
| Carga Horária Teórica: |
30 h. |
| Carga Horária Prática: |
0 h. |
| Carga Horária Total: |
30 h. |
| Pré-Requisitos: |
|
| Co-Requisitos: |
|
| Equivalências: |
|
| Excluir da Avaliação Institucional: |
Não |
| Matriculável On-Line: |
Sim |
| Horário Flexível da Turma: |
Sim |
| Horário Flexível do Docente: |
Sim |
| Obrigatoriedade de Nota Final: |
Sim |
| Pode Criar Turma Sem Solicitação: |
Sim |
| Necessita de Orientador: |
Não |
| Exige Horário: |
Sim |
| Permite CH Compartilhada: |
Não |
| Permite Múltiplas Aprovações: |
Não |
| Quantidade de Avaliações: |
1 |
| Ementa: |
1. Métodos não paramétricos e a estatística robusta: testes estatísticos, regressão não paramétrica, estimação de densidades, gráficos para grandes conjuntos de dados, componentes principais, estatística robusta.2. A inferência estatística por simulações: verossimilhança, testes e intervalos de confiança de Monte Carlo.3. Bootstrapping: formulação e propriedades, intervalos de confiança, bootstrap duplo, aplicações em modelos lineares, diagnósticos, Jackknife.4. O método MCMC (Markov Chain Monte Carlo): formulação e propriedades, amostradores de Gibbs, algoritmo de Metropolis-HAsting, aplicações em modelso lineares, diagnósticos. |
| Referências: |
Bayesian Computation with R. Albert, J. Springer, 2007.Applied Smoothing Techniques for Data Analysis: The Kernel, Approach with S-Plus Illustrations. Bowman, A. and Azzalini, A. Oxford University, 1997.Monte Carlo Statistical Methods. Robert, C. P. and Casella, G. Springer, 2004.Graphics of Large Datasets: Visualizing a Million. Uniwin, A., Theus, M. and Hofmann, H. Springer, 2006. |
|
|
