Estatística e Ciência de Dados

Capa
Frontispício
GEN
Página de rosto
Créditos
Dedicatória
Prefácio
Sumário
Material Suplementar
1 Estatística, Ciência de Dados e Megadados
	1.1 Introdução
	1.2 Aprendizado com Estatística
	1.3 Aprendizado automático
	1.4 Uma cronologia do desenvolvimento da Estatística
	1.5 Notação e tipos de dados
	1.6 Paradigmas para o aprendizado com Estatística
	1.7 Este livro
	1.8 Conjuntos de dados
	1.9 Notas de capítulo
I Análise Exploratória de Dados
	2 Preparação dos dados
		2.1 Considerações preliminares
		2.2 Planilhas de dados
		2.3 Construção de tabelas
		2.4 Construção de gráficos
		2.5 Notas de capítulo
		2.6 Exercícios
	3 Análise de dados de uma variável
		3.1 Introdução
		3.2 Distribuições de frequências
		3.3 Medidas resumo
		3.4 Boxplots
		3.5 Modelos probabilísticos
		3.6 Dados amostrais
		3.7 Gráficos QQ
		3.8 Desvio padrão e erro padrão
		3.9 Intervalo de confiança e tamanho da amostra
		3.10 Transformação de variáveis
		3.11 Notas de capítulo
		3.12 Exercícios
	4 Análise de dados de duas variáveis
		4.1 Introdução
		4.2 Duas variáveis qualitativas
		4.3 Duas variáveis quantitativas
		4.4 Uma variável qualitativa e outra quantitativa
		4.5 Notas de capítulo
		4.6 Exercícios
	5 Análise de dados de várias variáveis
		5.1 Introdução
		5.2 Gráficos para três variáveis
		5.3 Gráficos para quatro ou mais variáveis
		5.4 Medidas resumo multivariadas
		5.5 Tabelas de contingência de múltiplas entradas
		5.6 Notas de capítulo
		5.7 Exercícios
	6 Análise de Regressão
		6.1 Introdução
		6.2 Regressão linear simples
		6.3 Regressão linear múltipla
		6.4 Regressão para dados longitudinais
		6.5 Regressão logística
		6.6 Notas de capítulo
		6.7 Exercícios
	7 Análise de Sobrevivência
		7.1 Introdução
		7.2 Estimação da função de sobrevivência
		7.3 Comparação de curvas de sobrevivência
		7.4 Regressão para dados de sobrevivência
		7.5 Notas de capítulo
		7.6 Exercícios
II Aprendizado Supervisionado
	8 Regularização e Modelos Aditivos Generalizados
		8.1 Introdução
		8.2 Regularização
		8.3 Modelos aditivos generalizados (GAM)
		8.4 Notas de capítulo
		8.5 Exercícios
	9 Classificação por meio de técnicas clássicas
		9.1 Introdução
		9.2 Classificação por regressão logística
		9.3 Análise discriminante linear
		9.4 Classificador do vizinho mais próximo
		9.5 Algumas extensões
		9.6 Notas de capítulo
		9.7 Exercícios
	10 Algoritmos de Suporte Vetorial
		10.1 Introdução
		10.2 Fundamentação dos algoritmos de suporte vetorial
		10.3 Classificador de margem máxima
		10.4 Classificador de margem flexível
		10.5 Classificador de margem não linear
		10.6 Regressão por algoritmos de suporte vetorial
		10.7 Notas de capítulo
		10.8 Exercícios
	11 Árvores e Florestas
		11.1 Introdução
		11.2 Classificação por árvores
		11.3 Bagging, boosting e florestas
		11.4 Árvores para regressão
		11.5 Notas de capítulo
		11.6 Exercícios
	12 Redes neurais
		12.1 Introdução
		12.2 Perceptron
		12.3 Redes com camadas ocultas
		12.4 O algoritmo retropropagação (backpropagation)
		12.5 Aprendizado profundo (Deep learning)
		12.6 Notas de capítulo
		12.7 Exercícios
III Aprendizado não Supervisionado
	13 Análise de Agrupamentos
		13.1 Introdução
		13.2 Estratégias de agrupamento
		13.3 Algoritmos hierárquicos
		13.4 Algoritmos de partição: K–médias
		13.5 Notas de capítulo
		13.6 Exercícios
	14 Redução de dimensionalidade
		14.1 Introdução
		14.2 Análise de Componentes Principais
		14.3 Análise fatorial
		14.4 Análise de componentes independentes
		14.5 Notas de capítulo
		14.6 Exercícios
Referências
Apêndice A Otimização numérica
	A.1 Introdução
	A.2 O método de Newton-Raphson
	A.3 O método scoring
	A.4 O método de Gauss-Newton
	A.5 Métodos Quase-Newton
	A.6 Aspectos computacionais
	A.7 Notas de capítulo
	A.8 Exercícios
Apêndice B Noções de simulação
	B.1 Introdução
	B.2 Método Monte Carlo
	B.3 Simulação de variáveis discretas
	B.4 Simulação de variáveis contínuas
	B.5 Simulação de vetores aleatórios
	B.6 Métodos de reamostragem
	B.7 Notas de capítulo
	B.8 Exercícios
Apêndice C Algoritmos para dados aumentados
	C.1 Introdução
	C.2 O algoritmo Em
	C.3 O algoritmo em Monte Carlo
	C.4 Cálculo de erros padrões
	C.5 O algoritmo para dados aumentados
	C.6 Exercícios