Cursos de Extensão
Curso de Extensão: Elementos de Aprendizado de Máquina
O Departamento de Estatística da UFMG oferece o curso de extensão “Elementos de Aprendizado de Máquinas”, voltado para profissionais, professores e estudantes interessados em compreender e aplicar conceitos fundamentais de Machine Learning em bases de dados. O curso busca capacitar os participantes no uso de ferramentas estatísticas e computacionais para análise de dados, com ênfase na seleção e interpretação de modelos adequados para diferentes tipos de variáveis.
O curso foca na seleção e análise de modelos, com procedimentos adequados para dados de contagem e observações com distribuição não Gaussiana. Serão abordados conhecimentos teóricos e computacionais, utilizando basicamente o software R para estimação dos modelos. É desejável, mas não obrigatório, que os interessados possuam conhecimentos sobre o modelo de regressão linear para dados com distribuição Normal. Os exemplos são demonstrados através de aplicações a bancos de dados.
O curso será oferecido em formato EAD, com carga horária de 45 horas, no período de 21 de maio a 28 de junho de 2025, com aulas síncronas às quartas-feiras de 19:00 às 22:00 e aos sábados de 08:00 às 13:00.
Custo total do curso: R$500,00
Docente: Prof. Marcos Oliveira Prates (DEST/UFMG)
Inscreva-se em: https://www.cursoseeventos.ufmg.br/CAE/DetalharCae.aspx?CAE=11964
Ementa:
Introdução aos Modelos Lineares Generalizados: Família exponencial. Inferência. Regressão para dados de contagem (Poisson), modelos com OFFSET. Regressão para respostas binárias (Logística), análise de sensibilidade e especificidade, curva ROC. Conceitos de Superdispersão e Subdispersão. Splines (Regressão Polinomial Parcial), GAM (Modelos Aditivo Generalizados), CART (Árvores de Regressão e Classificação). Uso do Bootstrap paramétrico e não paramétrico.
Referências:
1. CORDEIRO, G. M., Modelos Paramétricos. 16º SINAPE , ABE – Associação Brasileira de Estatística.
2. COSTA, Marcelo A.; Tópicos em Ciência dos Dados – Introdução dos Modelos Paramétricos e suas aplicações utilizando o R. Editora Bonecker, 1ª Edição, 2020.
3. Demétrio, C. G. B., Modelos Lineares Generalizados em Experimentação Agronômica, 2002.
4. Dobson, A. J., An Introduction to Generalized Linear Models, Chapman & Hall, 1990.
5. VENABLES, W. N., SMITH, D. M. An Introduction to R. technical manual.
Curso de Extensão: Modelos Preditivos Lineares
O Departamento de Estatística está oferecendo o curso de extensão de “Modelos Preditivos Lineares” para profissionais, professores e alunos que necessitam utilizar corretamente tecnologias e ferramentas estatísticas para manipular, gerenciar, analisar e interpretar dados. O curso é indicado para pessoas que procuram atualização na aplicação de modelos preditivos, com uso da ferramenta computacional R, para análise de banco de dados.
A análise de regressão é uma das primeiras ferramentas usadas para analisar um conjunto de dados. Envolve estimar a relação entre variáveis, e muitas vezes dá uma visão imediata sobre a organização das mesmas. Este método é simples e muitas vezes fornece uma descrição adequada e interpretável de como variáveis explicativas podem afetar uma variável resposta.
O curso é construído de forma a aliar conhecimentos teóricos e computacionais, utilizando basicamente o software R para estimação do modelo. Os exemplos são demonstrados através de aplicações a bancos de dados.
O curso será oferecido em formato EAD, com carga horária de 45 horas, no período de 09 de abril a 17 de maio de 2025, com aulas síncronas às quartas-feiras de 19:00 às 22:00 e aos sábados de 08:00 às 13:00.
Custo total do curso: R$500,00
Docente: Prof. Fábio Nogueira Demarqui (DEST/UFMG)
Inscreva-se em: https://www.cursoseeventos.ufmg.br/CAE/DetalharCae.aspx?CAE=11908
Ementa:
Diagrama de dispersão. Método dos mínimos quadrados. Igualdade entre os estimadores de máxima verossimilhança e método dos mínimos quadrados. Necessidade de hipóteses para a componente de erro do modelo. Análise de Resíduos. Identificação de valores influentes. Transformação de variáveis. Variáveis indicadoras. Multicolinearidade. Seleção do melhor modelo de regressão. Aplicação dos procedimentos de regressão Linear em diversas áreas do conhecimento.
Referências:
1. Julian J. Faraway – Linear Models with R, Chapman & Hall/CRC Texts in Statistical Science, 2004.
2. MONTGOMERY, D. C.; PECK, E. Introduction to linear regression analysis. 3rd Edition. New York: Wiley-Interscience, 2001.
Telefone: (31)3409-5920 
Email: 
