heydefranca / intro-datasci

[Slides]	[Informes]	[Calendário]	[Exemplos]	[TPs]	[Listas]	[Bibliografia]

---

DCCXXX: Introdução a Ciência de Dados

Professores: Pedro Olmo e Flavio Figueiredo

Aulas: 17h. Sala ainda não definida.

Informes

Calendário

Aula	Data	Assunto	Informações
		Basics
01		Apresentação do Curso e Python 101
02		Tabelas e Sumarização de Colunas
03		Correlação
04		Simpsons Paradox
05		Método Científico
06		Testes de Hipótese p-vals (Permutation)
07		Testes de Hipótese ICs (Bootstrap)
08		Inferência Bayesiana 01
09		Inferência Bayesiana 02 (Causalidade)
10		Poder e Testes Múltiplos
		Interpretando dados com Modelos Simples
11		Matrizes e Revisão ALG
12		Verossimilhança de Dados
13		Regressão Linear
14		Gradient Descent e Newton-Raphson (Fittig/Vet)
15		Gradient Descent e Newton-Raphson (Fittig/Vet)
16		Regularização
17		Regressão Logística
18		Interpretando coeficientes (div 4 rule)
19		Revisão Probabilidade, Histogramas e CDFs
20		Comparando Distribuições
		Machine Larning Básico
21		Clustering 01 K-Means
22		Clustering 02 Hierarchical
23		Classificação 01 Árvores
24		Classificação 02 Florestas
25		Validação Cruzada
26		Dimensionalidade PCA/NMF (Recomendação)
27		Estudo de Caso
28		Estudo de Caso
29		Apresentação de Projetos
30		Apresentação de Projetos

TPs

Bibliografia

1. Computational and Inferential Thinking: The Foundations of Data Science
   Ani Adhikari and John DeNero
   Apenas em inglês. Aberto!

2. Fundamentos Estatísticos para Ciência da Computação
   Renato Assunção
   Português

3. Elements of Causal Inference: Foundations and Learning Algorithms
   Jonas Peters, Dominik Janzing and Bernhard Schölkopf
   Apenas em inglês. Aberto!

4. Statistics Done Wrong
   Alex Reinhart

Mais material

• Curso CMU
• Livro Aberto Jake Van Der Plas
• Curso UFCG
• Curso NYU
• data 8 - Curso Caltech/Berkley
• Formato do the straigh dope
• http://ruder.io/optimizing-gradient-descent/index.html