|
|
|
||||
|
|
|
Apresentação do curso; Introdução a R e Python e Importação e validação de dados | Notas de Aula: Capítulos 1, 2 e 3 | Instalação de um conjunto das ferramentas para atividades práticas: Python e Jupyter ou R e RStudio Programação em R e Python: os propostos para R nos Capítulos 2, 4, 6 e 8 em Wickham (ou nos Capítulos 4, 6 e 8 correspondentes para Python em Hathaway). Vale conferir os exercícios propostos nos Capítulos 1, 2 e 3 em Irizarry_I para R, e os dos Capítulos 1, 2 e 3 em McKinney para Python. Não deixem de tomar contato com a linguagem de marcação Markdown que tanto R quanto Python utilizam para criar documentos que integram códigos com textos: exercícios nos Capítulos 26-30 em Wickham (1a. ed.) (ou nos Capítulos 26-30 correspondentes em Hathaway para Python). Importação e validação de dados: refazer os exemplos apresentados nos Capítulos 5 e 6 em McKinney e fazer os exercícios propostos no Capítulo 11 em Hathaway. Embora os exemplos e exercícios sejam em R, alguns conceitos sobre importação de dados introduzidos nos Capítulos 20-24 em Wickham são genéricos. Um outro conceito relevante são tidy data explicado no Capítulo 5 em Wickham e no Capítulo 4 em Ismay. |
Projeto 0: Definir o problema, fazer aquisição de dados apropriados e organizá-los no formato tidy Resultado esperado: Cada grupo deve apresentar os dados coletados no formato tabular, prontos para análise, servindo como base para os projetos seguintes. |
|
|
|
||||
|
|
|
||||
|
|
|
Apresentação de Pitches do Projeto 0 | |||
| Percepção e Cognição; Princípios de Projeto de Interfaces; Estatística Descritiva; Pré-processamento de Dados (Wrangling = Importing, Clearing and Preparation; Munging = Importing, Clearing); Esploração Visual de Dados. | Notas de Aula: Capítulos 4, 5, 6 e 7 Visual Perception Theory |
Percepção e cognição: os exercícios em R propostos nos Capítulos 9 e 10 em Irizarry_I Princípios de projeto de interfaces: os exercícios propostos no Capítulo 1 e 9 em Wickham (ou no Capítulo 3 correspondente em Hathaway). Os exercícios propostos no Capítulo 8 em Irizarry_I, bem como os exercícios no Capítulo 2 em Ismay, são úteis para aprofundar o conhecimento em ggplot2 (R). Os exercícios no Capítulo 9 em McKinney exploram a biblioteca de visualização matplotlib sobre a qual é implementada plotnine (Python). Estatística Descritiva: os exercícios propostos nos Capítulos 4 e 7 em Irizarry_I e nos Capítulos 1 e 2 em Irizarry_II Limpeaza de dados: refazer os exemplos apresentados nos Capítulos 7, 8 e 10 em McKinney, fazer os exercícios propostos no Capítulo 12-16 em em Hathaway. Embora os exemplos e exercícios sejam em R, as técnicas de data wrangling discutidas nos Capítulos 12-19 em Wickham, nos Capítulos 11-17 em Irizarry_1 e no Capítulo 3 em Ismay são genéricas. |
Projeto 1: Explorar dados tabulares limpos e formular, no mínimo, 5 hipóteses plausíveis, usando visualização exploratória, estatística descritiva e análise multivariada básica. Resultado esperado: Cada grupo deve apresentar dataset limpo e estruturado, que servirá como base formal para validação estatística no Projeto 2; no mínimo 5 hipóteses (H1, H2, H3, H4 e H5), justificadas visualmente e quantitativamente. |
||
|
|
|
||||
|
|
|
||||
|
|
|
||||
|
|
|
Apresentação de Pitches do Projeto 1 | |||
| Probabilidade; Estatística de Inferência (Estimativas pontual e intervalar); Estatística de Inferência (Testes de inferência estatística); Validação Visual de Hipóteses. | Notas de Aula: Capítulos 8, 9 e 10 | Probabilidade: os exercícios propostos nos Capítulos
3,
4 e
5 em Irizarry_II.
Recomendo a leitura e prática do procedimento apresentado no Capítulo
7
em Ismay.Os dois livros contêm exemplos e exercícios em R. Estimativas pontual e intervalar: os exercícios propostos no Capítulo 8 em Ismay e nos Capítulos 6, 7, 8 e 10 em Irizarry_II Testes de inferência estatística: os exercícios propostos no Capítulo 9 em Ismay, e nos Capítulos 9 e 11 em Irizarry_II |
Projeto 2: Avaliar a plausibilidade das hipóteses formuladas no Projeto 1 por meio de intervalos de confiança, testes de hipótese e análise de incerteza. Resultado esperado: Cada grupo deve apresentar: hipóteses confirmadas, rejeitadas ou inconclusivas; interpretação estatística formal; visualizações explícitas da incerteza; e relações estatisticamente significativas, que orientarão a modelagem preditiva do Projeto 3. |
||
|
|
|
||||
|
|
|
||||
|
|
|
||||
|
|
|
Apresentação de Pitches do Projeto 2 | |||
| Regressão Linear Simples e Múltipla; Regressão Probabilística; Modelagem Explicativa e Preditiva; Validação e Diagnóstico Visual de Modelos. | Notas de Aula: Capítulos 11 e 12 | Regressão: refazer os exemplos apresentados no Capítulo
12
em McKinney e fazer os exercícios propostos nos Capítulos
5 e
6 em Ismay, e nos Capítulos
14,
15,
16,
17 e
18
em Irizarry_II. Regressão probabilística: os exercícios propostos no Capítulo 10 em Ismay. |
Projeto 3: Construir modelos que expliquem a variabilidade das variáveis de interesse, façam previsões e identifiquem anomalias. Resultado esperado: Modelos explicativos ou preditivos quantitativa e visualmente justificados. |
||
|
|
|
||||
|
|
|
||||
|
|
|
||||
| Apresentação de Pitches do Projeto 3 | |||||
|
|
|
Apresentação do projeto, em grupo de até 2 pessoas. | |||