• Caderno de BD
  • Big Data Analytics 2022
    • Organização
  • 1 Estatística descritiva
    • 1.1 Exercício
    • 1.2 Pacotes
    • 1.3 Conjunto de dados
    • 1.4 Informações dos atributos
    • 1.5 Análise descritiva de algumas ações
    • 1.6 Avaliando NUBR33
  • 2 Regressão
    • 2.1 Conjunto de dados
    • 2.2 Preço das casas
      • 2.2.1 Pacotes
      • 2.2.2 Conjunto de dados
      • 2.2.3 Descrevendo os dados:
      • 2.2.4 Ajustes de modelos lineares simples
      • 2.2.5 Predição
    • 2.3 Análise conjunto energia
      • 2.3.1 Pacotes
      • 2.3.2 Conjunto de dados
    • 2.4 Análise Conjunto vendas vs fontes de publidades
      • 2.4.1 Pacotes
      • 2.4.2 Conjunto de dados
    • 2.5 Análise conjunto ST vs demais variáveisCREDIT SCORE X RENDA E OUTRAS V
      • 2.5.1 Pacotes
      • 2.5.2 Conjunto de dados
    • 2.6 Consumo alimentar médio
      • 2.6.1 Pacotes
      • 2.6.2 Conjunto de dados
      • 2.6.3 Regressão
      • 2.6.4 Predição
      • 2.6.5 Agrupamento
  • 3 Classificação
    • 3.1 Conjunto de dados
    • 3.2 Inibina B como marcador
      • 3.2.1 Pacotes
      • 3.2.2 Conjunto de dados
      • 3.2.3 Generalized Linear Models
      • 3.2.4 Linear Discriminant Analysis - Fisher
      • 3.2.5 Bayes
      • 3.2.6 Decison tree
      • 3.2.7 SVM
      • 3.2.8 Neural network
      • 3.2.9 KNN
      • 3.2.10 Comparando os modelos
      • 3.2.11 Agrupamento
    • 3.3 Ultrassom para medir deslocamento do disco
      • 3.3.1 Pacotes
      • 3.3.2 Conjunto de dados
      • 3.3.3 Generalized Linear Models
      • 3.3.4 Linear Discriminant Analysis - Fisher
      • 3.3.5 Bayes
      • 3.3.6 Naive Bayes
      • 3.3.7 Decison tree
      • 3.3.8 SVM
      • 3.3.9 Neural Network
      • 3.3.10 KNN
      • 3.3.11 Comparando os modelos
      • 3.3.12 Agrupamento
    • 3.4 Classificação de tipos faciais
      • 3.4.1 Pacotes
      • 3.4.2 Conjunto de dados
      • 3.4.3 Separando o conjunto de dados para treinamento
      • 3.4.4 Generalized Linear Models
      • 3.4.5 Linear Discriminant Analysis - Fisher
      • 3.4.6 Bayes
      • 3.4.7 Naive Bayes
      • 3.4.8 Decison tree
      • 3.4.9 SVM
      • 3.4.10 Neural networks
      • 3.4.11 KNN
      • 3.4.12 Comparando os modelos
      • 3.4.13 Agrupamento
    • 3.5 Análise do conjunto de dados USArrests
      • 3.5.1 Pacotes
      • 3.5.2 Conjunto de dados
      • 3.5.3 Agrupamento
  • 4 Trabalho final
    • 4.1 Introdução
    • 4.2 Objetivo
    • 4.3 Problema
    • 4.4 Metodologia
      • 4.4.1 Estimando a Surpresa dos Mercados
    • 4.5 Índice Bovespa
    • 4.6 Indicador Selic
    • 4.7 Pesquisa Focus
    • 4.8 Reuniões COPOM
    • 4.9 Ibovespa e Selic
    • 4.10 Unindo os conjuntos de dados
    • 4.11 Preço Ibovespa ajustado antes e depois da reunião
    • 4.12 Salvando o conjunto de dados
    • 4.13 Correlação Ibovespa e Selic
      • 4.13.1 Crise dos Subprime
      • 4.13.2 Crise financeira mundial
      • 4.13.3 Crise da zona do euro
      • 4.13.4 Grande recessão brasileira
      • 4.13.5 COVID-19
      • 4.13.6 Resumo
    • 4.14 Conclusão
    • 4.15 Referências
    • 4.16 Apêndice A - Código-fonte
  • Published with bookdown

Caderno de exercícos Mestrado de computação aplicada

Caderno de exercícos Mestrado de computação aplicada

Anderson dos Santos

2022-12-13

Big Data Analytics 2022

Autor: Anderson dos Santos

Prof: Olga Satomi Yoshida

Organização

  1. Analise de ações (Gráficos + Discritivos)
  2. Lista de regressões (Aula 6) - EXERCICIOS.pdf
  3. Lab 3 (Aula 8 - Classificação) LABORATÓRIO R.pdf
  4. Trabalho de conclusão