Data Science e Big Data: Decisões Baseadas em Dados

Reconhecer um problema de regressão.

Propor um modelo adequado com objetivo de inferência.

Diferenciar correlação e causalidade. 4. Identificar contextos de dimensões altas.

Selecionar o método apropriado para um contexto de dimensões altas.

Compreender as limitações dos estudos observacionais para inferência causal, com ênfase especial no fator de confusão.

Distinguir e implementar ensaios clínicos randomizados e fazer inferências causais neles.

Assimilar os princípios da detecção de anomalias.  

Formular um problema de teste de hipóteses.  

Compreender o conceito de valor p.  

Descrever vários algoritmos de aprendizagem de máquina para classificação. 

Compreender o conceito de aprendizagem profunda.

Descrever a retropropagação.

Saber distinguir a previsão tradicional dos sistemas de recomendação.

Saber distinguir recomendações baseadas no usuário de recomendações baseadas em itens.

Descrever as configurações sob as quais a Decomposição em valores singulares (Singular Value Decomposition, SVD) funciona corretamente.

Identificar sistemas de recomendação com diferentes tipos de dados.

Usar a aprendizagem ativa (active learning) para compilar dados de forma eficiente.

Estar ciente da variedade de princípios nos quais os sistemas de recomendação se apoiam. inferências causais neles.

Quando estão lidando com dados de rede ou quando uma rede é o melhor caminho para representar alguns dados.

Vários modelos de rede e suas dinâmicas.

Vários algoritmos presentes nas redes.

Os fundamentos dos modelos de grafo.

As limitações da aprendizagem dos efeitos causais dos dados observacionais.

Reconhecer quando estão trabalhando com dados temporais em contraste com dados que não são dependentes do tempo.

Definir corretamente os exemplos de treinamento e as variáveis de saída.

Conhecer vários algoritmos para a aprendizagem de features (feature learning).

Conhecer as bases da seleção de modelos e as suas diversas técnicas.