Carregando
Página inicial »Exatas » Astronomia » [AGA0505-2] Análise de Dados em Astronomia I

[AGA0505-2] Análise de Dados em Astronomia I

Ordenar por:    Aula   |   Título   |   Por data (mais novo ao mais antigo)
10 vídeos disponíveis nesta disciplina

Vídeos

primeira parte da aula 5 do cursos Análise de Dados em Astronomia I - testes de hipótese
segunda parte da aula 5 do curso Análise de Dados em Astronomia I: testes de hipóteses
aula 6: método da máxima verossimilhança (1a. parte) 1. modelagem dos dados 2. a verossimilhança 3. inferência de parâmetros pelo método da máxima verossimilhança 4. exemplo: combinação de medidas 5. exemplo: distribuição gaussiana 6. exemplo: distribuição binomial 7. exemplo: distribuição poissoniana 8. exemplo: função com erros gaussianos 9. otimização de funções 10. erro nos parâmetros 11. propagação de erros 12. métodos de reamostragem: bootstrap
método da máxima verossimilhança: regressão linear modelos robustos regressão multi-linear indicadores de distâncias de galáxias elípticas e lenticulares modelos não-lineares: perfil de brilho de NGC 4472 (M49) modelos em lei de potências
o teorema de Bayes inferência de parâmetros priores predições exemplo: inferência dos parâmetros de uma gaussiana exemplo: análise sequencial ou conjunta? exemplo: a função beta e a distribuição binomial
o problema do farol detecção de uma linha espectral modelos gerativos ABC: approximate bayesian computation modelos hierárquicos
comparação de modelos a estória de Mr. A e Mr. B as moedas de Mr. A e Mr. B cálculo numérico da evidência por Monte Carlo métodos aproximados: BIC e AIC
1 inteligência artificial, machine learning e deep learning 2. dados 3. aprendizagem 4. tipos de aprendizagem 5. modelos paramétricos e não-paramétricos 6. generalização e overfitting 7. aplicações: regressão, classificação, estimativa de densidades, cluster analysis, redução de dimensionalidade
regressão e classificação regressão linear ordinária regularização regressão com kernel validação cruzada o que é classificação a função custo completeza e contaminação classificação com k-nn regressão logística SVM: support vector machines árvores de decisão random forest
o que são redes de neurônios artificiais funções de ativação o perceptron multi-camadas o teorema da universalidade treinamento e back-propagation redes convolucionais redes convolucionais pré-treinadas regressão e classificação monitoramento do treinamento dicas: the universal workflow of ML (Chollet) a fauna das redes neurais
10 vídeos disponíveis nesta disciplina

 

Pró-Reitoria de Graduação
Telefone: +55 11 3091-9942