Horários de Consulta: Sabados as 14-15h e domingos das 20-21 horas. No link:
https://meet.google.com/xgf-jman-pyv
Whatsapp do Gabriel : 019-988-627-438
Mind Fulness e Tenis sabados das 16 às 18 nas quadras de tenis da esalq
https://sites.google.com/usp.br/labs-ia-cd-a-b
Agenda Atualizada
Pauta
- Regressão Robusta Simples SAS
- Acertar
credenciamento
- Regressão Multipla Robusta
- IAI (Machine Learning) Não Supervisionada para Redução
de Dimensão - PCA-Biplot
Exercícios e Seminário
Ilustração, modelo de exercício pratico
Fazer individualmente ou em duplas os exercicios praticos.
Exercicios teoricos individuais.
Seminario individual.
Whatsapp do Gabriel: 019-988-627-438
Enviar os exercícios e seminario para o e-mail da disciplina.
E-Mail da Disciplina:
biologia.inteligente.10@gmail.com
Colocar no Assunto do e-mail o Nome Completo tipo de exercício (pratico ou teórico) número do exercício ou seminário.
Seminário
Escolha um assunto entre os exercícios teóricos e práticos e elabore um seminário com 14 slides, em português, inglês ou espanhol. DL: 10/11. Enviar o seminário no e-mail de exercícios com seu nome, trabalho individual.
Exercícios Práticos podem ser feitos em dois ou três pessoas.
Exercício Teórico 1
Elabore 7 slides sobre os assuntos:
- I Artificial: conceito, tipos, utilização
- I Artificial na Biologia e Ecologia
- Robótica
- Bots
De 4 a 6 slides.
Prazo:21/8
Exercício Teórico 2
- Machine learning. Conceito, tipos
- Matriz de Confusão. Utilidade
- Exemplos práticos de aplicação de Machine learning
- De 8 a 12 slides.
DL: 28/8
Exercício Teórico 3
- Ciência de Dados, conceito, tipos e utilidade.
- Estatística Robusta Uni e Multivariada
- De 8 a 12 slides.
DL:
Exercício Teórico 4
- Gestão Sistêmica de Organizações: ONG, Laboratório, Projeto de Pesquisa ou Extensão, Instituto de Pesquisa, Empresa etc. Quais são (definição) e quem é responsável numa organização da gestão: Estratégica, Tática ou Operacional.
Vocês têm a melhor formação para gestão sistêmica, estudam os sistemas mais complexos, ecossistemas, fisiologia e anatomia de animais e plantas etc. DL:
Exercício Teórico 5
- Enumere e explique os parâmetros que são obtidos a partir da matriz de confusão na IAI Supervisionada para Classificação. Apresente um exemplo. De 8 a 12 slides.
DL:
Exercício Teórico 6
Como o Biólogo pode se beneficiar da IA profissionalmente, 6 slides. DL: 31/10
Exercícios Praticos
Exercício Prático 1 – Resolva no Excel ou LO Calc. A distancia afeta a concertracao de As no biomonitor? Prazo: 21/8
Distan. | As |
(m) | (mg/kg) |
100 | 0,98?? |
200 | 0,95??? |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 0,09 |
Exercício Pratico 2. Resolva no Excel ou LO Calc. A distancia afeta a concertracao de As no biomonitor? Agora com o outlier (dado fora de contexto, atipico). Prazo: 28/8
Distan. | As |
(m) | (mg/kg) |
100 | 0,98?? |
200 | 0,95??? |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 0,09 |
1100 | 2,99 |
Outlier
Exercício Pratico 3 - Resolva com Regressão Robusta em SAS. A distancia afeta a concertracao de As no biomonitor? Agora com o outlier (dado fora de contexto, atipico). Prazo:
Distan. | As |
(m) | (mg/kg) |
100 | 0,98?? |
200 | 0,95??? |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 0,09 |
1100 | 2,99 |
Outlier
Arquivo de Resultados e Discussão
Outro arquivo com Resultados e Discussão
Exercício Pratico 4. Regressão Multipla em Excel ou LOffice Calc, SAS (proc reg e robustreg) e Weka. Dead Line:
Resultado do Ex. 4
Exercício Pratico 5 - aplicar IAIN para Redução de Dimensão no Exercício Pratico 4. DL:
data biodiv;
input DBO ICobV ICArb Bcont Dis_Pl IBD_A;
datalines;
1.604 89 60 11 9 90.??
0.385 90 61 10 8.9 91
0.216 91 62 9 9.1 92
0.303 90 59 10 8.8 89
1.961 20 12 81 0.2 20
0.782 21 14 79 0.3 22
0.57 22 15 78 0.25 23
2.187 22 12 77 0.2 24
0.764 59 35 41 6 60
0.273 60 32 40 6.5 61
1.883 64 33 38 5.8 63
0.581 62 32 37 5.6 62
0.18 79 50 21 8.2 80
0.007 80 49 20 7.8 79
2.028 80 48 18 8.2 81
2.431 79 47 21 7.7 78
0.216 92 61 9.1 9.5 23
;
proc print;
run;
proc prinqual plots=(MDPref);
transform identity(DBO ICobV ICArb Bcont Dis_Pl IBD_A);
ods select MDPrefPlot;
run;
Ex. Pratico 6 - Procurar um banco de dados na Internet para aplicar Regressão Robusta e IA I Não S para Redução de Dimensão PCA-Biplot. DL:
Ex. Pratico 7 - IAI Não Supervisionada para Agrupamentos e Distâncias Multivariados. DL:
Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação - Cluster analysis
Cidade | Regiao | Cid_reg | Habitantes | IDH | Rend_Cap | Cap_Empr | Teci_Emr | Gov_Descn | Org_Prod | Ins_Compet | Edu_Empr |
Piracicaba | SE | Pir_SE | 439 | 0,785 | 1,14 | 0,54 | 0,695 | 0,796 | 0,598 | 0,761 | 0,004 |
Sao_Car | SE | SC_SE | 252 | 0,805 | 1,08 | 0,686 | 0,653 | 0,812 | 0,564 | 0,788 | 0,002 |
Sao_Jose | SE | SJ_SE | 461 | 0,797 | 1,17 | 0,613 | 0,73 | 0,648 | 0,597 | 0,769 | 0,011 |
Mon_Clar | SE | MC_SE | 409 | 0,77 | 0,65 | 0,481 | 0,651 | 0,696 | 0,549 | 0,666 | 0,124 |
Rondono | CO | Ron_CO | 232 | 0,755 | 0,84 | 0,452 | 0,509 | 0,626 | 0,567 | 0,651 | 0 |
Anápolis | CO | Aná_CO | 387 | 0,737 | 0,79 | 0,481 | 0,645 | 0,695 | 0,562 | 0,708 | 0 |
Camp_Gra | NE | CG_NE | 410 | 0,72 | 0,63 | 0,458 | 0,565 | 0,683 | 0,571 | 0,59 | 0,584 |
Petroli | NE | Pet_NE | 349 | 0,697 | 0,61 | 0,419 | 0,43 | 0,678 | 0,528 | 0,57 | 0,009 |
Rio_Bran | Norte | RB_Norte | 407 | 0,727 | 0,74 | 0,342 | 0,47 | 0,663 | 0,486 | 0,503 | 0,0009 |
Boa_Vista | Norte | BV_Norte | 399 | 0,752 | 0,79 | 0,338 | 0,458 | 0,538 | 0,502 | 0,585 | 0,082 |
Maringa | S | Mar_S | 424 | 0,808 | 1,2 | 0,652 | 0,753 | 0,791 | 0,611 | 0,765 | 0,01 |
Cax_Sul | S | CS_S | 347 | 0,75 | 0,95 | 0,446 | 0,715 | 0,654 | 0,559 | 0,715 | 0,046 |
| |
Inteligência artificial indutiva (Machine Learning) não supervisionada para classificação - Cluster analysis
Cluster e Dendrograma de todas as cidades, programa SAS:
data cidades;
/* variaveis foram semaciondas por significancia com Robust Anova */
input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;
cards;
Pir_SE 0.785 1.14 0.54 0.695 0.598 0.761??
SC_SE 0.805 1.08 0.686 0.653 0.564 0.788
SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769
MC_SE 0.77 0.65 0.481 0.651 0.549 0.666
Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651
Ana_CO 0.737 0.79 0.481 0.645 0.562 0.708
CG_NE 0.72 0.63 0.458 0.565 0.571 0.59
Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57
RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503
BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585
Mar_S 0.808 1.2 0.652 0.753 0.611 0.765
CS_S 0.75 0.95 0.446 0.715 0.559 0.715
;
proc print;
run;
proc cluster data=cidades outtree = arvore method = average;
var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;
id Cid_reg;
run;
PROC TREE DATA = arvore;
RUN;
Ex. Pratico 8 - IAI Não Supervisionada para Agrupamentos e Distâncias Multivariados, seleção de variáveis preditoras, equalização e detecção de outliers. ANOVA, RobustANOVA, Box and Wisker Plot. DL:
Relatorio para download:
Dados em Planilha Eletrônica:
Categ | IMC | Movim | Kcal |
AT | 20,2 | 53,7 | 28?? |
AT | 21,3 | 54,8 | 2700 |
AT | 19,3 | 49,6 | 2800 |
AT | 21,1 | 52,3 | 2900 |
AT | 24,1 | 30,3 | 2700 |
SEM | 22,4 | 14,9 | 2600 |
SEM | 21,9 | 17,8 | 2700 |
SEM | 23,8 | 18,6 | 3200 |
SEM | 24,1 | 15,1 | 3300 |
SE | 27,3 | 2,5 | 2700 |
SE | 23,4 | 4,3 | 2300 |
SE | 25,2 | 2,3 | 2600 |
SE | 26,4 | 2,6 | 3200 |
PR | 26,2 | 4,1 | 2600 |
PR | 24,2 | 2,1 | 2700 |
PR | 25,4 | 1,9 | 2650 |
PR | 21,1 | 20 | 2650 |
PR | 25,2 | 3,1 | 2650 |
PR | 24,8 | 2 | 2675 |
