quinta-feira, 27 de junho de 2019

Videoaulas de Regressão - Macro em Excel - EXCEL AVANÇADO

Videoaulas de Regressão - Macro em Excel  - EXCEL AVANÇADO

Videoaula 1 - Resolvendo Graficamente e Sem Probabilidade ( Sem Macros em Excel)

https://www.youtube.com/watch?v=HWnrEfMHOZw&feature=youtu.be





Videoaula 2 - Resolvendo com Probabilidade, Margem de Erro e Margem de Confiança, Inferência Estatística - Macro de Regressão em Excel


https://www.youtube.com/watch?v=qLbziQKSeB8&feature=youtu.be


 Propaganda - Vendas 

Arquivo para Download




Regressão Linear é um dos modelos mais atrativos devido a sua representação entendível, no caso da regressão linear simples sua utilização é mais para aprendizado, já que na prática ela não é muito aplicada, visto que, em muitos casos a gama de variáveis de entradas é maior, fazendo-se uso da Regressão Linear Multivariável, ao qual não adentraremos nesse post. O modelo de representação da regressão linear simples é a tradicional equação conhecida como equação da reta ou em inglês slope-intercept form, usaremos a notação mais utilizada em exemplos de Machine Learning e não da matemática, mas você pode saber mais sobre a própria equação neste link.
Temos o y a variável dependente que representa a predição, as letras gregas β (Beta), também conhecidos como coeficientes, que são a representação das variáveis que o algoritmo irá utilizar para “aprender” a produzir as previsões mais precisas e o x a variável independente que representa o dado de entrada. As letras gregas β também são conhecidas como inclinação e interceptação ou em inglês intercept-slope.

Função de custo


Função de custo, no inglês cost function ou ainda ordinary least squares é uma função utilizada para medir o quão errado o modelo está, os chamados resíduos. Isto é, consiste no cálculo da distância de cada ponto (distância essa entre as variáveis x e y) em relação a reta de regressão, esse valor é elevado ao quadrado e somado, o total é a quantidade média de erro do modelo.

Serie legal: Netfilx e Youtube Merli

Serie legal: Netfilx e Youtube Merlì
Professor de Filosofia em Barcelona

Projeto Inteligencia Artificial - Ciência de Dados e Gestão Sistêmica e 4.0 - 4a Revolução Industrial

Projeto Inteligencia Artificial - Ciência de Dados e Gestão Sistêmica e 4.0 - 4a Revolução Industrial

Link:
https://ia-cd-gs-esalq-usp.blogspot.com/

sexta-feira, 7 de junho de 2019

Relações Causa - Efeito: Regressão Japão: Kaoru Ishkawa - Diagrama de Dispersão

Relações Causa - Efeito:
 Regressão
Japão: Kaoru Ishkawa
 Diagrama de Dispersão

 Propaganda - Vendas 

Arquivo para Download




Regressão Linear é um dos modelos mais atrativos devido a sua representação entendível, no caso da regressão linear simples sua utilização é mais para aprendizado, já que na prática ela não é muito aplicada, visto que, em muitos casos a gama de variáveis de entradas é maior, fazendo-se uso da Regressão Linear Multivariável, ao qual não adentraremos nesse post. O modelo de representação da regressão linear simples é a tradicional equação conhecida como equação da reta ou em inglês slope-intercept form, usaremos a notação mais utilizada em exemplos de Machine Learning e não da matemática, mas você pode saber mais sobre a própria equação neste link.
Temos o y a variável dependente que representa a predição, as letras gregas β (Beta), também conhecidos como coeficientes, que são a representação das variáveis que o algoritmo irá utilizar para “aprender” a produzir as previsões mais precisas e o x a variável independente que representa o dado de entrada. As letras gregas β também são conhecidas como inclinação e interceptação ou em inglês intercept-slope.

Função de custo




Função de custo, no inglês cost function ou ainda ordinary least squares é uma função utilizada para medir o quão errado o modelo está, os chamados resíduos. Isto é, consiste no cálculo da distância de cada ponto (distância essa entre as variáveis x e y) em relação a reta de regressão, esse valor é elevado ao quadrado e somado, o total é a quantidade média de erro do modelo.

quinta-feira, 6 de junho de 2019

Projeto Inteligência Artificial-Ciência de Dados e Gestão Sistêmica & 4.0

Projeto Inteligência Artificial-Ciência de Dados e Gestão Sistêmica & 4.0 - Quarta Revolução Industrial













Projeto Inteligência Artificial-Ciência de Dados e Gestão Sistêmica & 4.0

Coordenador: Prof. Gabriel Sarriés


- Estão todos convidados, acompanhem nosso blog (https://ia-cd-gs-esalq-usp.blogspot.com) e participem de nossas reuniões, próxima reuniao dia 10/7 (neste mês não da pelo fim do semestre) as 15h no Laboratório A do LCE ou por Youtube, ver endereço no blog do projeto, transmitiremos on line e também ficará gravado em streaming;

- Estaremos discutindo permanentemente a forma de nos adaptar a esse Mundo da Inteligencia Artificial e da Industria, Gestão e Serviços 4.0, Quarta Revolução Industrial (Alemanha 2013);

- Surgirão e desaparecerão especialidades, mudanças profundas nas profissões, estaremos monitorando o mercado em parceria com o setor produtivo;

- Iremos orientar alunos de graduação e pós-graduação profissionalizante na implantação de ferramentas modernas em empresas, nessas duas situações vocês terão pleno acesso a todas as empresas, podemos ser coorientadores, flexibilidade total;

- Temos parcerias com institutos de pesquisa no Brasil e Exterior: NIT-Q&M, CCDA, CS-UNESCO, ITAL, EBRAPA, MAPA, CERTI, IPT, INMETRO, NIST (mais de 1000 vesses orçamento da USP uma pós-doutora nossa, Maria, la), AIEA (Peter Bode - Coach-ISO-28anos-Fukushima-Iran), etc.

- Estamos convidando a todos os professores do LAN a participar do projeto, também de LES, CENA e outros departamentos;

- Pretendo trabalhar neste projeto ate ficar gaga, o chamo "O Saidero", é muito ambicioso e eu estou na ultima parte da carreira, porem no momento não conheço ninguém na USP de Piracicaba que tenha meu conhecimento como para coordenar este projeto, logicamente nos próximos anos as pessoas adquirirão esse conhecimento, quero delegar a coordenação o antes possível;

- Já tentei colocar outro coordenador mas as pessoas não se sentem preparadas ainda, tal vez de aqui a um ou dois anos;

- Os trabalhos já começaram, vejam nossos produtos:

Produtos


Publicações utilizando Inteligência Artificial:
(tal vez as primeiras da ESALQ)

IWAHASHI, P. M. R. ; CAVALARO, R. I., MAZOLA, Y. T. , SILVA, H. M. R. , VIEIRA, T. M. F. S. , SARRIÉS, G. A. Utilização de Técnicas de Inteligência de Mercado para Classificação do Consumidor de Óleos Vegetais na Preferencia de Compra. In: IV Congresso de Óleos e Gorduras - International  Meeting on Fats and Oils, 2019, Campinas. Anais do IV Congreso de Oleos e Gorduras, 2019. p. 39.

MAZOLA, Y. T. ; FERNANDES, E. A. N. ; BACCHI, M. A. ; SARRIÉS, G. A. ; GONZAGA, C. L. . Neutron activation analysis and data mining techniques to discriminate beef cattle feed. In: 2nd International Conference on Radioanalytical and Nuclear Chemistry - RANC, 2019, Budapeste. Book of Abstracts. Budapeste: Akadémiai Kiadó, 2019. v. 1. p. 319-319.

MAZOLA, Y. T. ; FERNANDES, E. A. N. ; BACCHI, M. A. ; SARRIÉS, G. A. ; ASSIS, T. F. C. F. ; LUCCAS, F. ; GONZAGA, C. L. . Neutron activation analysis and data mining techniques for beef discrimination studies. In: 33o Latin-American Congress of Chemistry and X Congress of Chemical Sciences, Technology and Innovation, 2018, Havana. Scientific Program, 2018.

Rastreabilidade Química de Carne Bovina nos Biomas Brasileiros, Argentina, Austrália e Uruguai, Utilizando Inteligência Artificial e Ciência de Dados. Resumo a ser encaminhado ate 7/6/2019 para congresso em Espanha no mês de outubro de 2019. Um dos autores é o Prof. Gabriel Sarriés outros MAZOLA, Y. T. ; FERNANDES, E. A. N. ; BACCHI, M. A. ; ; ASSIS, T. F. ; LUCCAS, F. ; GONZAGA, C. L.







Disciplinas na ESALQ/USP. Coordenadas pelo Prof. Gabriel Sarriés
Que abordam os itens do Projeto


Graduação ( a partir de 2020)
·                 LCE1270 –  Inteligência Artificial, Big-Small Data e Gestão para Indústria, Serviços  e Fazenda  4.0.
·                  LCE137 - Inteligência Artificial, Data Mining e Gestão para  Inovação e Hipercompetitividade.
·                  LCE136 - Ciência de Dados e Gestão para Empregabilidade, Empreendedorismo e Inovação.
·                  LCE134 - Computação, Inteligência Artificial e Organizacional para Ciência dos Alimentos Visando Hipercompetitividade e Hiperinovação.
·                  LCE105 -  Computação, Inteligência Artificial e Organizacional para Economia Visando Hipercompetitividade.
·                 LCE0100 – Inteligência Artificial  Gestão e Certificação Internacional da Qualidade na Produção de Alimentos


Pós-graduação:
·                 LCE5736– Estatística Metrologia e Inteligência para Gestão e Pesquisa
                           Blog: https://estat-teses-gest-esalq.blogspot.com
·                 LCE587 – Residência em Analises Estatísticas


Acessórias Permanentes nas Áreas de Inteligência Artificial – Ciência de Dados e Gestão Sistêmica:

·                 Núcleo de Inovação Tecnológica Qualidade e Metrologia na Agropecuária NIT-Q&M ( CENA-ESALQ-CNPq);

·                 CRM-Agro - Centro Colaborador em Defesa Agropecuária: Produção de Materiais de Referência  e Organização de Ensaios de Proficiência para Agricultura, Pecuária e Toxicologia (CENA – ESALQ / USP EMBRAPA, FCFRP  MAPA e CNPq).

·                 Brazilian Satellite Centre of Trace Element Institute for UNESCO BSC/UNESCO

·                 Laboratório de Análises Estatísticas do Departamento de Ciências Exatas da ESALQ/USP.


Trabalhos em Andamento nas Áreas de Inteligência Artificial e Ciência

 de Dados

·                 Fraudes em cartão de credito, mestrado em Estatistifica;

·                Rastreabilidade química de carne bovina no Brasil, resumo encaminhado para Espanha, apresentado em Korea;

·                 Diagnostico de doenças para medicina humana (cardiopatias), Hospital Albert Einstein, Dr. Ariovaldo (ESALQ);

·                 Diagnostico de problemas em redes elétricas, geração de energia      eólica (Traspa - Sebastián Sarriés)

·                Elementos portadores de futuro (terras raras) que são aplicados na fabricação de materiais de alta tecnologia (carros híbridos, misseis, aparelhos médicos, suprimas, etc.). Profa. Elisabete Fernades e INB;

·                 Testes de proficiência laboratoriais, metrologia em química para alimentos (mais de 60 laboratórios do Brasil participando desse projeto) com quatro rodadas de abrangência nacional. NIT e Centro Colaborativo do MAPA;


Videoaulas

Ver postagens especificas





Filosofia Básica

Missão:
Educar os integrantes para o mercado de trabalho de trabalho da inteligência artificial e contribuir com soluções para problemas da sociedade.

Visão:
·      Integrantes com alta empregabilidade e competitividade
·      Reconhecimento da sociedade pela contribuição na resolução de problemas

Valores:
·      Aprendizagem de maquina
·      Colaboração
·      Competitividade
·      Composição
·      Comunicação
·      Crescimento
·      Empatia
·      Habilidades Humanas
·      Inferência Estatística Indutiva
·      Inovação – Hiperinovação
·      Inteligência Antecipava
·      Inteligência artificial
·      Inteligência Colaborativa
·      Inteligência Coletiva
·      Inteligência Emocional
·      Responsabilidade ambiental
·      Responsabilidade social
·      Sinergia
·      Sobrevivência
·      Trabalho em equipe
·      Viabilidade econômica
·      Visão Estratégica
·      Visão sistêmica
·      Visão Tática








Blog do Projeto Inteligência Artificial-Ciência de Dados e Gestão Sistêmica

https://ia-cd-gs-esalq-usp.blogspot.com

Relações Causa - Efeito: Regressão

Relações Causa - Efeito:
 Regressão
Japão: Kaoru Ishkawa
 Diagrama de Dispersão

 Propaganda - Vendas 

Arquivo para Download




Regressão Linear é um dos modelos mais atrativos devido a sua representação entendível, no caso da regressão linear simples sua utilização é mais para aprendizado, já que na prática ela não é muito aplicada, visto que, em muitos casos a gama de variáveis de entradas é maior, fazendo-se uso da Regressão Linear Multivariável, ao qual não adentraremos nesse post. O modelo de representação da regressão linear simples é a tradicional equação conhecida como equação da reta ou em inglês slope-intercept form, usaremos a notação mais utilizada em exemplos de Machine Learning e não da matemática, mas você pode saber mais sobre a própria equação neste link.
Temos o y a variável dependente que representa a predição, as letras gregas β (Beta), também conhecidos como coeficientes, que são a representação das variáveis que o algoritmo irá utilizar para “aprender” a produzir as previsões mais precisas e o x a variável independente que representa o dado de entrada. As letras gregas β também são conhecidas como inclinação e interceptação ou em inglês intercept-slope.

Função de custo


Função de custo, no inglês cost function ou ainda ordinary least squares é uma função utilizada para medir o quão errado o modelo está, os chamados resíduos. Isto é, consiste no cálculo da distância de cada ponto (distância essa entre as variáveis x e y) em relação a reta de regressão, esse valor é elevado ao quadrado e somado, o total é a quantidade média de erro do modelo.