\chead{
      \textbf{
          \begin{Large}
          Universidade Federal de Goi\'as\\
          \end{Large}
      \begin{large}INSTITUTO DE MATEM\'ATICA E ESTATISTICA\end{large}\\
      Campus Samambaia -  74001-970 - Goi\^ania\\
      http://www.ime.ufg.br - (62) 3521 1742 - (62) 3521-1208 - secretaria.ime@ufg.br
      }
}


\begin{center}
  \LARGE{\textbf{Plano de Ensino}}
\end{center}

\PlanSection{01. Dados de Identifica\c{c}\~ao da Disciplina:}
{   
   \begin{center}\begin{small}
      \begin{tabular}{|l|p{5cm}|l|p{5cm}|}
         \hline
         \textbf{Semestre:} & 2026.2 &
         \textbf{Curso:} & Matem\'atica Aplicada E Computacional
         \\
         
         \hline
         \textbf{Turma:} & A
         &
         \textbf{C\'odigo Componente:} & IME0546
         \\
         
         \hline
         \textbf{Componente:} & \uppercase{T\'opicos Em Matem\'atica Aplicada}
         &
         \textbf{UA Respons\'avel:} & IME
         \\
         
         \hline
         \textbf{Carga Hor\'aria:} & 64
         &
         \textbf{UA Solicitante:} & IME
         \\
         
         \hline
         \textbf{Te\'orica/Pr\'atica:}
         &
         64/-
         &
         
         \textbf{EAD/PCC:}
         &
         -/-
         \\
         
         
         \hline
         \textbf{Hor\'arios:}
         &
         24T56
         &
         
         \textbf{Docente:}
         &
         Prof(a) David Henriques Da Matta
         \\
         
         \hline
      \end{tabular}
   \end{small}\end{center}
}

\PlanSection{02. Ementa:}
{
  Fundamentos de aprendizado estat\'{\i}stico: diferen\c{c}a entre aprendizagem supervisionada e n\~ao supervisionada; 
rela\c{c}\~ao entre precis\~ao e interpretabilidade de modelos. Regress\~ao linear: simples, m\'ultipla e extens\~oes. T\'ecnicas 
de classifica\c{c}\~ao: regress\~ao log\'{\i}stica, an\'alise discriminante e compara\c{c}\~ao entre m\'etodos. M\'etodos de 
reamostragem: valida\c{c}\~ao cruzada e trade-off entre vi\'es e vari\^ancia. Estrat\'egias de sele\c{c}\~ao e regulariza\c{c}\~ao de 
modelos: subset selection, ridge e lasso. Modelos baseados em \'arvores: \'arvores de decis\~ao, bagging, random 
forests e boosting. Support Vector Machine (SVM).
}


\PlanSection{03. Programa:}
{
  \begin{enumerate}[1)]
\item Fundamentos do aprendizado estat\'{\i}stico: conceitos b\'asicos de aprendizado estat\'{\i}stico; diferen\c{c}a entre 
aprendizado supervisionado e n\~ao supervisionado; rela\c{c}\~ao entre precis\~ao e interpretabilidade de modelos; 
introdu\c{c}\~ao aos tipos de vari\'aveis e estrutura dos dados; m\'etricas de avalia\c{c}\~ao de modelos.
\item Regress\~ao linear: regress\~ao linear simples; regress\~ao linear m\'ultipla: sele\c{c}\~ao de vari\'aveis e diagn\'ostico de 
modelo. Extens\~oes: regress\~ao por splines.
\item T\'ecnicas de classifica\c{c}\~ao: regress\~ao log\'{\i}stica; an\'alise discriminante linear (LDA) e quadr\'atica (QDA); 
compara\c{c}\~ao entre m\'etodos de classifica\c{c}\~ao (curvas ROC); implementa\c{c}\~ao pr\'atica e interpreta\c{c}\~ao dos resultados.
\item M\'etodos de reamostragem: valida\c{c}\~ao cruzada k-fold; bootstrap; trade-off entre vi\'es e vari\^ancia; aplica\c{c}\~ao 
pr\'atica de m\'etodos de reamostragem em sele\c{c}\~ao de modelos.
\item Sele\c{c}\~ao e regulariza\c{c}\~ao de modelos: t\'ecnicas de subset selection: forward, backward, stepwise; 
regulariza\c{c}\~ao: 
ridge regression, lasso regression; compara\c{c}\~ao entre m\'etodos de sele\c{c}\~ao e regulariza\c{c}\~ao; implementa\c{c}\~ao e 
interpreta\c{c}\~ao dos resultados.
\item Modelos baseados em \'arvores: \'arvores de decis\~ao: constru\c{c}\~ao, poda, interpreta\c{c}\~ao; bagging e random 
forests: conceitos e implementa\c{c}\~ao; boosting: Gradient Boosted Trees; compara\c{c}\~ao entre modelos baseados em 
\'arvores e outros m\'etodos.
\item Support Vector Machines (SVM): conceito de margem \'otima e vetores de suporte; kernel trick: kernels 
lineares 
e n\~ao lineares; par\^ametros de ajuste e interpreta\c{c}\~ao; aplica\c{c}\~oes pr\'aticas em dados reais; compara\c{c}\~ao entre SVM e 
outros classificadores.
\end{enumerate}
}


\PlanSection{04. Cronograma:}
{
  1. Fundamentos do aprendizado estat\'{\i}stico (4 aulas).

2. Regress\~ao linear (6 aulas).

3. T\'ecnicas de classifica\c{c}\~ao (8 aulas).

4. M\'etodos de reamostragem (8 aulas).

5. Sele\c{c}\~ao e regulariza\c{c}\~ao de modelos (6 aulas).

6. Modelos baseados em \'arvores (14 aulas).

7. Support Vector Machines (10 aulas).

8. Avalia\c{c}\~oes (8 aulas).
}


\PlanSection{05. Objetivos Gerais:}
{
  Desenvolver uma compreens\~ao te\'orico-pr\'atica das t\'ecnicas estat\'{\i}sticas aplicadas ao aprendizado de m\'aquina 
(Machine Learning) e promover o dom\'{\i}nio das ferramentas computacionais, capacitando os alunos a resolver 
problemas reais em diferentes contextos profissionais e de pesquisa.
}



\PlanSection{06. Objetivos Espec\'{\i}ficos:}
{
  Ao final do curso, espera-se que os alunos sejam capazes de:

\begin{itemize}

 \item Utilizar o software R para importar, organizar, limpar e processar dados;

\item Aplicar m\'etodos estat\'{\i}sticos de aprendizado de m\'aquina para an\'alise de dados, realizando infer\^encias, 
predi\c{c}\~oes e classifica\c{c}\~oes;

\item Compreender as vantagens e limita\c{c}\~oes dos diferentes m\'etodos abordados;

\item Interpretar e comunicar os resultados de forma cr\'{\i}tica e contextualizada;

\item Desenvolver autonomia na busca e aplica\c{c}\~ao de novas t\'ecnicas e abordagens estat\'{\i}sticas.

\end{itemize}
}


\PlanSection{07. Metodologia:}
{
  O curso ser\'a conduzido de modo que o aluno assuma papel ativo em seu processo de aprendizado, sendo 
respons\'avel por construir e aprofundar o conhecimento sob a tutoria do docente. Al\'em de introduzir conceitos e 
m\'etodos fundamentais, o professor propor\'a desafios que incentivem o desenvolvimento de compet\^encias 
essenciais para o enfrentamento de situa\c{c}\~oes pr\'aticas e problemas que os alunos encontrar\~ao ap\'os a gradua\c{c}\~ao. As 
atividades incluir\~ao aulas expositivas e dialogadas, uso de ferramentas computacionais (principalmente R), resolu\c{c}\~ao 
de exerc\'{\i}cios pr\'aticos, estudo de casos e discuss\~ao de artigos cient\'{\i}ficos relevantes. Ser\'a estimulada a autonomia 
dos alunos na explora\c{c}\~ao de conte\'udos e no desenvolvimento cont\'{\i}nuo de habilidades, promovendo uma 
integra\c{c}\~ao entre teoria e pr\'atica.
}


\PlanSection{08. Avalia\c{c}\~oes:}
{
  A avalia\c{c}\~ao do curso ser\'a cont\'{\i}nua, baseada em apresenta\c{c}\~oes desenvolvidas pelos pr\'oprios alunos ao longo do semestre. Cada 
apresenta\c{c}\~ao ter\'a nota atribu\'{\i}da de 
zero a dez e dever\'a contemplar tanto os aspectos conceituais quanto a aplica\c{c}\~ao pr\'atica das t\'ecnicas estudadas.


Os alunos ser\~ao organizados em grupos de, no m\'aximo, tr\^es integrantes, sendo que a atribui\c{c}\~ao de notas ser\'a individual, levando em 
considera\c{c}\~ao a participa\c{c}\~ao, o 
dom\'{\i}nio do conte\'udo e a qualidade da apresenta\c{c}\~ao.


As datas das avalia\c{c}\~oes ser\~ao definidas em consenso com os alunos, de modo a respeitar o ritmo e o progresso das turmas. A nota 
final do curso corresponder\'a \`a 
m\'edia aritm\'etica das notas obtidas nas apresenta\c{c}\~oes realizadas ao longo do semestre.


Observa\c{c}\~oes:


\begin{enumerate}

\item Essas datas poder\~ao sofrer altera\c{c}\~oes.

\item Haver\'a prova substitutiva para o aluno que perder qualquer das atividades avaliativas,com aus\^encia justificada e tenha solicitado 
uma segunda chamada em at\'e 7 
(sete) dias ap\'os a data de realiza\c{c}\~ao da avalia\c{c}\~ao.

\item O estudante poder\'a solicitar segunda chamada de avalia\c{c}\~ao de componentes curriculares \`a unidade acad\^emica ou \`a unidade 
acad\^emica especial respons\'avel pelo 
componente curricular, de forma remota, at\'e 7 (sete) dias ap\'os a data da realiza\c{c}\~ao da avalia\c{c}\~ao.

\item O aluno ser\'a aprovado se a m\'edia final (MF) for igual ou superior a 6 (seis) pontos e se tiver frequ\^encia igual ou superior a 0.75 
da carga hor\'aria total da disciplina. 
Caso contr\'ario ser\'a reprovado.

\item Os resultados ser\~ao disponibilizados via sistema SIGAA UFG.

\end{enumerate}
}


\PlanSection{09. Bibliografia:}
{
  \textbf{[1]:} FARAWAY, J. J. Linear models with R. Boca Raton: Chapman \& Hall/CRC, 2004.

\textbf{[2]:} HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: data mining, inference, and 
prediction. 2. ed. New York: Springer, 2009.


}

\PlanSection{10. Bibliografia Complementar:}
{
  \textbf{[1]:} LITTELL, R. C.; STROUP, W. W.; FREUND, R. J. SAS for linear models. Cary: SAS Institute, 2002.

\textbf{[2]:} BERK, R. A. Statistical learning from a regression perspective. New York: Springer, 2008.

\textbf{[3]:} WICKHAM, H.; GROLEMUND, G. R for data science. Sebastopol: O'Reilly, 2016.

\textbf{[4]:} SEARLE, S. R. Linear models. New York: Wiley, 1997.

\textbf{[5]:} DALGAARD, P. Introductory statistics with R. 2. ed. New York: Springer, 2008.


}

\PlanSection{11.  Livros Texto:}
{
   \textbf{[1]:} BERK, R. A. Statistical learning from a regression perspective. New York: Springer, 2008. (C2)

\textbf{[2]:} FARAWAY, J. J. Linear models with R. Boca Raton: Chapman \& Hall/CRC, 2004. (B1)

\textbf{[3]:} HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: data mining, inference, and 
prediction. 2. ed. New York: Springer, 2009. (B2)
}


\PlanSection{12. Hor\'arios:}
{
   \begin{center}
\begin{small}
\begin{tabular}{lll}
\hline
   \textbf{Dia} & \textbf{Hor\'ario} & \textbf{Sala Distribuida}\\
\hline

   2$^a$ & T5 & 208, CAA (50)\\
   2$^a$ & T6 & 208, CAA (50)\\
   4$^a$ & T5 & 104, CAA (24)\\
   4$^a$ & T6 & 104, CAA (24)\\
\end{tabular}
\end{small}\end{center}

}


\PlanSection{13. Hor\'ario de Atendimento do(a)s Professor(a):}
{
   \begin{small}
\begin{tabular}{ll}
   \textbf{1. } & Segunda-feira das 18:30h \`as 19:00h\\
   \textbf{2. } & Quarta-feira das 18:30h \`as 19:00h\\
\end{tabular}
\end{small}
}

\PlanSection{14. Professor(a):}
{
   \begin{small}
\begin{tabular}{lll}
   David Henriques Da Matta. & Email: dhmatta@ufg.br, & IME\\
\end{tabular}
\end{small}
}




\vspace{0.2cm}

\begin{center}
\underline{\hspace{8cm}}\\\small{Prof(a). David Henriques Da Matta}\end{center}