LCE_137_Optat - Mercado de Trabalho - Gestão pela Qualidade Total

segunda-feira, 29 de maio de 2023

Aula 5/6

Aula 5/6

Pauta:

- Video semana passada:

Assunto: Renato MLS Predição Exemplo com dados de Internet. Anova e Teste de Comparaçoes Multiplas de Tukey.

Data: 29/5/2023

https://youtu.be/YnIvQSwkIcs

- Rodar PCA - Biplot

IA Indutiva Não Supervisionada para Redução de Dimensão – PCA e Biplot

- Mostrar Exercícios, fechamos lista hoje!

- Prova valendo 10% da nota, quando?

segunda-feira, 22 de maio de 2023

Aula 29/5/2023

Pauta:

- Cientista de Dados Municipal RJ, minha filha, Robson (CENA), Gustavo (Harvard), Antônio (China) etc.

- Laboratório de IA – CD e Gestão 4.0 e 5.0

Campus da USP de Piracicaba

- América Latina, próximo passo

- Renato apresenta Ex. 1B

=================================

Seleção de Variáveis Preditoras para IA

=================================

- Refazer ANOVA agregar Tukey

data selecao;

input Categ $ IMC Movim KCal Colesterol Ac_Urico;

Cards;

ATL 20.9 60.9 3259 114.59 5.59

ATL 21.3 54.8 3100 127.35 3.28

ATL 19.3 49.6 2800 121.09 6.96

ATL 21.1 52.3 3300 111.84 4.06

ATL 20.3 52.2 2950 124.22 5.12

ATL 20.2 51.0 3050 116.47 5.51

SEMI 22.4 14.9 2600 145.61 3.96

SEMI 21.9 17.8 2700 140.91 4.11

SEMI 23.8 18.6 3200 149.90 6.98

SEMI 24.1 15.1 3300 149.33 3.21

SEMI 22.2 16.4 2650 143.26 4.04

SEMI 22.9 18.2 2950 145.41 5.55

SEDE 27.3 2.5 2700 213.90 5.03

SEDE 23.4 4.3 2300 155.78 5.39

SEDE 25.2 2.3 2600 198.01 5.61

SEDE 26.4 2.6 3200 219.55 4.74

SEDE 25.4 3.4 2500 184.84 5.21

SEDE 24.3 3.3 2450 176.90 5.50

PROF 26.2 4.1 2600 177.66 3.11

PROF 24.2 2.1 2700 218.84 5.09

PROF 25.4 1.9 2650 205.04 3.96

PROF 25.2 3.1 2650 198.25 4.10

PROF 24.8 2.0 2675 211.94 4.53

;

proc print;

run;

/*input Categ $ IMC Movim KCal

Colesterol Ac_Urico;proc anova;*/

proc anova;

class Categ;

model IMC Movim KCal Colesterol

Ac_Urico = Categ;

run;

- Fazer RobustANOVA

Modelo de Programa Robust ANOVA:

Programa de RANOVA com OUTLIER (Suco de Manga com 200 mg/l de NaOH)

data SUCOS;
input suco $ NaOH;
cards;
Maca    8
Maca    11
Maca    10
Maca    8
Maca    9
Uva 8
Uva 6
Uva 7
Uva 9
Laranja 5
Laranja 4
Laranja 5
Manga   200
Manga   1
Manga   1
;
proc npar1way data=SUCOS wilcoxon dscf;
class suco;
var NaOH;
run;

=================================

Testar o Resultado da IA

=================================

- Fazer MANOVA

Program to do MANOVA

data imc_dat;

input cat $ imc corr kcal;

cards;

DADOS

;

proc print;

run;

proc glm;

class cat;

model imc corr kcal = cat;

contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;

contrast " Professor Vs Sedentario" cat 0 1 -1 0;

contrast " Atleta Vs Semiatleta" cat -1 0 0 1;

manova h=_all_ / printe printh;

contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;

contrast " Professor Vs Sedentario" cat 0 1 -1 0;

contrast " Atleta Vs Semiatleta" cat -1 0 0 1;

run;

Elaboração de Contraste:

AT PR SE SEM

1 -1 -1 1 Atleta e Semiatleta Vs Professor e Sedentario

0 1 -1 0 Professor Vs Sedentario

1 0 0 -1 Atleta Vs Semiatleta

3 -1 -1 -1 Atleta Vs Outras Categorias

Aula 22/5/2023

Aula

- Link para a gente formar um grupo de Whatsapp

https://chat.whatsapp.com/F3da9cl4eIeLyYkVTnmudN

MANOVA

Program to do MANOVA

data imc_dat;

input cat $ imc corr kcal;

cards;

DADOS

;

proc print;

run;

proc glm;

class cat;

model imc corr kcal = cat;

contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;

contrast " Professor Vs Sedentario" cat 0 1 -1 0;

contrast " Atleta Vs Semiatleta" cat -1 0 0 1;

manova h=_all_ / printe printh;

contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;

contrast " Professor Vs Sedentario" cat 0 1 -1 0;

contrast " Atleta Vs Semiatleta" cat -1 0 0 1;

run;

Elaboração de Contraste:

AT PR SE SEM

1 -1 -1 1 Atleta e Semiatleta Vs Professor e Sedentario

0 1 -1 0 Professor Vs Sedentario

1 0 0 -1 Atleta Vs Semiatleta

3 -1 -1 -1 Atleta Vs Outras Categorias

ML Não Superv. para Clasificação ANOVA RANOVA

ML Não Superv. para Clasificação

Com 5 Variáveis Preditoras

Vamos Aumentar para Aproximar de

Situações Reais

Calcular as medias aritmeticas em planilha eletronica (Excel ou LO Calc)

Categ IMC Movim KCal Colesterol Ac_Urico

ATL 20.? 60.? 32?? 11?.?? 5.??

ATL 21.3 54.8 3100 127.35 3.28

ATL 19.3 49.6 2800 121.09 6.96

ATL 21.1 52.3 3300 111.84 4.06

ATL 20.3 52.2 2950 124.22 5.12

ATL 20.2 51.0 3050 116.47 5.51

SEMI 22.4 14.9 2600 145.61 3.96

SEMI 21.9 17.8 2700 140.91 4.11

SEMI 23.8 18.6 3200 149.90 6.98

SEMI 24.1 15.1 3300 149.33 3.21

SEMI 22.2 16.4 2650 143.26 4.04

SEMI 22.9 18.2 2950 145.41 5.55

SEDE 27.3 2.5 2700 213.90 5.03

SEDE 23.4 4.3 2300 155.78 5.39

SEDE 25.2 2.3 2600 198.01 5.61

SEDE 26.4 2.6 3200 219.55 4.74

SEDE 25.4 3.4 2500 184.84 5.21

SEDE 24.3 3.3 2450 176.90 5.50

PROF 26.2 4.1 2600 177.66 3.11

PROF 24.2 2.1 2700 218.84 5.09

PROF 25.4 1.9 2650 205.04 3.96

PROF 25.2 3.1 2650 198.25 4.10

PROF 24.8 2.0 2675 211.94 4.53

Sequencia para Ler do Blog para LO Calc

Graficar todas as variaveis equalizadas

Elaborar Dendrograma de Cluster Analysis

Modelo de Programa:

proc cluster outtree = Dendrog method = average;

var BMI Movm kcal;

id Categ;

run;

PROC TREE DATA = Dendrog;

RUN;

Fazer ANOVA e RANOVA para seleção de variaveis preditoras para a IA

Modelo de Programa ANOVA:

Proc ANOVA;

Class Categ;

Model IMC Movim Kcal = Categ;

Means Categ / Duncan Lines;

Run;

Modelo de Programa Robust ANOVA:

domingo, 14 de maio de 2023

ML Não Supervisionado para Clasifiação - Cluster Analysis - ANOVA and MANOVA

ML Não Supervisionado para Clasifiação - Cluster Analysis - ANOVA and MANOVA

UML - Unsupervised Machine Learning: Machine Learning Não Supervisionado

Dados:

- Categoria: Variável Classificatória

- IMC: Primeira Variável Preditora - Indice de Massa Corporal

- Movim: Segunda Variável Preditora - Movimentação caminhando ou correndo por semana (Km)

- KCal: Quilocalorias consumidas por dia

Categ	IMC	Movim	KCal
ATL	20,?	60,?	32??
ATL	21,3	54,8	3100
ATL	19,3	49,6	2800
ATL	21,1	52,3	3300
SEMI	22,4	14,9	2600
SEMI	21,9	17,8	2700
SEMI	23,8	18,6	3200
SEMI	24,1	15,1	3300
SEDE	27,3	2,5	2700
SEDE	23,4	4,3	2300
SEDE	25,2	2,3	2600
SEDE	26,4	2,6	3200
PROF	26,2	4,1	2600
PROF	24,2	2,1	2700
PROF	25,4	1,9	2650

Obter as Médias por Data Crunching - Pivot Table

Categor	IMC	Movim	Kcal
ATL	20,65	54,4	3114,75
PROF	25,27	2,7	2650
SEDE	25,58	2,925	2700
SEMI	23,05	16,6	2950

\t para trocar o tab por espaço em Linux

- No Editor

Caractere de Tabulação em Word (Windows)

Obtaining Cluster Analysis

data People;

input Categ $ IMC Movim Kcal;

cards;

DADOS TABELA DINÁMICA

;

proc cluster outtree = Dendrog method = average;

var IMC Movim Kcal;

id Categ;

run;

PROC TREE DATA = Dendrog;

RUN;

Program to do ANOVA

data People;

/* BMI: body mass index --> Índice de M. Corporal = Peso / (Altura * Altura)

Movm: Movement (Km por semana)

KCal : Kilocalories (ingeridas por dia)

ATL: Athletes

SEMI: Semi-athletes

SEDE: Sedentary

PROF: Professor

input Categ $ IMC Movim Kcal;

cards;

ATL 20.2 60.7 3200

ATL 21.3 54.8 3100

ATL 19.3 49.6 2800

ATL 21.1 52.3 3300

SEMI 22.4 14.9 2600

SEMI 21.9 17.8 2700

SEMI 23.8 18.6 3200

SEMI 24.1 15.1 3300

SEDE 27.3 2.5 2700

SEDE 23.4 4.3 2300

SEDE 25.2 2.3 2600

SEDE 26.4 2.6 3200

PROF 26.2 4.1 2600

PROF 24.2 2.1 2700

PROF 25.4 1.9 2650

;

Proc ANOVA;

Class Categ;

Model IMC Movim Kcal = Categ;

Means Categ / Duncan Lines;

Run;

Arithmetic Averages of Categories

Categ IMC Movim Kcal

AT 20.5 54.4 3100

PR 25.3 2.7 2650

SE 25.6 2.9 2700

SEM 23.1 16.6 2950

Program to do MANOVA

data imc_dat;

input cat $ imc corr kcal;

cards;

ATL 20.2 60.7 3200

ATL 21.3 54.8 3100

ATL 19.3 49.6 2800

ATL 21.1 52.3 3300

SEMI 22.4 14.9 2600

SEMI 21.9 17.8 2700

SEMI 23.8 18.6 3200

SEMI 24.1 15.1 3300

SEDE 27.3 2.5 2700

SEDE 23.4 4.3 2300

SEDE 25.2 2.3 2600

SEDE 26.4 2.6 3200

PROF 26.2 4.1 2600

PROF 24.2 2.1 2700

PROF 25.4 1.9 2650

;

proc print;

run;

proc glm;

class cat;

model imc corr kcal = cat;

contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;

contrast " Professor Vs Sedentario" cat 0 1 -1 0;

contrast " Atleta Vs Semiatleta" cat -1 0 0 1;

manova h=_all_ / printe printh;

contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;

contrast " Professor Vs Sedentario" cat 0 1 -1 0;

contrast " Atleta Vs Semiatleta" cat -1 0 0 1;

run;

Elaboração de Contraste:

AT PR SE SEM

1 -1 -1 1 Atleta e Semiatleta Vs Professor e Sedentario

0 1 -1 0 Professor Vs Sedentario

1 0 0 -1 Atleta Vs Semiatleta

3 -1 -1 -1 Atleta Vs Outras Categorias

Aula 15/5/2023

Pauta:

- Videos Anteriores:

Assunto: Tipos de Machine Learning e IA. Machine Learning Supervisionado para Predição

Data: 8/5/2023

https://youtu.be/ZggTLe059Sw

Assunto: Tipos de Machine Learning e IA. Machine Learning Supervisionado para Predição

Data: 24/4/2023

https://youtu.be/G-USW-cbmNg

- Link Site com todas as videoaulas:

https://sites.google.com/view/lce137-usp-gabriel

- Por favor os Exercícios enviá-los para o E-Mail de Exercícios, não para meu E-Mail da USP

- Exercicio 1 A:

- Arquivo Weka, gravar (Linux e Windows) e rodar

- ML Não Supervisionado para Clasifiação - Cluster Analysis - ANOVA and MANOVA