Esta disciplina tem por finalidade apresentar, discutir e aplicar as principais abordagens estatísticas univariadas e multivariadas para análises de dados para possibilitar a transformação de dados em informações e conhecimentos úteis. De modo mais específico, serão apresentadas técnicas básicas para análise exploratória, visualização dos dados e reconhecimento de padrões.
A quantidade de dados hoje disponíveis é gigantesca e as novas tecnologias possibilitam extrair ainda mais propriedades, características e detalhes de apenas uma amostra. A química tem se aproximado cada vez mais da ciência de dados por esse volume de informações. Com isso, surgem paradigmas e perspectivas aos discentes sobre qual a forma de tratar esses dados ou como extrair informações que sejam úteis para uma tomada de decisão mais assertiva. Desse modo, saber analisar dados e compreender as respostas é cada vez mais fundamental, deixando de ser um diferencial para torna-se algo indispensável para pesquisadores. Por fim, a disciplina de ciência de dados poderá ser uma importante ferramenta para auxiliar os discentes na explicação dos resultados, de maneira clara, completa e criticamente analisadas com base nos princípios da estatística e probabilidade.
1. Dados, Informação e Conhecimento
2. Conceitos gerais em ciência de dados
3. Definição de variáveis, amostras, populações e implicações para os testes estatísticos
4. Definição de Erro Sistemático e Erro Aleatório
5. Diferentes métodos estatísticos em ciência de dados aplicadas a química
6. Análise univariada: variáveis contínuas e categóricas
7. Medidas de tendência central
8. Distribuições e valor-p
9. Análise exploratória univariada
10. Variações, correlações e desvio padrão
11. Técnicas e Ferramentas para Análise de Dados na química
12. Introdução aos métodos computacionais de aprendizagem de máquina
13. Variáveis qualitativas, quantitativas e dummies
14. Aprendizado não supervisionado
15. Aprendizado supervisionado
16. Métodos de regressão
- L. P. Fávero; P. Belfiore. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier, 2017.
- K. R. Beebe; R. J. Pell; M. B. Seasholtz; Chemometrics: A Practical Guide; 1st ed.; Wiley-Interscience: New York, 1998.
- J. N. Miller; J. C. Miller; Statistics and Chemometrics for Analytical Chemistry; Fifth Ed.; Prentice Hall: Harlow, Essex, UK, 2005.
- M. M. C. Ferreira. QUIMIOMETRIA - Conceitos, Métodos e Aplicações, 1 ª Edição, Editora
da Unicamp, Campinas, 2015.
- G. R. Schleder; A. Fazzio. Machine Learning na Física, Química, e Ciência de Materiais: Descoberta e Design de Materiais. Revista Brasileira De Ensino De Física, 43, e20200407, 2021. https://doi.org/10.1590/1806-9126-RBEF-2020-0407
- Y. Tominaga, Comparative study of class data analysis with PCA-LDA, SIMCA, PLS, ANNs, and k-NN, Chemometrics and Intelligent Laboratory Systems. 49, 1999. https://doi.org/10.1016/S0169-7439(99)00034-9.
- A. Takamura, T. Ozawa, Recent advances of vibrational spectroscopy and chemometrics for forensic biological analysis, Analyst. 146, 2021. https://doi.org/10.1039/D1AN01637G.
- T. Salonen, B. Ahrens, M. Bovens, J. Eliaerts, S. Huhtala, A. Nordgaard, I. Alberink, Chemometrics in forensic chemistry - Part II: Standardized applications – Three examples involving illicit drugs, Forensic Sci Int. 307 (2020). https://doi.org/10.1016/j.forsciint.2019.110138
- C. H. P. Rodrigues; V. B. P. Leite; A. T. Bruni, Can NMR spectroscopy discriminate between NPS amphetamines and cathinones? An evaluation by in silico studies and chemometrics, Chemometrics and Intelligent Laboratory Systems. 210, 2021. https://doi.org/10.1016/j.chemolab.2021.104265.
- S. Wold, M. Sjöström, L. Eriksson, PLS-regression: A basic tool of chemometrics, Chemometrics and Intelligent Laboratory Systems. 58, 2001. https://doi.org/10.1016/S0169-7439(01)00155-1.
Vide Campo Observação
Forma de avaliação:
Para a verificação dos conhecimentos adquiridos no decorrer da disciplina, os discentes serão avaliados de duas formas. A primeira será contínua por meio de testes online, plataforma Google Forms ou Moodle e será aplicada ao final de cada aula. Esses testes rápidos irão compor 20% da nota final e irão variar de 0 a 10.
A segunda parte será composta pela apresentação de um seminário presencial abordando a análise e interpretação crítica de trabalhos científicos já publicados ou do próprio discente, como preferir. A apresentação e discussão dos dados irá compor 60% da nota final (de 0 a 10). Os 20% restante serão contabilizados pela participação e discussão dos dados na apresentação do seminário dos demais alunos.
A média final será composta pelos três fatores (testes, seminário e participação). Desse modo, a nota final será formulada por uma média simples (M=T+S+P/3). Por fim, o conceito será baseado nos seguintes critérios:
- M < 6.0: Conceito R (reprovado)
- 6.0 <= M < 7.5: Conceito C
- 7.5 <= M < 9.0: Conceito B
- M => 9.0: Conceito A
Nº máximo de alunos regulares: 20
Nº máximo de alunos especiais: 5
Nº mínimo de alunos: 5