ECO5081 - Introdução a Estatística e Ciência de Dados Aplicada às Ciências Ambientais

Carga Horária

Docentes responsáveis
Cristian Marcelo Villegas Lobos
Deoclecio Jardim Amorim

Objetivo
Desenvolver habilidades de análise de dados, tanto em pequenos quanto em grandes volumes,
capacitando os estudantes a adquirirem conhecimentos sobre as principais técnicas da Ciência de Dados
e suas aplicações em problemas ecológicos.

Conteúdo
I) Estatística descritiva e visualização de dados: tipos de variáveis, pré-processamento de dados,
construção de tabelas, medidas de resumo (posição, dispersão, quantis amostrais), construção gráficos
univariados e multivariados e medidas de associação e correlação.
II) Análise de regressão: conceitos básicos, regressão linear simples, regressão linear múltipla e
regressão logística.
III) Introdução à ciência de dados: conceitos básicos, tipos de dados (estruturados e não estruturados:
imagens, sons, texto, vídeos), problemas de classificação, regressão e reconhecimento de padrões.
IV) Aprendizado supervisionado: análise discriminante linear e quadrática, árvores de decisão, florestas
aleatórias e máquinas de suporte vetorial.
V) Aprendizado não supervisionado: análise de agrupamentos (hierárquico e não hierárquico), análise de
componentes principais e análise fatorial.
VI) Tópicos adicionais: redes neurais, aprendizado profundo e estudos de caso.

Bibliografia
DANGETI, P. Statistics for machine learning. Birmingham: Packt Publishing, 2017. 442 p.
DURGABAI, R. P. L.; BHARGAVI, P. Machine learning ensemble with image processing for pest
identification and classification in field crops. Journal of Cardiovascular Disease Research, v. 13, n.
7, p. 189-204, 2022. Disponível em:
https://jcdronline.org/admin/Uploads/Files/63353901212939.55356270.pdf
GOODFELLOW, I.; BENGIO, Y; COURVILLE, A. Deep Learning. Cambridge: The MIT Press, 2016. 775 p.
Disponível em: https://www.deeplearningbook.org/
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning. 2nd. ed. New York:
Springer, 2017. 745 p. Disponível em: Biblioteca IME/USP (QA277.38 H356e).
HSIEH, W. W. Evolution of machine learning in environmental science: a perspective. Environmental
Data Science, v. 1, art. e3, 2022. Disponível em:
https://web.archive.org/web/20220611120815id_/https://www.cambridge.org/core/services/aop-cambri
dge-core/content/view/C21F19C66FA387BC25F43C3C6B95E866/S2634460222000024a.pdf/div-class-titl
e-evolution-of-machine-learning-in-environmental-science-a-perspective-div.pdf
JAMES, G. et al. Introduction to statistical learning. New York: Springer, 2017. 426p. Disponível em:
Biblioteca IME/USP (QA276.7 J27i).
JOHNSON, R. A.; D. W. WICHERN. Applied multivariate statistical analysis. 6th ed. Englewood
Cliffs: Prentice Hall, 2007. 773 p. Disponível em: Biblioteca Central da ESALQ (519.53 J68a6).
LEGENDRE, P.; LEGENDRE, L. Numerical ecology. 2nd. ed. Amsterdam: Elsevier, 1998. 853 p.
Disponível em:
https://www.sciencedirect.com/bookseries/developments-in-environmental-modelling/vol/20/suppl/C
MANLY, B. F. J.; ALBERTO, J. A. N. Métodos estatísticos multivariados: uma introdução. Porto Alegre:
Bookman, 2019. 254 p. Disponível em: Biblioteca Central da ESALQ (519.53 M279m4).
MCKINNEY, W. Python para análise de dados: tratamento de dados com pandas, numpy & jupyter.
3rd. ed. São Paulo: Novatec Editora, 2023. 634 p. Disponível em: Biblioteca IME/USP (QA762 M478p).
MORETTIN, P. A.; SINGER, J. M. Estatística e ciência de dados. 1. ed. Rio de Janeiro: LTC, 2023. 454
p. Disponível em: Biblioteca Central da ESALQ (519.50285 M845e).
RAZA, A.; HU, Y.; LU, Y. Improving carbon flux estimation in tea plantation ecosystems: a machine
learning ensemble approach. European Journal of Agronomy, v. 160, art. 127297, 2024. doi:
10.1016/j.eja.2024.127297
RIMAL, K.; SHAH, K. B.; JHA, A. K. Advanced multi-class deep learning convolution neural network
approach for insect pest classification using TensorFlow. International Journal of Environmental
Science and Technology, v. 20, n. 4, p. 4003-4016, 2023. doi: 10.1007/s13762-022-04277-7
RODRIGUES, P. C.; CARFAGNA, E. Data science applied to environmental sciences. Environmetrics, v.
34, n. 1, art. e2783, 2023. doi: 10.1002/env.2783
RYO, M. Ecology with artificial intelligence and machine learning in Asia: a historical perspective and
emerging trends. Ecological Research, v. 39, n. 1, p. 5-14, 2024. doi: 10.1111/1440-1703.12425
WICKHAM, H.; GROLEMUND, G. R for data science: import, tidy, transform, visualize, and model data.
1st. ed. Sebastopol: O'Reilly Media, 2017. 518 p. Disponível em: Biblioteca IME/USP (QA276.7 W637r).
WICKHAM, H.; GROLEMUND, G. R para data science: importe, arrume, transforme, visualize e modele
dados. Rio de Janeiro: Alta Books, 2019. 528 p. Disponível em: Biblioteca IME/USP (QA276.7 W637r).
ZHU, J. J.; YANG, M.; REN, Z. J. Machine learning in environmental research: common pitfalls and best
practices. Environmental Science & Technology, v. 57, n. 46, p. 17671-17689, 2023. doi:
10.1021/acs.est.3c00026