MATERIAL DE AULA

Prévia do material em texto

Análise Preditiva
Roteiro de
Estudos
Autor: Me. Marcelo Henrique dos Santos
Revisor: Me. Douglas Melman
A análise preditiva é o uso de métodos estatísticos, ou de aprendizado de máquina, que podem ser utilizados para fazer previsões sobre resultados futuros ou desconhecidos. Embora as técnicas de modelagem preditiva tenham sido pesquisadas pela comunidade de mineração de dados por várias décadas, elas se tornaram cada vez mais difundidas nos últimos anos, impactando todas as áreas de nossas vidas.
Novos métodos estão sendo aplicados em áreas como segurança nacional, prevenção de crimes, gerenciamento de infraestrutura, segurança cibernética, transporte inteligente, assistência médica e bioinformática, mineração de texto, detecção de fraudes, mídias sociais e suporte à decisão para tarefas complexas, como fusões e aquisições.
Caro(a) estudante, ao ler este roteiro você irá:
· aprender sobre a avaliação de riscos;
· refletir sobre as técnicas para realizar previsões para a tomada de decisão;
· aprender sobre os modelos analíticos de classificação;
· compreender sobre regressão e clustering;
· estudar sobre análise preditiva e a Internet das Coisas (IoT).
‍
Introdução
A partir da proposta do estudo de caso, o qual solicita a realização do planejamento de uma aplicação que utiliza a análise preditiva para auxiliar na tomada de decisão, será possível observar que é fundamental aprender sobre a avaliação de riscos, pois a aplicação deverá verificar o processo de estimativa de probabilidades e a(s) expectativa(s) e sua(s) consequência(s) para os riscos identificados.
A tomada de decisão humana geralmente transcende nossos modelos formais de "racionalidade". Para implementar o aplicativo que consiga gerenciar diversos recursos que estão estritamente ligados com a agricultura, será primordial refletir sobre as técnicas para realizar previsões para a tomada de decisão de forma automatizada.
Aprender sobre os modelos analíticos de classificação e compreender sobre regressão e clustering é fundamental na implementação da mineração de dados e aplicação da classificação e regressão para obter precisão na previsão de dados com baixos erros.
Por fim, é importante estudar sobre análise preditiva e a Internet das Coisas (IoT), pois esses serão os principais impulsionadores do investimento e da inovação no setor de agricultura, nos próximos anos, oferecendo a vantagem valiosa para todos os envolvidos no processo.
‍
Avaliação de Riscos
A validação do modelo é uma etapa fundamental em qualquer estudo de riscos naturais. Validação refere-se ao processo de comparar as previsões do modelo com um conjunto de dados do mundo real, para avaliar sua precisão ou poder preditivo. A validação permite estabelecer o grau de confiança do modelo, o que é de grande importância para transferir os resultados aos usuários finais. Além disso, sem uma validação adequada, não é possível comparar o modelo com outros, ou mesmo com conjuntos alternativos de parâmetros ou variáveis preditoras.
A avaliação do modelo, por outro lado, refere-se à avaliação de sua adequação às necessidades dos usuários finais. Dentro da análise de perigos, isso muitas vezes envolve o delineamento de zonas com diferentes níveis de perigos, o que levaria a diferentes práticas de gestão. Além disso, uma boa validação também pode fornecer um feedback para melhorar o modelo.
O estudo de caso típico em análise de risco compreende um conjunto de dados unitários que podem, ou não, desenvolver uma característica. Entre os modelos preditivos que produzem uma resposta contínua expressando o grau de perigo ou a propensão a expressar um risco, podemos citar os seguintes:
Análise bivariada: índice de susceptibilidade combinada ou probabilidade de ocorrência que é derivada da análise da influência de cada variável explicativa. Vários métodos diferentes foram publicados, desde a estimativa direta (CLERICI, 2002) à estimativa bayesiana ou lógica difusa (LEE et al., 2002).
Análise de regressão múltipla: uma relação linear é usada para prever uma característica contínua do fenômeno perigoso, como a porcentagem de área afetada, a partir de um conjunto de variáveis explicativas (CARRARA, 1983).
Análise discriminante: é determinada uma função que atribui discriminantes pontuações para as unidades de estudo. Geralmente, as unidades são classificadas de acordo com as distâncias de alguns grupos de respostas fixas a priori, mas mais regras refinadas podem ser usadas em um contexto de análise de risco (LORENTE et al., 2002).
Modelos lineares gerais: extensão de modelos de regressão que não permite as funções de resposta linear. O exemplo mais usado é a logística de regressão, que gera diretamente uma probabilidade de ocorrência do fenômeno perigoso (BLEDSOE; WATSON, 2001).
A discussão não se reduz apenas a abordagens estatísticas, pois existem diversos exemplos de modelos baseados fisicamente com componentes probabilísticos. Normalmente, módulos probabilísticos são incluídos para explicar a incerteza da estimativa de parâmetros (VAN BEEK; VAN ASCH, 2004).
LEITURA
Governança corporativa: fundamentos, desenvolvimento e tendências
Autor: José Paschoal Rosseti
Editora: Atlas
Ano: 2019
Esse livro fornece uma visão abrangente dos desenvolvimentos de governança corporativa (CG) a partir de duas perspectivas: enriquecer o debate nesta área e possibilitar a análise dos riscos que envolvem a construção e elaboração do projeto. Leia, principalmente, o Capítulo 2, “Objetivos, Concepções e Valores da Governança Corporativa”, para auxiliá-lo(a) na resolução do problema do estudo de caso. Este título está disponível na Biblioteca Virtual da Laureate.
LEITURA
Técnicas para análise de risco: uma avaliação da literatura sobre gerenciamento de projetos de SI (Qualis B2).
Autores: Edmir Parada Vasques Prado e Paulo Mannini
Ano: 2018
Uma etapa fundamental do gerenciamento de riscos de projetos de TI é a avaliação de riscos. Os métodos de avaliação de risco dependem do problema e do objeto a ser tratado. O artigo apresenta o processo e analisa a aplicação dos métodos de avaliação de riscos de projetos de TI, além de apresentar as diferenças dos métodos de avaliação de risco. A leitura do artigo irá auxiliar no desenvolvimento da atividade proposta no estudo de caso.
ACESSAR
Técnicas para Realizar Previsões para a Tomada de Decisão
Existem diversos riscos para realizar previsões para a tomada de decisão em muitos domínios. Uma lista não exaustiva inclui economia, seguros, serviços bancários, gerenciamento de portfólio, investimentos, risco da instituição financeira, risco da empresa, operações de gestão, gestão de negócios, engenharia e ciências ambientais.
Os aplicativos de aprendizado de máquina para a tomada de decisão e suporte à decisão estão em pleno crescimento. Além disso, a cada aplicativo bem-sucedido, os algoritmos de aprendizado estão ganhando maior autonomia e controle sobre a tomada de decisões. Como exemplo, temos o Watson, que após superar o desempenho de jogadores no jogo de perguntas e respostas humanas, foi reposicionado como uma ferramenta de suporte à decisão inteligente.
As áreas de aplicação atuais incluem planejamento financeiro, pesquisa de medicamentos, medicina e direito. Muitos desses domínios de aplicativos lidam com uma aleatoriedade subjacente de distribuições de escolha desconhecida a priori. Problemas de exemplo específicos incluem reparos fundamentais na infraestrutura, previsão de clima severo, previsão de turbulência na aviação, auditorias fiscais e privacidade da detecção de violação.
O desempenho dos algoritmos de aprendizado de máquina depende diretamente de quão explícitos são os aspectos exclusivos do domínio formalizado (RUDIN; WAGSTAFF, 2014). Considerando a crescente autonomia dos algoritmos de aprendizado de máquina na tomada de decisões, é natural considerar noções do risco teórico da decisão em relação a essa aleatoriedade desconhecida. Quando aplicados para a tomada de decisão, os algoritmos de aprendizado de máquina geralmente não consideram os objetivos derisco. A inclusão formal de riscos no objetivo de aprendizado permite que o algoritmo pondere as decisões de acordo com seu risco.
O conceito de risco abrange muitos domínios com diversas interpretações. Willett (1901) se referiu a ele como uma incerteza objetivada em relação à ocorrência de um evento indesejável. Knight (1921) descreveu o risco como o processo de conhecer com certeza as probabilidades matemáticas de possíveis resultados e a incerteza de quando a probabilidade de resultados não pode ser expressa com qualquer precisão.
A literatura de aprendizado de máquina geralmente se refere ao "risco" de aprender, mas isso está relacionado ao desempenho abaixo do ideal devido à incerteza intrinsecamente presente em amostras aleatórias (HASTIE et al., 2009). Essa tese considera apenas riscos observando objetivos e seu impacto nos algoritmos de aprendizado de máquina usados para a tomada de decisão.
A tomada de decisão requer um conhecimento distributivo completo para cada uma das ações acionáveis (escolhas a priori) para executar uma política (PETERSON, 2009). Na prática, nem sempre é o caso em que o conhecimento distributivo completo esteja disponível. A avaliação de políticas pode ser problemática quando as propriedades estatísticas do processo são desconhecidas e devem ser estimadas. Em muitas aplicações práticas, como em finanças (CHATFIEL, 2013), há geralmente apenas uma única sequência disponível para a análise, que é apenas uma das muitas possíveis histórias que poderiam ter sido geradas pelo processo subjacente. Em alguns casos, o tamanho da sequência é muito curto para exibir completamente essas dinâmicas complexas ou esses padrões são de baixa probabilidade. Em muitas aplicações práticas, como a medição de eventos raros em séries temporais financeiras, isto não é viável (TALEB, 2007).
Como resultado, quando apenas uma única sequência dependente curta é observada, estimar estatísticas complexas pode ser muito desafiador. Na ausência do processo ou de amostras adicionais, o princípio Bootstrap trata a distribuição da amostra como a distribuição verdadeira, aproximando a variabilidade da verdadeira distribuição por amostragem, com substituição, da amostra observada. O princípio Bootstrap atinge excelente desempenho de estimativa sem fazer suposições limitativas restritivas no processo (EFRON, 1979).
Os métodos de bloco generalizam diretamente o princípio do Bootstrap para dados dependentes, em que a sequência original é segmentada em blocos e esses blocos são amostrados aleatoriamente com substituição para construir cada sequência de bootstrap. A capacidade desses métodos para modelar a dependência serial depende da seleção precisa da largura do bloco (KULPERGER; PRAKASA RAO, 1989).
LEITURA
Administração de sistemas de informação e a gestão do conhecimento
Autor: Alessandro Marco Rosini
Editora: Cengage Learning
Ano: 2012
A teoria da empresa baseada no conhecimento sugere que o conhecimento é o ativo organizacional que permite vantagem competitiva sustentável em ambientes hipercompetitivos. A ênfase no conhecimento nas organizações de hoje baseia-se no pressuposto de que barreiras à transferência e replicação do conhecimento conferem-lhe importância estratégica. No tópico 1.5.4, Sistemas de Apoio à Decisão (SAD), do livro o autor apresenta esse contexto e possibilitará a compreensão da importância da utilização das técnicas para realizar previsões para a tomada de decisão. Este título está disponível na Biblioteca Virtual da Laureate.
LEITURA
Orientação e gestão para stakeholdersno processo de decisão organizacional
Autores: Fabricio Stocker e Keysa Manuela Cunha de Mascena
Ano: 2019
A complexidade e a flexibilidade da tomada de decisão estão diretamente relacionadas aos objetivos e características de cada indivíduo. Com este trabalho, será possível refletir sobre a possibilidade de integrar as técnicas para realizar previsões para a tomada de decisão de forma automatizada.
ACESSAR
Modelos Analíticos de Classificação
O Data Mining ensina as técnicas para a mineração de dados, ou seja, é possível realizar a análise de dados em um banco de dados usando ferramentas que procuram tendências ou anomalias sem conhecimento do significado dos dados. Data Mining é definido como o procedimento de extração de informações de grandes conjuntos de dados. Em outras palavras, podemos dizer que a mineração de dados é a mineração do conhecimento dos dados.
Podemos classificar em seis grandes classes a mineração de dados. Embora existam vários outros algoritmos e muitas variações das técnicas descritas, um dos algoritmos desse grupo de seis é quase sempre usado em implantações do mundo real de sistemas de mineração de dados.
Muitos algoritmos e técnicas podem ser aplicados na construção da mineração de dados, como: Classificação, Clustering, Regressão, Inteligência Artificial, Redes Neurais, Regras de Associação, Árvores de Decisão, Algoritmos Genéticos, Classificação por Indução de Árvore de Decisão, Classificação Bayesiana, Support Vector Machines (SVM) etc., que são usados para a descoberta de conhecimento a partir de bancos de dados.
LEITURA
Redes de computadores
Autora: Diane Barrett
Editora: LTC
Ano: 2010
Mineração de dados é um termo relevante que simplifica a exploração e análise da enorme quantidade de dados com o objetivo de buscar informações ocultas e valiosas. O autor apresenta no Capítulo 1, “Comunicações de dados”, e no Capítulo 2, “Redes de comunicações”, elementos fundamentais para aplicar a mineração de dados em aplicações que serão disponibilizadas em rede. Este título está disponível na Biblioteca Virtual da Laureate.
LEITURA
O secretário executivo e a tecnologia da informação: um estudo sobre a utilização de recursos tecnológicos pelos profissionais da cidade de Belém/PA
Autores: Alessandra de Paula Lima Soares e Marco Antonio Lima
Ano: 2014
Com a leitura do material, é possível compreender de forma prática o processo de aplicar a mineração dos dados de forma a atingir os objetivos que foram estabelecidos no escopo.
ACESSARmedicao
Regressão e Clustering 
A mineração de dados é classificada em preditiva e descritiva. O método preditivo faz a predição sobre os valores dos dados, e o método descritivo identifica o relacionamento entre os dados.
Data Mining visa, principalmente, a extração das informações anteriormente desconhecidas e substancialmente útei s do conjunto de dados disponível. As principais categorias de mineração de dados incluem as técnicas de agrupamento, classificação e regressão.
A técnica de regressão pode ser adaptada para predicação. A análise de regressão pode ser usada para modelar o relacionamento entre uma ou mais variáveis independentes e dependentes (CHAI; LONG, 2001). Na mineração de dados, as variáveis independentes são os atributos já conhecidos, e as variáveis de resposta são os elementos que queremos prever. Infelizmente, muitos problemas do mundo real não são simplesmente uma previsão. Por exemplo, volumes de vendas, estoque, preços e taxas do produto são todos muito difíceis de prever, porque eles podem depender de interações complexas de múltiplas variáveis preditoras. Portanto, técnicas mais complexas (por exemplo, regressão logística, árvores de decisão ou redes neurais) podem ser necessárias para prever os valores futuros. Os mesmos tipos de modelo podem frequentemente ser usados para regressão e classificação. Por exemplo, o Classification and Regression Trees (CART) é um algoritmo da árvore de decisão que pode ser usado tanto para criar a classificação de árvores (para classificar variáveis de resposta categóricas) como para aplicar a regressão de árvores (para prever variáveis de resposta contínua). As redes neurais também podem criar classificação e modelos de regressão. Alguns dos tipos de métodos de regressão são: regressão linear, regressão linear multivariada, regressão não linear e regressão não linear multivariada.
Na mineração de dados, a previsão de dados pode ser feita usando as técnicasde classificação de mineração de dados e regressão. Essas técnicas de mineração de dados possuem vários algoritmos. Na previsão, usando a classificação, a precisão é baixa com erros altos, mas usando regressão, podemos obter precisão na previsão de dados com baixos erros. Comparando a classificação dos algoritmos de regressão sob os diversos parâmetros, como precisão de previsão, complexidade, erros comparando essas duas técnicas, podemos dizer que, eficientemente, a previsão pode ser feita usando regressão e seus algoritmos.
LEITURA
Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações
Autores: Leandro Nunes de Castro e Daniel Gomes Ferrari
Editora: Saraiva
Ano: 2016
O livro apresenta uma introdução sistemática e uma visão geral completa do estado da arte da mineração de dados de contraste, incluindo conceitos, metodologias, algoritmos e aplicativos. No Capítulo 1, “Introdução à mineração de dados”, o autor aborda justamente sobre esse contexto. Este título está disponível na Biblioteca Virtual da Laureate.
LEITURA
O uso da descoberta de conhecimento em base de dados para apoiar a tomada de decisões
Autores: Eric Rommel G. Dantas, José Carlos Almeida, Patrício Júnior, Daniel Silva de Lima e Ryan Ribeiro de Azevedo
Ano: 2019
A mineração de dados automatiza o processo de pesquisa de dados históricos para descobrir novas informações. O artigo aborda justamente sobre essa diferença entre a mineração de dados e a estatística. Após a leitura do material, será possível compreender qual é a ligação dos princípios de regressão e clustering com o desenvolvimento de aplicações que utilizam a análise preditiva.
ACESSAR
Análise Preditiva e a Internet das Coisas (IoT)
A análise preditiva na Internet das Coisas (IoT) é o ramo da previsão de análises que lidam com a previsão envolvida na configuração dos dispositivos da IoT. A análise preditiva na IoT trabalha com a ajuda de dados coletados por diversos sensores especializados implantados em locais onde dispositivos IoT devem funcionar e ajuda na criação do conjunto de dados que atua como entrada para o preditor.
O processo de análise preditiva na IoT nos ajuda a alcançar o objetivo de automação residencial e torna as coisas muito mais fáceis de implementar, oferecendo flexibilidade de implementar o hardware mais recente. Além dos dados gerados pela IoT, deve-se criar tabela separada para armazenar os dados gerados pelos sensores que atuam como catalisadores do processo de análise preditiva.
A análise preditiva faz uso de várias técnicas estatísticas e analíticas para prever o cenário utilizado pelos dispositivos IoT. Utiliza o aprendizado de máquina para fazer os processos de previsão muito mais fácil. A IoT é atualmente um campo em evolução e muitas pesquisas foram realizadas a esse respeito. Segundo Lutu e Engelbrecht (2010), foi concluído que a mineração de dados juntamente com a análise preditiva são as tecnologias mais perturbadoras da era atual. O processo envolve preparação, mineração, apresentação e revolução em torno da teoria da estatística, probabilidade e conhecimento.
A arquitetura da análise preditiva pode ser dividida em 3 partes:
Visão do conhecimento: essa parte da coleta de dados é feita pelo usuário e pelo sensor. Os dados coletados são armazenados na forma de mapas de representação e o ciclo do conhecimento. O ciclo é segregado com a ajuda da inteligência artificial. A análise outlier e a análise de séries temporais são feitas neste estágio para garantir que as informações coletadas sejam de alta qualidade.
Visão técnica: nesta visão, são aplicadas técnicas pré-descobertas que são examinadas adequadamente para que o resultado obtido seja de alta qualidade. O aprendizado de máquina é usado para otimizar a técnica para que o conhecimento seja consistente e os valores extremos são mínimos.
Visualização do aplicativo: nesta visão, tente inculcar os aplicativos ou a tarefa; isso deve ser realizado no banco de dados (ASHTON, 2009).
Segundo Gogoi et al. (2011), o processo de análise preditiva consiste em várias etapas, como segue abaixo:
Coleta de dados: os dados são coletados dos sensores (dispositivos IoT) para facilitar o processo de análise que requer um conjunto de dados adequado.
Análise de cluster de dados: os dados são então formados em clusters para agrupar valores semelhantes a uma unidade. O cluster é utilizado para processamento posterior.
Mineração de regras de associação: a mineração de regras de associação é executada nos valores de atributo para concluir que tipo de valores ocorrem juntos.
Análise outlier: outliers são analisados para derivar uma conclusão para sua posição exata. A decisão sobre se os valores coletados podem ser acomodados ao cluster de dados atual ou um novo cluster é obtida seguindo certas etapas predefinidas.
Recolha conclusiva de declarações: este é o último passo do processo no qual os dados após o processamento formam um if-else para a construção da derivação de conclusões.
LEITURA
Redes de computadores e internet
Autor: Douglas E. Comer
Editora: Bookman
Ano: 2016
No livro o autor apresenta os conceitos e características da rede de computadores, em que é a conectividade entre computadores que permite a comunicação entre sistemas ou dispositivos de computador. Ao longo da obra, são apresentadas algumas características importantes às quais as aplicações devem atender. O Capítulo 4 aborda a construção e o gerenciamento das “Aplicações tradicionais da Internet”. Este título está disponível na Biblioteca Virtual da Laureate.
LEITURA
A Internet das Coisas aplicada ao conceito de eficiência energética: uma análise quantitativo-qualitativa do estado da arte da literatura
Autores: Arildo Antônio Sônego, Roderval Marcelino e Vilson Gruber
Ano: 2016
A revolução contínua de objetos do cotidiano sem fio conectados à rede, denominada "Internet das Coisas" (IoT), está criando oportunidades interessantes. A partir desse contexto, o(a) leitor(a) deverá refletir sobre de que forma é possível criar estratégias para integrar os recursos da Internet das Coisas em outras áreas, principalmente com a Análise Preditiva.
ACESSAR
Conclusão
Vimos que Data Mining é o processo de analisar dados de diferentes perspectivas e compilá-los em informações úteis, tornando-o mais preciso, confiável, eficiente e benéfico. Na mineração de dados são aplicadas várias técnicas, como classificação, agrupamento, regressão e mineração de associação. Essas técnicas podem ser usadas em vários tipos de dados; podem ser dados de fluxo, dados dimensionais, bidimensionais ou multidimensionais.
Analisamos as técnicas de mineração de dados baseadas em vários parâmetros. Todas as técnicas de mineração de dados usadas nos vários campos do conhecimento para previsão e extração de dados úteis ou conhecimento de uma grande base de dados são analisadas, e cada dado apresenta um desempenho diferente.
Vimos que o futuro da IoT está na análise preditiva. Os processos de previsão e a análise podem ajudar a alcançar o objetivo de construir software e aplicativos cada vez mais inteligentes. Os dispositivos IoT se tornam inteligentes apenas quando os dispositivos conectados à internet se tornam capazes de tomar as suas próprias decisões. A integração adequada entre análise preditiva e o IoT pode se tornar a próxima tecnologia disruptiva a governar as próximas décadas. A produtividade dos dispositivos IoT aumenta quando combinadas com a análise preditiva.
Referências Bibliográficas
ASHTON, K. That ‘Internet of Things’ Thing. RFiD Journal, jun. 2009. Disponível em: https://www.rfidjournal.com/articles/view?4986. Acesso em: 17 fev. 2020.
BARRETT, D. Redes de computadores. Rio de Janeiro: LTC, 2010.
BLEDSOE, B. P.; WATSON, C. C. Logistic analysis of channel pattern thresholds: meandering, braiding, and incising. Geomorphology, n. 38, p. 281-300, 2001. Disponível em: http://bledsoe.engr.uga.edu/wp-content/uploads/2017/11/Bledsoe_Watson_2001_geomorph_logistic.pdf. Acesso em: 17 fev. 2020.
CARRARA, A. Multivariate models for landslide hazard evaluation.Mathematical Geology, n. 15, jun. 1983. Disponível em: https://link.springer.com/article/10.1007/BF01031290. Acesso em: 17 fev. 2020.
CASTRO, L. N; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016.
CHAI, D. J. et al. Prediction of Frequent Items to One Dimensional Stream Data. In: INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND APPLICATIONS, 5., 2007, Kuala Lampur. Anais [...]. Kuala Lampur: IEEE, 2007. Disponível em: https://ieeexplore.ieee.org/document/4301167. Acesso em: 17 fev. 2020.
CHATFIELD, C. The analysis of time series: an introduction. CRC Press, 2013.
CLERICI, A. et al. A procedure for landslide susceptibility zonation by the conditional analysis method. Geomorphology, 2002. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0169555X0200079X. Acesso em: 17 fev. 2020.
COMER, D. E. Redes de computadores e internet. Porto Alegre: Bookman, 2016.
DANTAS, E. R. G. et al. O uso da descoberta de conhecimento em base de dados para apoiar a tomada de decisões. Disponível em: https://www.aedb.br/seget/arquivos/artigos08/331_331_Artigo_SEGET_EJDR_Versao_Final_010808.pdf. Acesso em: 17 fev. 2020.
EFRON, B. Bootstrap methods: Another look at the Jackknife. The Annals of Statistics, v. 7, n. 1, p. 1-26, jan. 1979.
GOGOI, P. et al. A survey of outlier detection methods in network anomaly identification. The Computer Journal, v. 54, n. 4, abr. 2011. Disponível em: https://bit.ly/2PcVxKR. Acesso em: 17 fev. 2020.
HASTIE, T. et al. The elements of statistical learning. Springer, 2009. v. 2.
KNIGHT, F. H. Risk, uncertainty and profit. New York: Hart, Schaffner and Marx, 1921.
KULPERGER, R. J.; PRAKASA RAO, B. L. S. Bootstrapping a finite state Markov chain. Sankhya: the Indian Journal of Statistics, v. 51, n. 2, p. 178-191, 1989.
LEE, S; CHOI, J; MIN, K. Landslide susceptibility analysis and verification using the Bayesian probability model. Environmental Geology, v, 43, 2002. Disponível em: https://link.springer.com/article/10.1007/s00254-002-0616-x. Acesso em: 17 fev. 2020.
LIMA, M. A; SOARES, A. P. L. O secretário executivo e a tecnologia da informação: um estudo sobre a utilização de recursos tecnológicos pelos profissionais da cidade de Belém/PA. Revista de Gestão e Secretariado, São Paulo, v. 5, n. 2, 2014. Disponível em: https://www.revistagesec.org.br/secretariado/article/view/254/pdf_58. Acesso em: 17 fev. 2020.
LORENTE, A. et al. Factors explaining the spatial distribution of hillslope debris flows: a case study in the Flysch Sector of the Central Spanish Pyrenees. Mountain Research and Development, v. 22, n. 1, fev. 2002. Disponível em: https://bit.ly/37MDCRN. Acesso em: 17 fev. 2020.
LUTU, P. E. N.; ENGELBRECHT, A. P. A decision rule-based method for feature selection in predictive data mining. Expert Systems with Applications: an International Journal, v. 37, n. 1, jan. 2010. Disponível em: https://dl.acm.org/doi/abs/10.1016/j.eswa.2009.06.031. Acesso em: 17 fev. 2020.
PETERSON, M. An introduction to decision theory. Cambridge: Cambridge University Press, 2009.
PRADO, E. P. V; MANNINI, P. Técnicas para análise de risco: uma avaliação da literatura sobre gerenciamento de projetos de SI. Revista de Gestão e Secretariado, São Paulo, v. 9, n. 3, set./dez. 2018. Disponível em: https://www.revistagesec.org.br/secretariado/article/view/780-3155/pdf. Acesso em: 17 fev. 2020.
ROSINI, A. M; PALMISANO, A. Administração de sistemas de informação e a gestão do conhecimento. 2. ed. São Paulo: Cengage Learning, 2012.
ROSSETI, J. P. Governança corporativa: fundamentos, desenvolvimento e tendências. São Paulo: Atlas, 2019.
RUDIN, C; WAGSTAFF, K. L. Machine learning for science and society. Machine Learning, v. 95, 2014. Disponível em: https://link.springer.com/article/10.1007/s10994-013-5425-9. Acesso em: 17 fev. 2020.
SÔNEGO, A. A.; MARCELINO, R.; GRUBER, V. A Internet das Coisas aplicada ao conceito de eficiência energética: uma análise quantitativo-qualitativa do estado da arte da literatura. AtoZ: novas práticas em informação e conhecimento, Santa Catarina, v. 5, n. 2, 2016. Disponível em: https://revistas.ufpr.br/atoz/article/view/47860/29517. Acesso em: 17 fev. 2020.
STOCKER, F; MASCENA, K. M C de. Orientação e gestão para stakeholders no processo de decisão organizacional. Revista de Gestão e Secretariado, São Paulo, v. 10, n. 1, jan./abr. 2019. Disponível em: https://www.revistagesec.org.br/secretariado/article/view/864/pdf. Acesso em: 17 fev. 2020.
TALEB, N. N. The black swan: the impact of the highly improbable. 2007.
VAN BEEK, R.; VAN ASCH, T. Regional assessment of the effects of land-use change on landslide hazard by means of physically based modelling. Natural Hazards, v. 31, n. 1, p. 289-304, Jan. 2004.
WILLETT, A. H. The economic theory of risk and insurance. New York: The Columbia University Press, 1901. v. 14, n. 2.
Dica do
‍Professor
Autor: Me. Marcelo Henrique dos Santos
Revisor: Me. Douglas Melman
Dica 01: Agricultura Inteligente baseada na Internet das Coisas (IoT)
Ao implementar as mais recentes tecnologias de detecção e IoT em práticas agrícolas, todos os aspectos da agricultura tradicional podem ser fundamentalmente alterados. Seguindo as práticas da Agricultura Inteligente, a IoT pode ajudar a melhorar as soluções de muitas questões agrícolas tradicionais, como a resposta à seca, otimização do rendimento, adequação da terra, irrigação e pragas ao controle.
Análise Preditiva
Dica do
‍Professor
Autor: Me. Marcelo Henrique dos Santos
Revisor: Me. Douglas Melman
Dica 02: Agricultura Inteligente baseada na Análise Preditiva
A análise preditiva pode ser integrada na agricultura para auxiliar no processo de verificar e determinar as possibilidades futuras da modelagem dos dados que podem ser analisados, isto é, podem ser usados para gerar as análises e concentra-se neles. As técnicas que podem ser aplicadas dentro desse contexto são os algoritmo de classificação, algoritmo de agrupamento, mineração de regras de associação, dentre outras.
Dica do
‍Professor
Autor: Me. Marcelo Henrique dos Santos
Revisor: Me. Douglas Melman
Dica 03: Agricultura Inteligente e a tomada de decisão
No campo agrícola, os modelos de sistema desempenham um papel muito significativo para o desenvolvimento da agricultura, nos montantes de recursos dos experimentos de campo e fazenda, para fornecer as informações e identificar práticas de gerenciamento apropriadas e eficazes. Para os gestores (responsáveis pela fazenda), a utilização de sistemas automatizados pode ajudar a identificar na gestão da terra, espaço e tempo, desde a análise preliminar do solo, seu manejo e análise do clima, por exemplo. Esses sistemas podem integrar esses dados e processá-los para facilitar a interpretação dos aspectos agronômicos e apoiar a tomada de decisão.