Análise de Dados em Astronomia
AGA-0505
Primeiro Semestre de 2024
Professor: Laerte Sodré Jr.laerte.sodre@iag.usp.br
Monitor: Erik Vinicius Limaerik.vini@usp.br
aulas: sala B-301 (Laboratório de Informática)
Horário:
- 3a.f 14:00 - 16:00
Objetivos:
ensinar noções práticas de estatística aplicada à análise de dados
foco em técnicas úteis para a Astronomia
aplicações em R (ver https://www.r-project.org/)
curso prático: entender e saber aplicar os conceitos
Avaliação:
- listas: entregar antes da aula seguinte (ou subtração de 0.1 na nota por dia de atraso); o máximo atraso permitido será de 2 semanas
mande por email ao professor e ao monitor um arquivo pdf com a seguinte nomenclatura:
nome do aluno + número do exercício.pdf (exemplo: laertesodre02.pdf)
- trabalho de conclusão da disciplina (TCD)
TCD: execução de um projeto de análise de dados, decidido em conjunto pelo aluno e o professor
Data limite de entrega do TCD: 28/06/2024, 24h
- nota final: 30% TCD; 70% listas de exercícios
esquema sugerido do TCD:
1. página de rosto:
-título do trabalho
-nome do aluno e número USP
-resumo do trabalho (1 parágrafo)
2. corpo do trabalho
-1 introdução: apresentação do problema
-2 objetivos: apresente em um parágrafo o objetivo do trabalho
-3 dados: apresentação dos dados utilizados e pré-processamento (se for o caso); caso se trate de dados simulados, descrever a simulação
-4 metodologia: as ferramentas usadas na análise
-5 resultados: aplicação das ferramentas aos dados
-6 conclusões: resuma os principais resultados e o que você conclui
-7 referências: artigos e webpages usadas
-8 apêndice: o código usado
Sejam objetivos e sucintos! Conseguir isso é uma arte!
Data limite de entrega do TCD: 28/06/2024, 24h
Programa
1. Introdução: Probabilidades e Estatística
2. Probabilidades
3. Distribuições de Probabilidades
4. Simulações
5. Testes de Hipótese
6. O Método da Máxima Verossimilhança
7. Inferência Bayesiana
8. Comparação Bayesiana de Modelos
9. Aprendizado de Máquina: Princípios Gerais
10. Aprendizado de Máquina: Regressão e Classificação
11. Aprendizado de Máquina: Deep Learning
12. Séries Temporais
Aulas
Aula 1- Introdução: probabilidades e estatísticaaula 1 (pdf) R1.html dados: novais.txt
Aula 2- Distribuições de probabilidadesaula 2 (pdf) R2.html completando o quadrado (pdf)
Aula 3- Probabilidadesaula 3 (pdf) R3.html
Aula 4- Amostragem e Simulaçõesaula 4 (pdf) R4.html
Aula 5- Testes de Hipóteses, Comparação de Distribuições e Análise de Correlaçãoaula 5 (pdf) R5.html
Aula 6- O Método da Máxima Verossimilhançaaula 6 (pdf) R6.html dados: tab_virgo.dat dados: NGC4472_profile.dat
Aula 7- Inferência Bayesianaaula 7 (pdf) R7.html dados: contagensX.dat
Aula 8- Modelos Bayesianosaula 8 (pdf) R8.html