Extensão

Apoio à Decisão em MATLAB e R

Informações e Matricula

Objetivo

A decisão apoiada por computação através de métodos matemáticos é uma tendência em grandes organizações, governos, instituições financeiras e órgãos ligados à segurança em todo o mundo. Aplicações em previsão, otimização, análise de risco, controle, inferência, modelagem, detecção de fraude, Datamining, Big Data, decisão sob incertezas, entre outras, vêm dominando em, praticamente, todas as áreas de negócio.

Os processos de tomada de decisão em organizações dependem fortemente do conhecimento que pode ser retirado dos dados exógenos e daqueles resultantes das atividades da empresa, armazenados continuamente pelos sistemas de informação transacionais. A inovação está nos métodos que consolidam os dados de negócios e os transforma em conhecimento útil para a tomada de decisão. Organizações conquistam uma vantagem competitiva através de sistemas capazes de identificar tendências, melhorar relacionamentos, otimizar processos, solucionar problemas, reduzir riscos financeiros e criar novas oportunidades de negócios.

  • O curso aborda os seguintes tópicos:
    • Introdução ao MATLAB e R
    • Sistemas de Apoio à Decisão em Excel, Matlab e R
    • Previsão e Inferência por Redes Neurais
    • Sistemas baseados em Conhecimento por Lógica Fuzzy em Controle, Planejamento e Previsão
    • Otimização por Algoritmos Genéticos
    • Programação Genética (auto programação de computadores) para identificação de processos por regressão simbólica
    • Data Mining e Big Data
    • Análise de Risco e Confiabilidade
    • Apoio à Decisão sob Incertezas e simulação Monte Carlo
    • Métodos Estatísticos de Apoio à Decisão
Ementa

O curso introduz os conceitos fundamentais e a prática de técnicas de apoio à decisão e Data Mining (mineração de dados) usando as ferramentas MATLAB e R. O curso aborda as principais técnicas existentes para suporte a decisão empresarial, nas áreas de otimização, mineração de dados, classificação de padrões, clusterização, previsão de séries temporais, análise de cenários e riscos, sempre exemplificando a aplicação das técnicas com estudos de caso em MATLAB e R. Espera-se que, ao final do curso, o aluno tenha em mãos um arcabouço ferramental no formato códigos de MATLAB e R que possa ser facilmente adaptado aos seus casos reais. São apresentados os seguintes temas no curso:

Programação do curso

Aulas com apresentação de slides do tipo PowerPoint em paralelo com abordagem "hands-on", com uso simultâneo de ambientes de programação comerciais na solução de vários exemplos práticos com aplicação em engenharias, finanças, comércio, indústria, etc.

  • Introdução ao Matlab
    • Vantagens e Desvantagens do Matlab
    • O ambiente Matlab
    • Variáveis e Matrizes
    • Iniciando Variáveis no Matlab
    • Matrizes Multidimensionais
    • Submatrizes
    • Exercícios

  • Matlab Básico
    • Programação Orientada a Matlab
    • Entrada/Saída básica no Matlab
    • Operações com Escalares e Matrizes
    • Funções predefinidas no Matlab
    • Diagramas no Matlab
    • Exercícios

  • Programação Estruturada Básica
    • Operadores relacionais e lógicos
    • Ramificações (Estruturas condicionais)
    • Características adicionais de diagramas
    • Depurando programas no Matlab
    • O laços for e while
    • Matrizes lógicas e Vetorização
    • Exercícios

  • Funções definidas pelo usuário
    • Funções no Matlab
    • Passagem de variáveis no Matlab
    • Agrupamentos opcionais
    • Variáveis globais
    • Preservando dados entre chamadas de uma função
    • Funções de funções
    • Subfunções e funções privadas
    • Exercícios

  • Matlab Intermediário
    • Funções de cadeias de caracteres
    • Matrizes multidimensionais
    • Diagramas bidimensionais

  • O suporte à decisão
    • O que é e por quê?
    • Quando usar?
    • O que é possível ser feito?
    • O papel fundamental do especialista.
    • Os pré-requisitos.
    • O profissional de suporte à decisão.
    • Aplicação 1: identificando padrões de clientes.

  • Conceitos básicos
    • Dados, informação e conhecimento.
    • Conhecimento do especialista.
    • Conhecimento extraído.
    • As principais técnicas:
      • a) mineração de dados.
      • b) classificação.
      • c) agrupamento (clustering).
      • d) árvores de decisão.
      • e) regressão / previsão.
      • f) simulação de cenários.
      • g) opções reais e incertezas.
      • h) aprendizado computacional: redes neurais, lógica fuzzy.
      • i) otimização.
    • Aplicação 2: regressão de série.
    • Aplicação 3: simulação de custos de projeto.
    • Aplicação 4: lógica fuzzy.

  • Mineração de dados
    • Definição.
    • Trabalhando com grandes massas de dados.
    • Identificação de padrões.
    • Agrupamento: kmeans, fuzzy cmeans, GMM, redes neurais.
    • Aplicação 5: exemplos de agrupamentos.
    • Classificação: redes neurais, bayes.
    • Aplicação 6: exemplos de classificação.
    • Árvores de decisão. Cadeias de Markov.
    • Aplicação 7: exemplo de árvore de decisão.
    • Testes de hipótese.
    • Aplicação 8: exemplo de testes de hipótese.

  • Regressão / Previsão
    • O que é prever?
    • O que é possível prever?
    • Como funciona?
    • Como medir a qualidade da previsão?
    • Aplicação 9: previsão de faturamento de vendas.
    • Métodos de previsão:
      • a) Ingênuo
      • b) Regressão linear
      • c) AR, MA, ARMA e afins.
      • d) Redes neurais.
    • Aplicação 10: previsão de temperatura com os métodos.
    • Aplicação 11: previsão da cotação do dólar com os métodos.
    • Métricas de qualidade: MAPE, RMSE, sMAPE, u-Theil.
    • Medidas de dependência de fenômenos.
    • Séries explicativas.
    • Aplicação 12: previsão de faturamento com explicação climática.

  • Cenários sob incertezas
    • Variáveis desconhecidas.
    • Estatística: média, variância, distribuições de probabilidade.
    • Aplicação 13: estimação de média e variância.
    • Risco: o que é e como medir?
    • Simulação de cenários:
      • a) Simulação Monte-Carlo;
      • b) Árvores de Decisão;
      • c) Cadeias de Markov;
    • Análise de resultados e tomada de decisões.
    • Aplicação 14: estimação de custos de projeto sob incertezas.
    • Introdução a teoria das opções reais.
    • Aplicação 15: exemplo de aplicação de opções reais.

  • Otimização
    • O que é otimizar?
    • O que se deve otimizar?
    • Aplicação 16: otimização de uma rota de transporte.
    • A matemática da otimização.
    • Máximos e Mínimos.
    • Regras de negócio: as restrições.
    • Aplicação 17: otimização sujeita a restrições.
    • Aplicação 18: otimização sujeita a restrições.
    • Problemas com as otimizações.
    • Programação Genética e Regressão Simbólica

  • Estudos de casos
    • Seleção de estudos de caso para exemplificar as técnicas estudadas no curso.

  • Considerações finais
    • O que fazer agora?
    • O que ler?
    • Quem contratar?
    • Como me especializar?
Corpo Docente
  • Professor: Alexandre Ashade, M.Sc., PUC-Rio
  • Coordenador: Marco Aurélio C. Pacheco, PhD, PUC-Rio
  • Número Mínimo de alunos: 17
  • Número Máximo de alunos: 40
  • Tipo sala de aula: Laboratório do DEE com computadores com 20 máquinas (430 ou 434-L)
  • Carga Horária: 54 horas (1 aula/semana), 18 semanas
  • LOCAL: Gávea
  • Horário: 5as das 19-22hs
  • Alunos de Graduação/Pós-graduação e profissionais ligados às áreas de engenharia, tecnologia da informação, energia, economia, finanças, matemática, estatística, contabilidade, administração e afins. Não é necessário conhecimento prévio de MATLAB e R.