Métodos e Técnicas de Modelagem Estatística e Machine Learning

Este repositório contém uma lista organizada de métodos e técnicas utilizados em modelagem estatística, aprendizado de máquina e séries temporais. As técnicas foram classificadas com base nos TCCs que supervisionei este semestre. Meu TCC também se encontra em anexo caso queiram entender como se deu as métricas e a parte teórica envolvente.

---

Estatísticas Básicas (Reflete o meu TCC)

Conjunto de métodos estatísticos essenciais para análise de dados e modelagem preditiva. Aqui fiz uma preparação pré e pós treinamento, teste e validação externa, contém diversas análises de erro.

• AR (Auto-Regressive) – modelo de regressão baseado em valores passados da série.
• ARMA (Auto-Regressive Moving Average) – combinação de modelos autoregressivos e médias móveis.
• ETS (Error, Trend, Seasonality) – modelo estatístico que combina erro, tendência e sazonalidade.
• Ensemble – combinação de múltiplos modelos para melhorar a previsão.
• GRU (Gated Recurrent Unit) – rede neural recorrente otimizada para séries temporais.
• Lambda – transformação matemática usada para ajustar a distribuição de dados, como Box-Cox.
• MA (Moving Average) – modelo baseado em médias móveis para capturar padrões em séries temporais.
• RandomForest – modelo baseado em árvores de decisão para classificação e regressão.
• Sklearn – biblioteca de aprendizado de máquina com funções estatísticas e de modelagem.
• VAR (Vector AutoRegression) – modelo para capturar relações entre múltiplas séries temporais.

---

Técnicas PCA (Reflete um TCC que supervisionei)

Métodos avançados para otimização de modelos e redução de dimensionalidade.

• AR (Auto-Regressive) – modelo de regressão para séries temporais.
• Boosting – combinação de modelos fracos para formar um modelo forte.
• Decomposition – separação de séries temporais em componentes como tendência e sazonalidade.
• Ensemble – combinação de múltiplos modelos para melhorar previsões.
• GridSearch – busca de hiperparâmetros para otimização de modelos.
• MA (Moving Average) – modelo baseado em médias móveis.
• PCA (Principal Component Analysis) – reduz a dimensionalidade mantendo a variância máxima.
• RandomForest – modelo baseado em árvores de decisão.
• SVM (Support Vector Machine) – modelo de aprendizado de máquina para classificação e regressão.
• Sklearn – biblioteca de aprendizado de máquina.
• VAR (Vector AutoRegression) – modelo para múltiplas séries temporais.
• XGBoost (Extreme Gradient Boosting) – algoritmo de boosting otimizado.

---

Séries Temporais (Reflete um TCC que supervisionei)

Métodos e técnicas especializados na análise e modelagem de dados sequenciais ao longo do tempo.

• AR (Auto-Regressive) – modelo de regressão para séries temporais.
• ARIMA (Auto-Regressive Integrated Moving Average) – modelo estatístico para séries temporais que inclui diferenciação.
• Boosting – método de aprendizado de máquina baseado em modelos fracos combinados.
• Clustering – técnica de agrupamento de padrões semelhantes.
• DBSCAN – algoritmo de agrupamento baseado em densidade.
• Decomposition – separação de séries temporais em tendência, sazonalidade e erro.
• ETS (Error, Trend, Seasonality) – modelo estatístico.
• Ensemble – combinação de múltiplos modelos.
• GRU (Gated Recurrent Unit) – rede neural recorrente para séries temporais.
• GridSearch – busca de hiperparâmetros para modelos.
• Holt – método de suavização exponencial para séries com tendência.
• Holt-Winters – extensão do método Holt, incluindo sazonalidade.
• KMeans – algoritmo de agrupamento para dados não rotulados.
• Keras – framework para deep learning baseado no TensorFlow.
• LSTM (Long Short-Term Memory) – rede neural recorrente que lida com dependências de longo prazo.
• MA (Moving Average) – modelo baseado em médias móveis.
• PCA (Principal Component Analysis) – técnica para redução de dimensionalidade.
• RandomForest – modelo baseado em múltiplas árvores de decisão.
• SVM (Support Vector Machine) – modelo de aprendizado de máquina.
• Seasonal – método que considera padrões sazonais nas séries.
• Sklearn – biblioteca de aprendizado de máquina.
• Statsmodels – biblioteca estatística para modelagem e análise de séries temporais.
• TensorFlow – framework de deep learning.
• VAR (Vector AutoRegression) – modelo para múltiplas séries temporais.
• XGBoost (Extreme Gradient Boosting) – técnica avançada de boosting.

---

📧 Contato

Caso tenha dúvidas ou sugestões, entre em contato. 😊 cel - (19) 99507-7848 e-mail - orlando.pardini@outlook.com