🗒️ Resumo
🗒️ 3. Primeiros passos Hands-on
🗒️ 5. Outros tipos de Modelos de Vetores de Suporte
🗒️ Apêndice
Com o avanço da revolução digital, o acesso a dados das mais diversas variedades têm se tornado cada vez mais fácil, permitindo que diferentes setores da sociedade possam utilizar a ciência de dados para extrair conhecimento útil e de valor melhorando a tomada de decisões. Nesse contexto, o aprendizado estatístico desempenha um papel central. Dentre as diversas técnicas de aprendizado estatístico, destacam-se os modelos de vetores de suporte (SVM – Support Vector Machines). Os SVMs são um tipo de algoritmo de aprendizado não-paramétrico que tem como objetivo maximizar a margem entre os dados de diferentes naturezas. No problema de classificação, por exemplo, eles buscam encontrar um hiperplano que melhor separe as classes dos dados. Os SVMs possuem diversas vantagens em relação a outros métodos de aprendizado de máquina. Uma delas é a capacidade de lidar com dados de alta dimensionalidade e sua alta flexibilidade, permitindo ser aplicados em diversos tipos de problemas, incluindo regressão e detecção de anomalias. Por conta de suas propriedades de estimação e predição, bem como a capacidade de lidar com dados complexos, os SVMs têm se tornado uma das ferramentas mais populares no campo do aprendizado estatístico. Seu uso é amplamente difundido em áreas como reconhecimento de padrões, análise de imagens, bioinformática e finanças, dentre outras. Neste minicurso, apresentaremos as principais definições dos modelos de vetores de suporte e demonstraremos sua aplicação prática utilizando as linguagens R e Python.
Este material foi originalmente concebido para o minicurso da 67ª Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria (RBras) e 20º Simpósio de Estatística Aplicada à Experimentação Agronômica (SEAGRO), realizado em Londrina, Paraná, entre os dias 24 a 28 de julho de 2023. O texto tem sido continuamente revisado para seu aprimoramento e expansão. Assim, os autores agradecem antecipadamente por todos os comentários e sugestões de melhoria.
Os autores,