Fundamentos de Machine Learning com R

Você provavelmente tem assistido ao crescimento de aplicações de aprendizado de máquina e outras ferramentas baseadas em inteligência artificial no seu cotidiano. O próprio ChatGPT não somente levou a evolução do poder de algoritmos de aprendizado de máquina a um nível superior não visto anteriormente, como também ilustra bem o funcionamento desses algoritmos. Isto é, se você aprende e se aperfeiçoa em treinar modelos que aprendem de forma robusta a extrair padrões e fazer previsões a partir de uma massa de dados, as possibilidades de aplicações são incontáveis. Com essas habilidades adquiridas, você passa a fazer parte do grupo de profissionais mais bem pago atualmente em qualquer lugar do mundo. Afinal de contas, quem aprende a treinar algoritmos consegue resolver os mais diversos problemas seja em questões acadêmicas ou corporativas. Este curso é ideal para qualquer tipo de profissional que deseja adentrar ou se aperfeiçoar nos fundamentos e tipos de algoritmos mais usados em machine learning.

Formulário de inscriçãohttps://forms.gle/MvW3EANuZTidR9pi6

Data e horário: 14/10/2023

Ministrante: Dr. Écio Souza Diniz. Curriculum

Investimento: R$ 115,00 via transferência ou PIX (Banco do Brasil ou NuBank).

Pré-requisitos: a) conhecimento operacional (ex: carregamento de dados, pacotes, funções) do software R; b) o curso é ministrado em sistema operacional (SO) Windows, então o participante de preferência possuir tal SO, não são fornecidas instruções para sistemas Mac ou Linux no curso; c) possuir conexão boa e estável com a internet.

Conteúdo:

1-Fundamentos teóricos do machine learning
1.1-O que é machine learning?
1.2-Quais as principais abordagens de machine learning?
1.3-O que é aprendizado supervisionado e não supervisionado?
1.4-Aprendizado supervisionado para classificação e regressão.
1.5-O que são dados de treinamento, validação e teste?
1.6-Como dividir dados para treinamento e teste
1.7.O que são e como ajustar hiperparâmetros de algoritmos de aprendizado
1.8-O que é validação cruzada?
1.9-O que é superajuste (overfitting) e subajuste (underfitting)?
1.10-Redes neurais artificiais e seu funcionamento
1.11-Ensemble learning e Random Forest
1.12-Máquina de vetor de suporte (SVM)

2-Machine learning com R
2.1-Introdução ao treinamento de modelos de aprendizado com caret
2.2-Escolha do algoritmo para treinar um modelo
2.3-Ajuste de hiperparâmetros e validação
2.4-Divisão dos dados em treinamento e teste
2.5-Treinamento dos modelos
2.6-Avaliação da performance preditiva
2.7-Interpretação e descrição de resultados

3-Comparação e apresentação de performance preditiva
3.1-Correlação preditiva entre algoritmos
3.2-Kappa, Acurácia, R² e RMSE
3.3-Formas de apresentar resultados (teses, artigos, relatórios)
3.4-O que não fazer em modelos de machine learning

4-Estudos adicionais e prospectos futuros e exercício
4.1-Recomendações de aprimoramento
4.2-Indicações para manter a prática

Fundamentos da linguagem Python

A linguagem Python é uma das principais fontes de programação para uma vasta gama de aplicações, desde processamentos e análises de dados até criação de programas e softwares para diversas finalidades. Ao que se deve esse amplo uso do Python? Principalmente isso se deve a facilidade de aprender essa linguagem devido a sua flexibidade para ser programada e aspectos intuitivos do uso e aplicação dos seus códigos. Por isso, o conhecimento da linguagem Python acompanhado de aprimoramento constante aumenta significativamente suas chances de uma boa colocação profissional seja no setor privado ou público, empresarial ou acadêmico. Não espere para se tornar esse profissional altamente competitivo, comece agora a aprender Python.

Formulário de inscrição: https://forms.gle/MvW3EANuZTidR9pi6

Data e horário: 07/10/2023, das 9:00 às 12:00 e 13:00 às 16:00

Ministrante: Dr. Écio Souza Diniz. Curriculum

Investimento: R$ 80,00 via transferência ou PIX (Banco do Brasil ou NuBank).

Requisitos: a) o curso é ministrado em sistema operacional (SO) Windows, então o participante de preferência possuir tal SO, não são fornecidas instruções para sistemas Mac ou Linux no curso; b) possuir conexão boa e estável com a internet.

Conteúdo:

1-Fundamentos da linguagem Python
1.1.Usando como calculadora
1.2-Tipos de variáveis e conversões
1.3-Palavras reservadas
1.4-Tipos de dados
1.5-Converter tipos de dados
1.6-Operadores Aritméticos, lógicos e relacionais
1.7-Estruturas condicionais
1.8-Loops (For e While)
1.9-Criação de funções
1.10-Estruturas de dados (Listas, Tuplas, Dicionários, Sets)
1.11-List comprehension
1.12-Funções de amplo uso: Enumerate, anônimas (Lambda), map, reduce, filter, Zip

2.Bibliotecas para operações matemáticas e manipulação de dados
2.1-Biblioteca NumPy: operações matemáticas e manipulação de matrizes
2.2-Biblioteca Pandas – manipulação e análise de dados
2.2.1-Criação de data frame
2.2.2-Importação de dados
2.2.3-Inspeção de dados
2.2.4-Renomear linhas e colunas
2.2.5-Slice (fatiamento dos dados)
2.2.6-Slice simples
2.2.7-Slice condicional
2.2.8-Ordenação dos dados
2.2.9-Agrupar dados (Group by)
2.2.10-Salvar dados como arquivos
2.2.11-Tabela dinâmica (Pivot table)

3-Bibliotecas para análises estatísticas
3.1-Estatística descritiva com Pandas
3.2-Estatística com statsmodel

4-Bibliotecas para produção de gráficos
4.1-Gráficos com Matplotlib
4.2-Gráficos com o Seaborn

Como gerar histogramas espelhados e com transparência no R com ggplot2

Você sabe como criar ótimos histogramas em formatos espelhado e com transparência usando a elegância e praticidade do pacote ggplot2 na interface amistosa de programação do RStudio?

A pesquisadora Jeanne Franco, parceira da Beta Analítica e ministrante do nosso curso “Gráficos em R com ggplot2” disponível em videoaulas na Hotmart, nos mostra o passo com explicações e códigos necessários para gerar os gráficos de histogramas espelhados e com transparência.

Os histogramas espelhados são úteis para demonstrar e comparar duas variáveis num mesmo gráfico. Já os gráficos com transparência nas barras é útil para comparar valores específicos entre diferentes grupos, como se fossem diferentes histogramas alinhados num único eixo.

Confira e veja como pode produzir seus próprios histogramas espelhados e com transparência: https://jeannefrancojra.quarto.pub/jeanne-franco/posts/post-with-code/hist_two_variables.html

Quer saber mais sobre produção de gráficos sotisficados e elegantes usando ggplot2? Confira: https://hotmart.com/pt-br/marketplace/produtos/graficos-em-r-com-ggplot2/H55031467J

Cursos online ao vivo

CURSOS AO VIVO (VIA WEB CONFERÊNCIA)

Esses cursos são ofertados somente com datas pré-agendas para turmas em sala virtual ao vivo. Se você adquiriu algum curso gravado mencionado acima não precisa preencher o formulário abaixo.

Funcionamento e vantagens:

  • Agendados previamente e ocorrência em datas e horários específicos;
  • Acesso em tempo real à sala virtual do curso por meio de plataforma de web conferência;
  • Interação ao vivo com o ministrante;
  • Emissão de certificado de participação.

CURSOS ONLINE AO VIVO COM INSCRIÇÕES ABERTAS

Fundamentos da linguagem Python 

Fundamentos de Machine Learning com R

Formulário geral de inscrições: https://forms.gle/MvW3EANuZTidR9pi6

Formas de pagamento:

  • Transferência bancária via Banco do Brasil (PIX: eciodiniz@yahoo.com.br) ou NuBank (PIX: eciodiniz@gmail.com);
  • PagSeguro em parcela única no cartão ou débito com pequeno acréscimo no valor.

Pagamentos com moedas estrangeiras:

  • Opções: PayPal e TransferWise com acréscimo de 9% ao valor do curso em moeda brasileira (BRL – R$);
  • PayPal deve ser transferido para betaanalitica@gmail.com
  • Pagamento via TransferWise enviamos dados bancários necessários por e-mail;
  • Para saber o valor do curso desejado em sua moeda faça a conservação no link a seguir (valor original em R$ + 9%): https://www.xe.com/pt/currencyconverter/

Cursos ao vivo com novas datas à definir:

Abaixo clique no link de cada curso para saber mais detalhes (valor, opções de pagamento, ementa, conteúdo, requisitos) e também acessar o botão de pagamento via PagSeguro.

 

Cursos em videoaulas

CURSOS ONLINE EM VIDEOAULAS

Funcionamento e vantagens:

  • Assista as aulas quantas vezes desejar do lugar que estiver ;
  • Certificado gerado automaticamente ao concluir o curso;
  • Conteúdos aprovados pela Hotmart e Udemy;
  • Assistência a dúvidas diretamente com o ministrante.

Clique nos links abaixo para acessar as páginas dos cursos.

Formação em análise de dados com R

Visualização de dados com Python

Estatística Experimental com R

Gráficos em R com ggplot2

Introdução à linguagem R

Modelos de regressão no R

Análise Multivariada no R

Gráficos em R com ggplot2

Séries Temporais com R

Criação de aplicações web com R

Gestão ambiental com QGIS 

Princípios de SIG no ambiente R

Geoestatística no R

Inventário Florestal: teoria, prática e análises em R

Ilustração Científica

Princípios de SIG no ambiente R

Modelos de regressão generalizados no R

Você sabe como utilizar a estatística preditiva através de modelos de regressão generalizados com ampla aplicabilidade para explicar ou prever o comportamento de uma variável que represente evento, fenômeno ou processo? Nesse curso, nós abordamos desde os pré-processamentos e testes até os ajustes para um uso robusto e vantajoso de modelos lineares e não-lineares generalizados para explicação da relação entre variáveis. Assim, nós utilizamos e fornecemos bancos de dados de livro publicado pelo ministrante na área de modelagem de regressão para exemplificação nos exercícios em cada modelo abordado, traduzindo a aplicabilidade para um contexto interdisciplinar. A proposta e objetivo desse curso é fornecer ao participante o entendimento essencial e capacidade de aplicações básicas de alguns dos modelos de regressão mais popularmente utilizados em diversas áreas do conhecimento.

O uso dos modelos generalizados permite que você obtenha melhores ajustes as distribuições reais de seus dados e, consequentemente, maior robustez e confiabilidade são obtidas nos seus resultados. Adicionalmente, serão fornecidas no curso sugestões acerca das formas mais usuais e aceitas de apresentar resultados em publicações científicas e relatórios técnicos.

Carga horária: 7 horas

Data horário: 29 e 30 de março de 2022, 17:00 às 21:00 horas

Ministrante: Dr. Écio Souza Diniz

Investimento: R$ 95,00 via transferência (Banco do Brasil ou NuBank) ou boleto (vencimento em até dois dias úteis)

Inscriçãohttps://forms.gle/MvW3EANuZTidR9pi6

Pré-requisitos desejáveis: entendimento do uso do software R para Windows (instalá-lo em sua versão atual no PC, instalação e carregamento de pacotes, importação de dados para dentro do software) e noção teórica de estatística básica (ex: média, variância, desvio padrão, regressão simples). O não preenchimento desses pré-requisitos não invalida participação no curso, mas isenta responsabilidade da empresa quanto ao participante conseguir acompanhar de forma bem sucedida os conteúdos abordados.

Conteúdo do curso:

  1. Introdução aos modelos generalizados
  2. Pré-diagnósticos (testes de: normalidade, linearidade, correlação)
  3. Ajuste de resíduos e performance dos modelos
  4. Modelos Lineares Generalizados (GLM)
  5. Modelos Lineares Generalizados Mistos (GLMM)
  6. Modelos aditivos generalizados (GAM) – Não lineares
  7. Modelos aditivos generalizados mistos (GAMM) – Não lineares
  8. Seleção de melhores modelos (Akaike)
  9. Sugestões de aprofundamento

Ecologia filogenética com R

O objetivo desse curso é abordar os princípios teóricos e práticos básicos para a análise da diversidade e estrutura filogenética de comunidades biológicas e como elas são estruturadas mediante a influência da  relação filogenética dos traços funcionais e nichos das espécies. Portanto, nesse curso você verá como preparar a lista e dados amostrais de espécies, passando pela geração da árvore filogenética da lista em questão até cálculo de métricas de diversidade e estrutura filogenética que estimam o grau de parentesco entre as espécies até cálculos de índices que medem os graus de conservação e similaridade evolutiva dos seus traços funcionais e nichos. Com esse conhecimento, você será capaz de entender como utilizar e interpretar os resultados das métricas filogenéticas para inferir sobre fatores (ex: filtros ambientais, interações bióticas (ex: competição, facilitação) que determinam a montagem de comunidades, como também a combinação dessas métricas com variáveis que representam condições locais de áreas de estudo (ex: clima, solos) para a maior compreensão dos padrões ecológicos observados nas comunidades estudadas no presente. Para auxiliar na solidificação do conhecimento nos tópicos do curso, juntamente com o protocolo fornecido também são indicadas literaturas específicas para fixação da base teórica.

Data e horário: 03 e 04 de abril de 2023 (17:00 às 21:00)

Carga horária: 7 horas

Ministrante: Dr. Écio Souza Diniz

Investimento: R$ 87,00 via transferência (Banco do Brasil ou NuBank)

Inscriçãohttps://forms.gle/MvW3EANuZTidR9pi6

Pré-requisitos desejáveis: entendimento básico do software R para Windows (instalá-lo em sua versão atual no PC, instalação e carregamento de pacotes, importação de dados para dentro do software). O não preenchimento desses pré-requisitos não invalida participação no curso, mas isenta responsabilidade da empresa quanto ao participante conseguir acompanhar de forma bem sucedida os conteúdos abordados.

Conteúdo do curso:

  1. Organização de dados de espécies e amostras
  2. Bases teóricas da filogenia de comunidades
  3. Relações entre filogenia, traços funcionais e nichos
  4. Escolha da hipótese filogenética para geração de árvore
  5. Geração e datação da árvore filogenética
  6. Visualização gráfica da árvore gerada
  7. Resolução da árvore filogenética
  8. Análises com métricas de diversidade e estrutura filogenética de comunidades
  9. Análises de associação (nível de similaridade) e conservação (sinal) de traços e nichos
  10. Regressão filogenética e coevolução entre traços e nichos
  11. Interpretações e aplicações práticas
  12. Sugestões de apresentação de resultados em publicações
  13. Prospectos para aprimoramento no uso de análises filogenéticas

Introdução às análises multivariadas no R

Nesta versão online ao vivo do curso de análises multivariadas você aprenderá de forma descomplicada a como executar e interpretar as principais abordagens metodológicas multivariadas no R. Para isso, o foco do curso é a execução prática, interpretação de resultados e fundamentação teórica subjacente ao nível conceitual primordial sem necessidade de detalhamento matemático pautado em fórmulas e equações. Dessa forma, você será capaz de entender como escolher diferentes métodos para distintos propósitos analíticos dos seus dados e como aplicá-los.

Carga horária: 7 horas

Data horário: 10 e 11 de abril de 2023 (17:00 às 21:00)

Ministrante: Dr. Écio Souza Diniz

Investimento: R$ 88,00 via transferência ou PIX (Banco do Brasil ou NuBank).

Inscriçãohttps://forms.gle/MvW3EANuZTidR9pi6

Pré-requisitos desejáveis: entendimento do uso do software R para Windows (instalá-lo em sua versão atual no PC, instalação e carregamento de pacotes, importação de dados para dentro do software) e noção teórica de estatística básica (ex: média, variância, desvio padrão, distribuições de erro (ex: normal)). O não preenchimento desses pré-requisitos não invalida participação no curso, mas isenta responsabilidade da empresa quanto ao participante conseguir acompanhar de forma bem sucedida os conteúdos abordados.

Conteúdo:

  • Conceitos e pressupostos básicos da estatística multivariada
    • Teste de normalidade multivariada
    • Homogeneidade de variância multivariada (covariância de matrizes) – teste de Bartlett
    • Teste de média e desvio padrão multivariado – teste T² de Hotelling
    • Correlação linear (Pearson e Spearman)
    • Medidas de distância e dissimilaridade
  • Análise de Variância Multivariada
    • Paramétrica (MANOVA) e não paramétrica (PERMANOVA)
  • Análise de agrupamento (clustering)
    • Hierarchical clustering (dendrograma)
    • Non hierarchical clustering (K-means)
  • Ordenação irrestrita
    • Análise de componentes principais (PCA)
    • Análise de coordenadas principais (PCoA)
    • Análise fatorial (FA)
  • Ordenação restrita
    • Análise de correspondência canônica (CCA)
    • Análise de redundância (RDA)

Inventário Florestal: teoria, prática e análises em R

A principal forma de obtenção de dados de uma floresta nativa ou plantada é através de medições de parâmetros das plantas durante a execução de inventários florestais . Assim, dominar os principais conceitos e métodos relacionados ao inventário florestal é de fundamental importância para manejo, exploração ou conservação dos recursos florestais.

Se você é um profissional seja do setor privado ou público, empresarial ou acadêmico, que deseja atuar ou se aperfeiçoar de forma acessível, com fácil e rápido entendimento técnico-prático nos cálculos e interpretação de parâmetros fundamentais dos inventários florestais, esse curso é o que você busca.

Nesse curso, você será capacitado nos principais tópicos, tanto teóricos quanto práticos, do planejamento e execução do inventário florestal, visando maior eficiência dos processos de campo e análise dos dados, tudo através de uma linguagem técnica acessível e fácil assimilação. O grande diferencial do nosso curso é a forma como aprenderemos a calcular os dados obtidos em campo utilizando uma ferramenta gratuita e mundialmente reconhecida, o software R, que, com poucos comandos, nos fornecerá as principais métricas utilizadas no inventário florestal.

Carga horária: 4 horas

Data e Horário: 14/08/2021 das 8:00 às 12:00

Ministrante: Ms: Carlos Schwartz

Investimento: R$ 85,00 via transferência (Banco do Brasil ou NuBank) ou R$ 92,00 com PagSeguro em parcela única. Pague com PagSeguro - é rápido, grátis e seguro!

Inscrição: https://forms.gle/MvW3EANuZTidR9pi6

Conteúdo do curso:

Conceitos e tipo de inventario florestal
Variáveis do inventário florestal
Planejamento do inventário florestal

Teoria da amostragem
Tipos de amostragem

Fitossociologia: conceitos e parâmetros
Índices de diversidade

Cálculos e análises em R
Apresentação dos dados e Plantminer
Censo florestal
Amostragem estratificada
Amostragem aleatória
Amostragem por Bitterlich
Métricas de Fitossociologia
Cálculo de Índices de diversidade
Curva de acumulação de espécies

 

Séries temporais com R

Você deseja ser um profissional diferenciado e capacitado alinhado com as tendências futuras do setor de análise de dados? Quer aprender a analisar séries temporais, prever o futuro com as melhores técnicas de forecast e ainda sair do treinamento com um produto seu, uma aplicação web de séries temporais, publicada e pronta para uso?

Neste curso, você irá aprender a analisar séries temporais e aplicar as principais técnicas de forecast usando a linguagem R. O conteúdo foi planejado para contemplar tudo o que há de mais importante em séries temporais, com embasamento teórico e diversas aplicações práticas, tudo de forma didática e acessível, mesmo para quem tem conhecimentos básicos de R e estatística. No final do curso, nós ainda desenvolveremos uma aplicação web de séries temporais! Ou seja, além de ser capacitado a trabalhar com séries, você sairá do curso com um produto, um aplicativo pronto para ser usado.

Carga horária: 8 horas

Data horário: 31/07/2021 de 8:00 às 12:00 e 14:00 às 18:00

Ministrante: Alexandre Godinho

Inscriçãohttps://forms.gle/MvW3EANuZTidR9pi6

Investimento: R$ 85,00 via transferência (Banco do Brasil ou NuBank) ou R$ 92,00 com PagSeguro em parcela única. Pague com PagSeguro - é rápido, grátis e seguro!

Conteúdo:

Instruções: instalação de pacotes
Instruções: pastas e arquivos
Introdução às séries temporais
Decomposição de séries temporais
Conceitos e medidas
Pressupostos e transformações
Introdução ao Forecast e aos métodos básicos de previsão
Método do Drift
Suavização exponencial: introdução
Suavização exponencial simples
Método de Holt
Método de Holt-Winters
ARIMA (autoregressive integrated moving average)
Auto ARIMA
Modelos de regressão dinâmica
BATS/TBATS – modelos para múltipla sazonalidade
Forecast com Redes Neurais
Avaliação dos algoritmos

Criação de APP de séries temporais no R com Shiny
Apresentação do Shiny
Criando um projeto no Shiny
Criando um APP simples
APP Forecast: desenvolvimento e teste
APP Forecast: adição de gráficos para as previsões
APP Forecast: análise de resíduos e conclusão
Publicação do APP

Ilustração científica

Quer entrar ou se aperfeiçoar na área de ilustração científica, tendo instrução ao vivo de um mentor altamente qualificado no ramo? Neste curso você irá aprender de forma confortável 100% online ao vivo via web conferência uma forma prática e simples de iniciar os seus trabalhos em ilustração científica, traçando assim seu caminho da independência como ilustrador. Aqui teremos não somente detalhamento técnico, mas também um breve panorama do auxílio prestado de abordagens paralelas como fotografia e teoria da cor para maior qualidade e agregação de valor ao resultado final, além de passarmos pela ilustração clássica e vetorial, com diversas técnicas. Ainda, ao final propomos uma discussão sobre como funciona o mercado de trabalho para um ilustrador, desde conseguir clientes até quanto custa um trabalho final, preparando você para uma atuação efetiva nesse ramo. E tudo isso permitindo que você interaja em tempo real com o instrutor de onde estiver.

Carga horária: 8 horas

Data horário: 16/07/2017 (17:00 às 21:00) e 17/07/2021 (09:00 às 13:00)

Ministrante: Raoni Rebouças

Inscriçãohttps://forms.gle/MvW3EANuZTidR9pi6

Investimento: R$ 85,00 via transferência (Banco do Brasil ou NuBank) ou R$ 92,00 com PagSeguro em parcela única

Pague com PagSeguro - é rápido, grátis e seguro!

Conteúdo:

Conceitos de ilustração e definições de cor, fotografia e imagem
O que é ilustração científica?
Como vemos uma imagem e como a fotografia pode ajudar
Introdução à teoria da cor

Desenhos à mão livre
Desenho à mão livre I
Desenho à mão livre II: Introdução ao Adobe Photoshop
Desenho à mão livre III: Pontilhismo
Desenho à mão livre IV: Hachura
Desenho à mão livre V: Sombreamento clássico
Desenho à mão livre VI: Mistura de cores
Desenho à mão livre VII: Produção de texturas
Desenho à mão livre VIII: Introdução ao Krita

Desenhos vetoriais
Introdução ao Adobe Illustrator
Prática I
Prática II
Prática III
Exportar a arte final
Introdução ao InkScape

Aplicações e mercado da ilustração científica
Aplicações da ilustração científica e mercado

Livro ‘Modelos de regressão em R’

O livro Modelos de regressão em R lançado recentemente, tendo Écio Souza Diniz (Diretor da Beta Analítica) como um dos autores idealizadores, se concretiza como ambas a segunda edição estendida do livro e sua primeira versão lançada no Brasil.

O conteúdo do livro aborda os modelos de regressão lineares e não lineares mais utilizados em diversas áreas do conhecimento, principalmente em áreas de Ciências Agrárias e Biológicas. Os autores mostram passo a passo os cuidados e etapas para construção e aplicação de cada modelo, combinando teoria e prática demonstrada pelos códigos de execução no R. Para isso, eles fornecem dados reais de amostragens de vegetação de Mata Atlântica Brasileira e Vegetação Temperada Alemã para embasar as análises demonstradas como exemplificação dos modelos. Assim, o referido livro representa um guia prático que aborda todos os pontos básicos e centrais de todos os modelos e suas abordagens estatísticas subjacentes, utilizando-se de uma linguagem mais simples e acessível para amplos públicos.

A aquisição do livro pode ser feita acessando o link abaixo, no qual também é possível ler as primeiras 25 páginas do livro como uma amostra de sua estruturação de conteúdos: https://clubedeautores.com.br/livro/modelos-de-regressao-em-r

Rotina em R para curvas de rarefação e extrapolação de diversidade de espécies

O capítulo “Rarefaction and extrapolation of species diversity during neotropical forest succession: an R routine using iNEXT package” do livro “Aplicações da Linguagem R em Análises de Vegetação” oferece uma rotina de códigos em script para aprendizado e prática da estimativa de curvas de rarefação e extrapolação de diversidade de espécies usando o pacote iNEXT. O iNEXT ainda faz uso de funções base do pacote ggplot2 para gerar belos gráficos de dispersão para demonstração dessas curvas.

Os autores fazem uso de dados de floresta Amazônica para demonstrar a aplicação do iNEXT para analisar as diferenças em diversidade de espécies lenhosas entre quatro
estágios sucessionais e a floresta sem perturbação (Old Growth Forest) usando abordagens de rarefação e extrapolação baseadas em indivíduos e cobertura baseadas em amostras.

Para acessar e baixar o script com a rotina de códigos para geração de curvas de rarefação e extrapolação exemplificados, confira o link no capítulo: https://www.atenaeditora.com.br/post-artigo/32120

Se você quer baixar o livro completo acesse: https://www.atenaeditora.com.br/post-ebook/3054

Protocolo para aprender e ensinar R

Como parte de capítulo integrante do livro “Aplicações da Linguagem R em Análises de Vegetação”, o protocolo de análises de dados BIOVEG em sua terceira edição como integrante do capítulo “BIOVEG – A protocol to learn and teach statistics in R using vegetation data” traz um amplo conjunto de métodos que vão desde análises estatísticas básicas à machine learning. Através de script com códigos das análises e comentários teóricos centrais sobre cada método estatístico os autores, incluindo Écio Souza Diniz (Diretor executivo da Beta Analítica), se baseiam em exemplos usando dados de vegetação brasileira e alemã que eles forneceram livremente para os usuários praticarem os métodos constituintes do script. Além disso, a transferibilidade de aplicações dos métodos demonstrados e explicados no script abrange amplo contexto interdisciplinar, permitindo que usuários das mais distintas áreas do conhecimento possam transpor seu uso para sua realidade de estudo.

O script também incluem diversas dicas para melhor desempenho de análises estatísticas e sugestões de leitura para aprofundamento. A tabela abaixo mostra todos os métodos que são contemplados com códigos e protocolos para executar e praticar as análises.

ANALYSIS TYPE

STATISTICS APPLIED

R PACKAGES

 

   

Normality test

Shapiro Wilk test and residuals

Built-in Function

Data Transformation

Log, square, inverse and Arcsine square root

Built-in Function

One sample test

Parametric: T-test; Nonparametric: Wilcoxon Signed Rank Test

Built-in Function

 

 

Two sample tests

Independent samples: Nonparametric: Wilcoxon Rank-Sum Test (Mann-Whitney U-test); Parametric: T-test; Dependent sample: Wilcoxon Rank-Sum; Paired T-test

Built-in Function

Analyses of variance

Parametric: ANOVA One Way and Tukey post-hoc; Nonparametric: Kruskal-Wallis and Dunn’s post-hoc test

Built-in Function and dunn.test

Independence test

Chi-squared

Built-in Function and MASS

Correlation analysis

Pearson, Spearman and Variance Inflation Factor (VIF)

Built-in Function and PerformanceAnalytics

 

 

 

 

Regression   modeling

Linear: LM (Linear Model), GLM (Generalized Linear Models, GLMM (Generalized linear mixed models), LME (Linear mixed models), GLS (Generalized Least squares) and post-hoc Tukey HSD and LmerTest tests. Nonlinear: Quadratic Model, Generalized Non-Linear Models (GNM), GAM (Generalized Additive Models) and GAMM (Generalized Additive Mixed Models). Note: There are examples treating spatial and temporal correlation.

Lme4, nlme, gnm, mgcv, multcomp, lmerTest, MASS, car, gmodels and ROCR

Model selection

Akaike information criterion (AIC) and AIC model average

MuMIn

Diagnostic for Linearity

Based on residuals of linear regression models

car

Spatial autocorrelation

Based on Moran’s I statistics applied on linear regression models

lctools, ncf, nlme,

Supervised learning

Random Forest

randomForest

Multivariate analysis

NMDS, ANOSIM, CCA, PCA, PERMANOVA and INDVAL

BiodiversityR, vegan, indicspecies, permute and lattice

Fonte: DINIZ e THIELE (2020)

Para baixar o capítulo que contém os links para baixar o conjunto de protocolos (dados + script) BIOVEG, por favor acesse: https://www.atenaeditora.com.br/post-artigo/33323

Se você quer baixar o livro completo acesse: https://www.atenaeditora.com.br/post-ebook/3054