ECO 5056 - IA e CD - Gabriel

 data probl; input Categ $ IMC Mov KCal; datalines; AT 21.1 52.3 32.00 PR 24.8 3.1 26.52 SE 25.8 2.55 26.50 SEM 23.1 16.45 29.50 AT_Pbl 30.1 3.3 33.04 PR_Pbl 19.3 70 26.54 ; proc print; run; /* proc cluster outtree = arvore method = average; var imc mov kcal; id cat; run; PROC TREE DATA = arvore; RUN; */ /* input input Categ $ IMC Mov KCal; */ proc cluster outtree = arvore method = average; var IMC Mov KCal; id Categ; run; PROC TREE DATA = arvore; RUN;

 data QV; input Categ $ IMC Movim Kcal; cards; AT 20.2 53.7 3200 AT 21.3 54.8 3100 AT 19.3 49.6 2800 AT 21.1 52.3 3300 AT 30.1 3.3 3304 SEM 22.4 14.9 2600 SEM 21.9 17.8 2700 SEM 23.8 18.6 3200 SEM 24.1 15.1 3300 SE 27.3 2.5 2700 SE 23.4 4.3 2300 SE 25.2 2.3 2600 SE 26.4 2.6 3200 PR 26.2 4.1 2600 PR 24.2 2.1 2700 PR 25.4 1.9 2650 PR 19.3 70 2654 ; proc print; run; /* input Categ $ IMC Movim Kcal; */ title "ANOVA e Box and Wisker PLot"; proc anova;    class Categ;    model IMC Movim Kcal = Categ;    means Categ / tukey lines; run; /* proc cluster outtree = arvore method = average; var IMC Movim Kcal; id Categ; run; PROC TREE DATA = arvore; RUN; */

  IA Indutiva Não Supervisionada para Agrupamentos e Distancias Multivariados Colocar todo em Power Point e deixar arquivo para download  Nome: Clus_Com_Out_Sign_Preditoras_2025_05_12 Dados :  Qualidade de Vida de Diferentes Categorias Categ IMC Movim Kcal AT 20,2 53,7 3200 AT 21,3 54,8 3100 AT 19,3 49,6 2800 AT 21,1 52,3 3300 AT 26,1 52,3 3300 SEM 22,4 14,9 2600 SEM 21,9 17,8 2700 SEM 23,8 18,6 3200 SEM 24,1 15,1 3300 SE 27,3 2,5 2700 SE 23,4 4,3 2300 SE 25,2 2,3 2600 SE 26,4 2,6 3200 PR 26,2 4,1 2600 PR 24,2 2,1 2700 PR 25,4 1,9 2650 PR 19,3 70 2650 Gafico Equalizado Dados Equalizados Programa SAS para ANOVA - Box PLot e Robust ANOVA data QV; input Categ $ IMC Movim Kcal; datalines; AT 20.2 53.7 3200 AT 21.3 54.8 3100 AT 19.3 49.6 2800 AT 21.1 52.3 3300 AT 26.1 52.3 3300 SEM 22.4 14.9 2600 SEM 21.9 17.8 2700 SEM 23.8 18.6 3200 SEM 24.1 15.1 3300 SE 27.3 2.5 2700 SE 23.4 4.3 2300 SE 25.2 2.3 2600 SE 26.4 2.6 3200 PR 26.2 4.1 2600 PR 24.2 2.1 2700 PR 25.4 1.9 2650 PR 19.3...

  https://www.youtube.com/watch? v=upAwDcw9ra4 https://www.youtube.com/watch? v=Pom9AuI9yg4

 KNIME (Konstanz Information Miner) descrição pelo Gemini   KNIME (Konstanz Information Miner) é uma plataforma de código aberto para ciência de dados, relatórios e integração de dados. Sua importância para a ciência de dados e inteligência artificial reside em diversos aspectos: 1. Acessibilidade e facilidade de uso (Low-Code/No-Code):     Interface visual: O KNIME utiliza uma interface gráfica baseada em "nodes" (nós) e "workflows" (fluxos de trabalho). Cada nó representa uma operação (leitura de dados, transformação, aplicação de um algoritmo de Machine Learning, visualização, etc.). Os usuários arrastam e conectam esses nós para criar um processo de análise de dados.     Redução da barreira de entrada: Essa abordagem visual permite que profissionais com diferentes níveis de habilidade em programação (desde analistas de negócio até cientistas de dados experientes) possam construir e executar tarefas complexas de forma eficiente, sem a necessidade de escr...

  ML Não Super. para Redução de Dimensão Cidades Economia data cidades; input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp; cards; Pir_SE 0.785 1.14 0.54 0.695 0.598 0.7 ?? SC_SE 0.805 1.08 0.686 0.653 0.564 0.788 SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769 MC_SE 0.77 0.65 0.481 0.651 0.549 0.666 Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651 Aná_CO 0.737 0.79 0.481 0.645 0.562 0.708 CG_NE 0.72 0.63 0.458 0.565 0.571 0.59 Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57 RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503 BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585 Mar_S 0.808 1.2 0.652 0.753 0.611 0.765 CS_S 0.75 0.95 0.446 0.715 0.559 0.715 ; proc prinqual plots=(MDPref)                   /* project onto Prin1 and Prin2 */                ; /* use COV scaling */     transform identity(IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins...

   Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação  - Cluster analysis Tipos de Machine Learning                                     ML UL Clustering Fonte de Dados Sebrae Cidade: Caxias do Sul Tabela Excel dos Dados   Cidade Regiao Cid_reg Habitantes IDH Rend_Cap Cap_Empr Teci_Emr Gov_Descn Org_Prod Ins_Compet Edu_Empr Piracicaba SE Pir_SE 439 0,785 1,14 0,54 0,695 0,796 0,598 0,761 0,004 Sao_Car SE SC_SE 252 0,805 1,08 0,686 0,653 0,812 0,564 0,788 0,002 Sao_Jose SE SJ_SE 461 0,797 1,17 0,613 0,73 0,648 0,597 0,769 0,011 Mon_Clar SE MC_SE 409 0,77 0,65 0,481 0,651 0,696 0,549 0,666 0,124 Rondono CO Ron_CO 232 0,755 0,84 0,452 0,509 0,626 0,567 0,651 0 Anápolis CO Aná_CO 387 0,737 0,79 0,481 0,645 0,695 0,562 0,708 0 Camp_Gra NE CG_NE 410 0,72 0,63 0,458 0,565 0,683 0,571 0,59 0,584 Petroli NE Pet_NE 349 0,697 0,61 0,419 0,43 0,678 0,52...