UICLAPER com orgulho
bio
Ranking

Rafael Izbicki

Site: https://rafaelizbicki.com/https://rafaelizbicki.com/ Site: https://rafaelizbicki.com/amehttps://rafaelizbicki.com/ame

Um pouco sobre mim

Professor do Departamento de Estatística da UFSCar. 
PhD em Estatística pela Carnegie Mellon University, e Bacharel e Mestre em Estatística pela Universidade de São Paulo. 

Tem experiência de pesquisa e aplicações de Machine Learning (aprendizado de máquina), Bioestatística, Astroestatística, Fundamentos da Estatística, Inferência Bayesiana, Inferência Não Paramétrica e Inferência em Dados com Alta Dimensionalidade.

https://rafaelizbicki.com/

Meus livros na UICLAP

capa

Aprendizado de Máquina

Aplicações de modelos de aprendizado de máquina têm se tornado cada vez mais frequentes no nosso cotidiano. Este livro visa introduzir conceitos fundamentais dessa área a partir de uma perspectiva estatística. Nele são abordados aspectos de aprendizado supervisionado e não supervisionado. O livro conta, ainda, com scripts para aplicações das técnicas apresentadas. (ATENÇÃO: versão colorida. A ver

Saiba mais
capa

Aprendizado de Máquina (versão P&B)

Aplicações de modelos de aprendizado de máquina têm se tornado cada vez mais frequentes no nosso cotidiano. Este livro visa introduzir conceitos fundamentais dessa área a partir de uma perspectiva estatística. Nele são abordados aspectos de aprendizado supervisionado e não supervisionado. O livro conta, ainda, com scripts para aplicações das técnicas apresentadas. (Versão Preto e Branco) (ATENÇÃ

Saiba mais
capa

Machine Learning Learning Beyond Point Predictions: Uncertainty Quantification

Written for practitioners and researchers with a strong mathematical background, this book offers a solid guide to uncertainty quantification in supervised machine learning. It explores both aleatoric and epistemic uncertainties, providing practical tools to improve the reliability of predictions in applications ranging from cosmology to infectious disease forecasting. The topics covered include c

Saiba mais
capa

Machine Learning Learning Beyond Point Predictions: Uncertainty Quantification (P&B)

[Versão preto e branco] Written for practitioners and researchers with a strong mathematical background, this book offers a solid guide to uncertainty quantification in supervised machine learning. It explores both aleatoric and epistemic uncertainties, providing practical tools to improve the reliability of predictions in applications ranging from cosmology to infectious disease forecasting. The

Saiba mais
UICLAP