[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-pt-112":3,"doc-seo-290510-112":49,"doc-detail-290510-pt":123},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},26,"Document","Contos e Romances",60,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},46,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},28,"Exames","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},47,"Geral","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},29,"Histórias em Quadrinhos","comic",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},27,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},32,"Pesquisa e Relatórios","research-report",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},33,"Religião e Espiritualidade","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},31,"Saúde e Cuidados","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},45,"Tecnologia","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":116,"head_meta":118,"extra_data":120,"updated_unix":122},112,"pt","machine-learning-techniques-for-validation-of-non-linear-models-undergraduate-thesis","Técnicas de Machine Learning aplicadas à validação de modelos não lineares - Trabalho de Conclusão de Curso","","O trabalho aborda como técnicas de Machine Learning podem ser aplicadas a Modelos Não Lineares para aprimorar o ajuste entre valores estimados e dados reais, elevando a precisão das análises. O estudo concentra-se na análise do coeficiente de expansão térmica do cobre e sua relação com a temperatura em Kelvin. São utilizados Modelos Não Lineares, especificamente Modelos de Crescimento, além de técnicas de Machine Learning adequadas. Conclui-se que o modelo de Von Bertalanffy apresentou o menor AIC (624,9089) e o Gradient Boosting Method obteve o menor RMSE (0,021661), com melhor ajuste ao combiná-lo ao Von Bertalanffy.",{"@graph":59,"@context":115},[60,77,98],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/pt/document/",2,{"item":72,"name":35,"@type":66,"position":73},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/pt/document/machine-learning-techniques-for-validation-of-non-linear-models-undergraduate-thesis/290510/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/machine-learning-techniques-for-validation-of-non-linear-models-undergraduate-thesis/290510.png","ImageObject",300,407,{"name":85,"@type":86},"Noah","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-09-29","2026-09-17",true,{"@type":95,"interactionType":96,"userInteractionCount":73},"InteractionCounter",{"@type":97},"ViewAction",{"@type":99,"mainEntity":100},"FAQPage",[101,107,111],{"name":102,"@type":103,"acceptedAnswer":104},"Qual é o objetivo principal do trabalho?","Question",{"text":105,"@type":106},"Aplicar Modelos Não Lineares e técnicas de Machine Learning para identificar qual abordagem é mais apropriada para analisar e prever o coeficiente de expansão térmica do cobre em função da temperatura (Kelvin).","Answer",{"name":108,"@type":103,"acceptedAnswer":109},"Quais métodos foram utilizados na pesquisa?",{"text":110,"@type":106},"Foram adotados Modelos Não Lineares, especialmente Modelos de Crescimento, e técnicas de Machine Learning adequadas, incluindo Gradient Boosting Method.",{"name":112,"@type":103,"acceptedAnswer":113},"Qual modelo e qual técnica apresentaram os melhores resultados?",{"text":114,"@type":106},"O modelo de Von Bertalanffy teve o menor AIC (624,9089) e o Gradient Boosting Method apresentou o menor RMSE (0,021661), com melhora adicional quando o GBM foi aplicado ao modelo de Von Bertalanffy.","https://schema.org",{"og:url":75,"og:type":117,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":119,"canonical":75},"index,follow",{"doc_id":121,"site_id":52},290510,1790397101,{"code":4,"msg":5,"data":124},{"doc_id":121,"user_id":125,"nickname":85,"user_avatar":126,"doc_module":4,"category_id":34,"category_name":35,"doc_title":55,"doc_description":57,"doc_content":127,"file_id":128,"file_url":129,"file_type":130,"file_size":131,"view_count":73,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":132,"language":133,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":134,"faqs":135,"seo_title":136,"seo_description":57,"update_tm":137,"read_time":138},8796095462418,"https://ap-avatar.wpscdn.com/avatar/80000253c1241d02b47?x-image-process=image/resize,m_fixed,w_180,h_180&k=1778826106357471780","UNIVERSIDADE ESTADUAL DA PARAÍBA  \nCAMPUS I  \nCENTRO DE CIÊNCIAS E TECNOLOGIA  \nDEPARTAMENTO DE ESTATÍSTICA  \nCURSO DE BACHARELADO EM ESTATÍSTICA  \nRAISSA PAULINO DE LUNA  \nTÉCNICAS DE MACHINE LEARNING APLICADAS À VALIDAÇÃO DE MODELOS  \nNÃO LINEARES  \nCAMPINA GRANDE-PB  \nRAISSA PAULINO DE LUNA  \nTÉCNICAS DE MACHINE LEARNING APLICADAS À VALIDAÇÃO DE MODELOS  \nNÃO LINEARES  \nTrabalho de Conclusão de Curso (Artigo) apresentado ao curso de Bacharelado em Estatística do Departamento de Estatística do Centro de Ciências e Tecnologia da Universidade Estadual da Paraíba, como requisito parcial à obtenção dotítulo de bacharel em Estatística.  \nOrientador: Profª . Drª . Ana Patrícia Bastos Peixoto  \nCoorientador: Prof. Dr. Tiago Almeida de Oliveira  \nCAMPINA GRANDE-PB  \nÉ expressamente proibida a comercialização deste documento, tanto em versão impressa como eletrônica. Sua reprodução total ou parcial é permitida exclusivamente para fins acadêmicos e científicos, desde que, nareprodução, figure a identificação do autor, título, instituição e ano do trabalho.  \nL961t Luna, Raissa Paulino de.  \nTécnicas de Machine Learning aplicadas à validação demodelos não lineares [manuscrito] / Raissa Paulino de Luna. - 2024.  \n34 f.  \nDigitado.  \nTrabalho de Conclusão de Curso (Graduação em Estatística) - Universidade Estadual da Paraíba, Centro de Ciências e Tecnologia, 2024.  \n\"Orientação : Prof. Dra. Ana Patricia Bastos Peixoto de Oliveira, Departamento de Estatística-CCT\".  \n\"Coorientação: Prof. Dr. Tiago Almeida de Oliveira, Departamento de Estatística-CCT\".  \n1. Coeficiente de expansão térmica. 2. Machine Learning.  \n3. Modelos Não Lineares. I. Título  \n21. ed. CDD 006.31  \nElaborada por Lêda Cristina Diniz Andrade-CRB-15/1032 BC  \nAGRADECIMENTOS  \nAgradeço à minha orientadora, Ana Patrícia Bastos Peixotos, e ao meu coorientador, Dr. Tiago Almeida de Oliveira, por sua orientação; à minha família, por todo o apoio que me deram; e aos meus professores e colegas, que tanto me ensinaram.  \n“O trabalho do estatístico é o de catalisar o processo de construção do conhecimento científico.”  \n(George E. P. Box)  \nRESUMO  \nO trabalho aborda o modo como Machine Learning pode ser empregada em Modelos Não Lineares, aprimorando-os para que os valores obtidos nele se aproximem mais dos dados reais, conseguindo assim análises mais precisas. Particularmente nesse caso para análise do coeficientede expansão térmica do cobre e sua relação com a temperatura. O principal objetivo é aplicar Modelos Não Lineares e técnicas de Machine Learning com o intuito de investigar qual desses é mais apropriado para análise e previsão de valores de coeficiente de expansão térmica em relação a temperatura em Kelvin. Essa pesquisa faz uso de métodos quantitativos, adotando-se Modelos Não Lineares -especificamente Modelos de Crescimento -e diversas técnicas de Machine Learning apropriadas para eles. Resultou-se que o melhor Modelo de Crescimento de Modelo Não Linear foi o modelo de Von Bertalanffy-que apresentou o menor valor de AIC, sendo esse 624,9089-e a melhor técnica de Machine Learning, o Gradient Boosting Methodque apresentou menor valor de Root Mean Squared Error, com valor de 0,021661 . Percebeu-setambém que, ao aplicar a técnica de Gradient Boosting Method no modelo de Von Bertallanfy, esse foi melhor ajustado, seguindo com maior exatidão os dados reais, sendo possível então fazer uma melhor previsão.  \nPalavras-chave: coeficiente de expansão térmica; machine mearning; modelos mão lineares.  \nABSTRACT  \nThis study addresses how Machine Learning can be applied in Non-Linear Models, improving them so that the values obtained in them are closer to the real data, and so achieving more accurate analyses. Particularly in this case for the analysis of the coefficient of thermal expansion of copper and its relation to temperature. The main goal is to apply Non-Linear Models and Machine Learning techniques to investigate which of them is more appropriate for analyzing and predicti","cbCairqTl5Thgz5o","https://ap.wps.com/l/cbCairqTl5Thgz5o","pdf",3548679,36,"Portuguese","# Agradecimentos\n# Resumo\n# Abstract\n# Lista de Ilustrações\n## Figura 1 – Gráfico de dispersão\n## Figura 2 – Modelos ajustados\n## Figura 3 – Normalidade de resíduos\n## Figura 4 – Resíduos estudentizados\n## Figura 5 – Distância do modelo\n## Figura 6 – Previsão com Gradient Boosting Method\n## Figura 7 – Von Bertalanffy com ajuste GBM\n# Lista de Tabelas\n## Tabela 1 – Modelos de regressão não-linear\n## Tabela 2 – Modelos de rendimento\n## Tabela 3 – Métodos iterativos","[{\"question\":\"Qual é o objetivo principal do trabalho?\",\"answer\":\"Aplicar Modelos Não Lineares e técnicas de Machine Learning para identificar qual abordagem é mais apropriada para analisar e prever o coeficiente de expansão térmica do cobre em função da temperatura (Kelvin).\"},{\"question\":\"Quais métodos foram utilizados na pesquisa?\",\"answer\":\"Foram adotados Modelos Não Lineares, especialmente Modelos de Crescimento, e técnicas de Machine Learning adequadas, incluindo Gradient Boosting Method.\"},{\"question\":\"Qual modelo e qual técnica apresentaram os melhores resultados?\",\"answer\":\"O modelo de Von Bertalanffy teve o menor AIC (624,9089) e o Gradient Boosting Method apresentou o menor RMSE (0,021661), com melhora adicional quando o GBM foi aplicado ao modelo de Von Bertalanffy.\"}]","Técnicas de Machine Learning aplicadas à validação de modelos não lineares - Trabalho de Conclusão de Curso | PDF",1789641890,55]