index.xml

<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>PREDICT-ICMC</title>
    <link>/</link>
    <description>Recent content on PREDICT-ICMC</description>
    <generator>Hugo -- gohugo.io</generator>
    <language>pt-br</language>
    <lastBuildDate>Tue, 30 Mar 2021 00:00:00 +0000</lastBuildDate><atom:link href="/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Comparando três modelos preditivos para o Covid-19</title>
      <link>/2021/03/30/comparando-tr%C3%AAs-modelos-preditivos-para-o-covid-19/</link>
      <pubDate>Tue, 30 Mar 2021 00:00:00 +0000</pubDate>
      
      <guid>/2021/03/30/comparando-tr%C3%AAs-modelos-preditivos-para-o-covid-19/</guid>
      <description>Comparação de modelos preditivos para o número de casos confirmados de Covid-19 Neste projeto utilizaremos três modelos (Gompertz, ARIMA e Redes Neurais) para tentar prever o comportamento da pandemia de Covid-19 através do número total de casos confirmados na cidade de São Paulo - SP.
Conjunto de dados Para obter os dados mais atuais do Covid-19 do site brasil.io utilizamos o pacote Gather-Covid.</description>
    </item>
    
    <item>
      <title>Prevendo os casos através do SARIMA</title>
      <link>/2021/03/30/prevendo-os-casos-atrav%C3%A9s-do-sarima/</link>
      <pubDate>Tue, 30 Mar 2021 00:00:00 +0000</pubDate>
      
      <guid>/2021/03/30/prevendo-os-casos-atrav%C3%A9s-do-sarima/</guid>
      <description>Para inicio do projeto, precisamos ‘chamar’ o banco de dados presente em nosso github no arquivo “inicialização.R”,
Carregando as bibliotecas necessárias para o código a seguir: library(stats) library(seastests) # teste de sazonalidade library(tidyverse) ## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ── ## ✓ ggplot2 3.3.3 ✓ purrr 0.3.4 ## ✓ tibble 3.0.5 ✓ dplyr 1.0.3 ## ✓ tidyr 1.1.2 ✓ stringr 1.4.0 ## ✓ readr 1.4.0 ✓ forcats 0.5.0 ## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ── ## x dplyr::filter() masks stats::filter() ## x dplyr::lag() masks stats::lag() library(gather.</description>
    </item>
    
    <item>
      <title>Sobre</title>
      <link>/about/</link>
      <pubDate>Fri, 05 Mar 2021 21:48:51 -0700</pubDate>
      
      <guid>/about/</guid>
      <description>Este projeto visa a análise de dados de COVID-19 por meio de técnicas de visualização de dados e modelos preditivos, para o dimensionamento e prevenção dos impactos da epidemia de COVID-19 e outras síndromes respiratórias agudas graves, utilizando estatística e ciência de dados. Nossa proposta envolve a predição do número de casos e óbitos, a demanda de internações hospitalares de acordo com diferentes intervenções não farmacológicas, o que inclui medidas de distanciamento social, isolamento voluntário, isolamento de sintomáticos, uso de equipamentos de proteção individual (EPIs), monitoramento de contatos próximos ou domiciliares, triagem em serviços de saúde, entre outras.</description>
    </item>
    
  </channel>
</rss>