Capítulo 1 - ADINKRAHENE - Centro e dispersão • Centro e dispersão – Média e variância • Distribuição normal • Ciência experimental e o Teorema do limite central • Momentos Capítulo 2 - DWENNIMMEN (Força e humildade) - Método hipotético dedutivo e os tentilhões de Darwin • Pássaros em Galápagos • Método hipotético-dedutivo e Testes de hipótese – Valor p – Distribuição t de Student e teste t Capítulo 3 - FUNTUNFUNEFU-DENKYEMFUNEFU (Crocodilos unidos) - Sobre associações • Prelúdio: Quem precisa do valor p? • Tamanho de efeito: D de Cohen • Correlações lineares – Coeficiente de correlação ρ de Pearson – Predições com regressão linear • Correlações e testes não paramétricos – ρ de Spearman – Teste U de Mann Whitney Capítulo 4 - AKOMA NTOSO (Corações conectados) - Análise multivariada, grafos e inferência causal • Regressão múltipla – Colinearidade • Grafos e trajetórias causais – Mediação e moderação – Análise fatorial – Equações estruturais Capítulo 5 - NEA ONNIM NO SUA A, OHU (Aquele que não conhece pode conhecer pelo aprendizado) - Neurônios • Regressão logística • Um neurônio artificial: O perceptron – História e implementação do zero : Mark I • Redes Neurais e Deep learning (múltiplas camadas) • Gradient Descent • Backpropagation Capítulo 6 - SANKOFA (Voltar e buscar) - Contexto e inferência Bayesiana • Probabilidades – Frequencistas e Bayesianos • Muitos métdos científicos: Feyerabend, Carnap e Quine • Inferência Bayesiana – Teorema de Bayes – Intuições: prior, likelihood, posterior e probabilidades marginais – Comparação de amostras com distribuição normal – Correlação linear • Estimadores e Métodos Markov Chain Monte Carlo – Soluções fechadas, Gradient Descent e MCMC • Estimadores e Métodos Markov Chain Monte Carlo • Escolhendo priors e verificando posteriors