Sobre o conjunto de dados Este conjunto de dados contém informações sobre 1000 estudantes, incluindo hábitos de estudo (horas estudadas, frequência), fatores de estilo de vida (sono, atividades extracurriculares, trabalho de meio período), dados demográficos (gênero, escolaridade dos pais) e resultados acadêmicos (nota final e classificação). É ideal para análise exploratória de dados, regressão e classificação, permitindo prever o desempenho dos alunos com base em fatores comportamentais e demográficos. Casos de uso: previsão de notas em provas, classificação de notas, análise exploratória de dados sobre fatores de desempenho acadêmico, análise de importância de variáveis.

Esta apostila resume o Capítulo 4 de An Introduction to Generalized Linear Models (Dobson & Barnett, 4ª ed., 2018). O capítulo desenvolve a teoria de estimação por máxima verossimilhança para MLGs, introduz o algoritmo de Newton–Raphson, apresenta o método de scoring e demonstra que os estimadores de MLGs são obtidos por mínimos quadrados iterativamente reponderados (IRLS). Todos os resultados são ilustrados com exemplos numéricos completos, incluindo tabelas e gráficos reproduzidos.

This code through shows how R can be used to track, analyze, and visualize language learning progress over time. Using Hungarian as an example, I created a six month dataset measuring vocabulary mastered, words read, listening hours, speaking hours, and study consistency. I compare these measurements to illustrative CEFR related benchmarks to identify strengths and areas that need improvement. I also demonstrate how R can estimate future progress, calculate the time needed to reach selected learning goals, and identify adjustments to a study plan. The goal is to show how data analysis can help self directed language learners better understand their progress and make informed decisions about their learning strategies.