| Processo: | 19/10800-0 |
| Modalidade de apoio: | Auxílio à Pesquisa - Pesquisador Visitante - Brasil |
| Data de Início da vigência: | 12 de agosto de 2019 |
| Data de Término da vigência: | 11 de agosto de 2020 |
| Área do conhecimento: | Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística |
| Pesquisador responsável: | Ronaldo Dias |
| Beneficiário: | Ronaldo Dias |
| Pesquisador visitante: | Helio dos Santos Migon |
| Instituição do Pesquisador Visitante: | Universidade Federal do Rio de Janeiro (UFRJ). Instituto de Matemática (IM) , Brasil |
| Instituição Sede: | Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Município da Instituição Sede: | Campinas |
| Vinculado ao auxílio: | 18/04654-9 - Séries temporais, ondaletas e dados de alta dimensão, AP.TEM |
| Assunto(s): | Big data Otimização |
| Palavra(s)-Chave do Pesquisador: | Bayesiam Paradigm | big data | Lasso | Nonparametric inference | Optimization | Variable Selection | Inferência para Dados em Alta Dimensão |
Resumo
Este projeto de pesquisa lida com dois aspectos centrais na modelagem estatística:a inferência e a tomada de decisão. Com frequência nos deparamos, nos dias atuais,com problemas de alta dimensionalidade, quer nos dados disponíveis, quer no número decovaríaveis. Digamos: p > n, onde p é o número de covaríaveis (features) e n, o númerode observações. Essas questões estão cada vez mais presentes nos métodos estatísticos úteispara Aprendizado Automático (Machine Learning) envolvendo Megadados (Big Data).Em Aprendizado Automático com Estatística (Statistical Machine Learning) é comumestimar uma função não linear, conhecida exceto por um vetor de parâmetros, o que pode serproblemático. Uma maneira de estender e generalizar este problema é considerar técnicasnão paramétricas de estimação de curvas. Este seria um aspecto a ser considerado emdiferentes pontos deste projeto de pesquisa.Para atingir os objetivos descritos, desenvolveremos investigação em temas atuais daInferência Bayesiana, com ênfase em aspectos metodológicos, computacionais e aplicados.Nossa proposta consiste em abordar esses problemas de forma integrada e segundo ummesmo arcabouço computacional. Dentre nossos focos, destacamos a investigação em:i) Regularização e Seleção de Modelos: regressão penalizada, regressão penalizadafuncional.ii) Modelagem de Dados Funcionais: extensões de modelos hierárquicos.iii) Aplicações de Modelos Hierárquicos Dinâmicos: a dados longitudinais / sobrevivênciae a modelos epidemiológicos. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |