Cópulas pareadas para redes probabilísticas

• Processo: 16/18084-4
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de novembro de 2016
• Data de Término da vigência: 30 de abril de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Nikolai Valtchev Kolev
• Beneficiário: Anderson Luiz Ara Souza
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Estatística computacional Inferência bayesiana e redes de crença Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Bayesian Networks | data mining | machine learning | Pair Copula | Real applications | Estatística Computacional

Resumo

Redes Probabilísticas (RPs), também conhecidas como redes bayesianas, redes causais, redes de crença ou gráficos de dependência probabilística surgiram na década de 80 e têm sido aplicadas em uma ampla variedade de atividades do mundo real. No entanto, os algoritmos de estimação de estrutura mais comuns relativos às redes probabilísticas para classificação consideram frequentemente modelos discretos ou gaussianos. Ao mesmo tempo, construções de cópula podem, muitas vezes, conduzir uma melhoria significativa na estimação das densidades, a fim de representar uma distribuição contínua multivariada, bem como a Construção de Cópulas Pareadas (CCP) apresenta um método de construção geral para cópulas multivariadas usando apenas cópulas bivariadas, o qual permite um acesso efetivo para problemas de grandes dimensões. Neste projeto, propômos investigar a conjunção do CCP para RPs balizada por uma abordagem de aprendizagem de máquina para as tarefas de classificação, sendo aplicadas as áreas de finanças, indústria e dados biomédicos. (AU)