Bacharel e Mestre em Estatística pela Universidade de São Paulo, Rafael é PhD em Estatística pela Carnegie Mellon University (2014). Atualmente é Professor Adjunto da UFSCar- Universidade Federal de São Carlos. Tem experiência na área de Probabilidade e Estatística, com ênfase em Machine Learning (aprendizado de máquina), Bioestatística, Astroestatística, Fundamentos da Estatística, Inferência Bayesiana, Inferência Não Paramétrica e Inferência em Dados com Alta Dimensionalidade. Mais informações: http://www.rizbicki.ufscar.br (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
Aprendizado de Máquina (ML) e Estatística surgiram como disciplinas poderosas no campo da análise de dados, cada uma oferecendo perspectivas e metodologias únicas para extrair insights valiosos de conjuntos de dados complexos. O objetivo deste trabalho é investigar como a estatística pode avaliar efetivamente a incerteza dos métodos de ML.A proposta consiste em três objetivos interconecta…
O 8th Workshop on Probabilistic and Statistical Methods, será realizado na UFSCar, localizada na cidade de São Carlos/SP, de 12 a 14 de fevereiro de 2020. O Workshop será organizado em torno de módulos temáticos da área de Probabilidade e Estatística. Cada módulo será composto por palestras proferidas por especialistas em cada área, seguidas de mini-conferências e comunicações curtas. Tod…
Na última década, os avanços computacionais fizeram com que redes neurais ressurgiressem como uma ferramenta poderosa para a realização de tarefas de aprendizado supervisionado, como classificação e regressão. Contudo, essa ferramenta foi subutilizada como forma de realizar inferência estatística. Por exemplo, soluções dadas por redes neurais são tipicamente um caixa preta e, portanto, d…
Redshift é uma medida astronômica que descreve o deslocamento de uma onda eletromagnética para o espectro vermelho. Essa medida é fundamental para quantificar a distância entre o observador e objetos astronômicos (como galáxias e quasares) e também medir como o universo se expande. O método mais acurado para a estimação de redshifts é por meio da espectroscopia. No entanto, por razões de …
A maioria dos métodos de aprendizado supervisionado resultam em predições pontuais de um rótulo, $Y \in \sY$, baseado em atributos, $\X \in \sX$. Recentemente, uma grande quantidade de trabalhos em estatística e aprendizado de máquinas tem focado em desenvolver métodos que quantifiquem a incerteza associada a predições pontuais. Estes vão de regiões preditivas à estimadores de densidade c…
Métodos baseados em Espaços de Hilbert de reprodução (EHR) constituem uma ampla família de modelos de aprendizado estatístico que se fundamentam na noção de um núcleo, que pode ser interpretado como uma medida de similaridade entre observações dos dados. Por exemplo, a regressão ridge, máquinas de vetores de suporte - incluindo as suas versões com núcleos - e splines suavizadores podem se…
Métodos de agrupamento tem o objetivo de agrupar observações que possuem propriedades similares. Diversos métodos foram desenvolvidos ao longo dos anos. Uma questão fundamental na prática é como escolher o método a ser utilizado para um determinado banco de dados. Apesar que várias propostas foram feitas para responder essa questão, nenhuma delas foca em métodos de agrupamento hierárquico…
Testes de hipótese são amplamente utilizados pela comunidade científica. Em particular, testes de bondade de ajuste são de extrema importância, pois permitem testar se teorias científicas descrevem adequadamente o comportamento de um conjunto de dados. Recentemente, diversos testes para dados em alta dimensão foram propostos, o que permite que essa ferramenta seja aplicada para objetos co…
CV Lattes
ORCID