| Processo: | 19/11321-9 |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Vigência: | 01 de outubro de 2019 - 30 de setembro de 2021 |
| Área do conhecimento: | Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística |
| Pesquisador responsável: | Rafael Izbicki |
| Beneficiário: | Rafael Izbicki |
| Instituição Sede: | Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil |
| Pesquisadores associados: | Rafael Bassi Stern |
| Assunto(s): | Dados de alta dimensão Análise de regressão Regressão linear Inferência não paramétrica Redes neurais (computação) Aprendizado computacional Aprendizado de máquina supervisionado |
| Palavra(s)-Chave do Pesquisador: | dados em alta dimensão | Estimadores lineares locais | Redes neurais | Regressão não paramétrica | Inferência não paramétrica, aprendizado de máquina |
Resumo
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, difíceis de interpretar. Neste trabalho, exploraremos o poder das redes neurais para resolver três desafios em inferência estatística: (i) ajustar estimadores de regressão lineares locais não paramétricos para grandes conjuntos de dados (ii) medir incertezas nas previsões dadas por métodos supervisionados através da estimativa de densidades condicionais para dados de alta dimensão, e (iii) criar testes de independência condicional. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias (0 total): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |