07

Ago

2018
Eventos Nacionais

2º The Mathematics of Data Science

Horário
15h00 - 18h00
Local
Sede FGV - 5º andar

Sobre o Evento

O objetivo desta série de workshops é reunir acadêmicos e profissionais para discutir avanços metodológicos e problemas pendentes no campo da ciência de dados. Como um tema fundamentalmente interdisciplinar, pesquisadores de áreas como matemática, estatística e ciência da computação serão convidados a falar, ao lado de profissionais de diferentes áreas.

Esta série de workshops é dirigida a um grande público de acadêmicos e profissionais interessados ​​em compreender os fundamentos matemáticos do campo de rápida evolução da ciência de dados.

Edições anteriores:

Programação

Os resumos podem ser encontrados aqui.

Eduardo Mendes (FGV) 15:00-15:30 Leonardo Bastos (Fiocruz) 15:30-16:00 Michael Jordan (UC Berkeley) 16:00-17:00 Coffee Break 17:00-18:00

Palestrantes

Eduardo Mendes

FGV

Série Temporal de Alta Dimensão

Houve avanços consideráveis ​​na compreensão das propriedades do LASSO e procedimentos relacionados em modelos esparsos de alta dimensão. A maior parte do trabalho é, no entanto, limitada ao ambiente independente e distribuído de forma idêntica, enquanto a maioria das extensões de séries temporais considera inovações independentes e / ou gaussianas. Discutimos algumas propriedades teóricas desses estimadores em autorregressões vetoriais de alta dimensão sob um amplo conjunto de processos de inovação, assumindo que o processo de erro é não gaussiano e condicionalmente heterocedástico. É de interesse particular para modelagem de risco financeiro e cobre várias especificações multivariadas-GARCH, como o modelo BEKK e outras especificações de volatilidade estocástica de fator. Aplicamos este método para modelar e prever grandes painéis de volatilidades diárias realizadas.

Leonardo Bastos

Fiocruz

Modelagem de atrasos de relatórios para dados de vigilância de doenças

Uma dificuldade para rastreamento de epidemias em tempo real está relacionada ao atraso na notificação. O atraso no relatório pode ser devido à confirmação do laboratório, problemas logísticos, dificuldades de infraestrutura e assim por diante. A capacidade de corrigir as informações disponíveis o mais rapidamente possível é fundamental, em termos de tomada de decisão, como o envio de avisos ao público e às autoridades locais. Uma abordagem de modelagem hierárquica Bayesiana é proposta como uma forma flexível de corrigir os atrasos de relatórios e quantificar a incerteza associada. A implementação do modelo é rápida, devido ao uso da aproximação integrada de Laplace aninhada (INLA). A abordagem é ilustrada em dados de incidência de dengue no Rio de Janeiro e em dados de Doença Respiratória Aguda Grave (SARI) no estado do Paraná, Brasil.

Michael Jordan

UC Berkeley

Otimização baseada em gradiente: acelerada, estocástica e não convexa

Muitos novos desafios teóricos surgiram na área de otimização baseada em gradiente para análise de dados estatísticos em grande escala, impulsionados pelas necessidades dos aplicativos e as oportunidades oferecidas por novas plataformas de hardware e software. Eu discuto vários resultados recentes relacionados nesta área: (1) uma nova estrutura para a compreensão da aceleração de Nesterov, obtida por meio de uma perspectiva de tempo contínuo, Lagrangiana / Hamiltoniana / simplética, (2) uma discussão de como escapar dos pontos de sela de forma eficiente em otimização não convexa, e (3) a aceleração da difusão Langevin.

Local

Sede FGV - 5º andar

Auditório 537

Praia de Botafogo, 190

Botafogo - Rio de Janeiro/RJ

Endereço

Auditório 537

Praia de Botafogo, 190

Botafogo - Rio de Janeiro/RJ