Banca de DEFESA: KATY SYLVIA BATISTA CASTRO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: KATY SYLVIA BATISTA CASTRO
DATA: 30/03/2022
HORA: 14:00
LOCAL: Ambiente Virtual: meet.google.com/dgm-gydk-kmc
TÍTULO: Distâncias adaptativas e kernelizadas aplicadas a agrupamento de séries temporais tipo-intervalo
PALAVRAS-CHAVES: Agrupamento, Séries Temporais, Dado Tipo-Intervalo, Kernel, Distâncias Adaptativas
PÁGINAS: 66
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Probabilidade e Estatística
SUBÁREA: Estatística
ESPECIALIDADE: Análise Multivariada
RESUMO: A tarefa de agrupar faz parte do cotidiano e da natureza humana. A literatura que trata de agrupamentos disponibiliza técnicas, métricas e algoritmos para realizar essa tarefa. Em particular, o agrupamento de dados observados ao longo do tempo e em forma de intervalos representa um desafio, com novos métodos sendo propostos para essa finalidade. A vantagem das distâncias adaptativas é que elas atribuem pesos diferentes às variáveis do agrupamentos, e um algoritmo que consegue se adaptar a isso pode trazer resultados muito superiores aos algoritmos que tratam todas as variáveis da mesma forma, com o mesmo nível de importância. Ademais, a kernelização torna possível trabalhar com dados em um novo espaço, diferente do espaço original, onde os grupos venham a apresentar uma melhor separação. O objetivo deste trabalho é considerar novas distâncias para o método K-Means no agrupamento de séries temporais de dados tipo intervalo. Utilizaremos distâncias adaptativas e distâncias calculadas através da kernelização da métrica e do espaço de características. Para validar os algoritmos propostos realizamos um estudo com séries temporais geradas a partir dos parâmetros de modelos Autorregressivo Espaço-Tempo (STAR), utilizando simulações Monte Carlo, bem como dados reais. A comparação dar-se-á através de índices externos e internos. Os resultados obtidos nas simulações demonstram que os algoritmos propostos apresentaram desempenho superior em relação aos métodos existentes. A aplicação a dados reais considerou séries de criptomoedas e índices tradicionais como ouro, petróleo, bolsas de valores, entre outros. Os resultados apontam insights que poderão ser usados para trabalhos futuros na área de aprendizagem de máquina e economia.
MEMBROS DA BANCA:
Presidente - 1552220 - EUFRASIO DE ANDRADE LIMA NETO
Interno - 2508529 - BRUNO FERREIRA FRASCAROLI
Interno - 1584539 - MARCELO RODRIGO PORTELA FERREIRA
Externo ao Programa - 3089218 - TELMO DE MENEZES E SILVA FILHO
Externo à Instituição - FRANCISCO DE ASSIS TENORIO DE CARVALO