Untitled - UFRJ

More documents

Recommendations

Info

Estudos Comparativos Envolvendo Classificação Bayesiana emDados ProteicosIsabela Neves DrummondJuliana Garcia CespedesCarlos H. SilveiraAdriana P. MattediDepto de Matemática e Computação - UNIFEIValdetti M. G. AlmeidaMarcelo M. SantoroDepto de Bioquímica-Imunologia - UFMGWagner Meira JuniorDepto de Ciência da Computação - UFMGReconhecimento de padrões é a área de pesquisa que tem por objetivo a classificação de objetos(padrões) em um número de categorias ou classes. As técnicas de reconhecimento de padrões podem seraplicadas em bioinformática, análise de seqüências de proteínas ou DNA, mineração de dados (data mining),classificação de documentos, análise de imagens etc. Basicamente, um processo de reconhecimentoestatístico de padrões é composto por 3 etapas: pré-processamento, para eliminar ruídos ou distorções;extração de características, que cria um vetor de características com dados extraídos dos objetos adquiridos;e um classificador, que analisa um padrão obtido e toma uma certa decisão. O classificador tomadecisões baseando-se no aprendizado obtido a partir de um conjunto de treinamento, o qual contém exemplosde padrões de todas as classes existentes no sistema. Existes muitos tipos de classificadores queutilizam a inferência Bayesiana, entre eles o classificador de Bayes (Naive Bayes) e as Redes Bayesianas.Neste trabalho pretende-se comparar a classificação obtida pelos dois métodos utilizando um conjunto dedados de proteínas complexadas com ligantes proteicos, divididos em 3 classes: subtilases conjugadas ainibidores proteicos; serino-proteases-não-subtilases conjugadas a inibidores proteicos; e outros complexosproteínas-ligantes, envolvendo não serino-proteases, como metaloproteases, transferases, imunoglobulinasetc. Trata-se de uma base de dados que foi cuidadosamente anotada e classificada por humanos,constituindo-se numa massa de dados ideal para a validação de métodos de classificação e agrupamento.Os resultados aqui reportados mostram que os classificadores Bayesianos utilizados tiveram um desempenhoaquém das expectativas da validação semântica. Não só geraram estatísticas de acerto inferioresaos obtidos com o método de agrupamento hierárquico Bayesiano, aplicados à mesma base, como tambémpermitiram movimentações de instâncias entre as classes não de todo coerentes com o esperado do pontode vista do atual entendimento bioquímico do fenômeno da complexão entre proteases e seus inibidores.A limitação pode estar não nos métodos em si, mas em suas implementações e parametrizações. Umestudo mais aprofundado está em andamento, no sentido de verificar essa hipótese.79
Computational Tools for Comparing Asymmetric GARCHModels via Bayes FactorsRicardo Sandes EhlersICMC-USPIn this paper we use Markov chain Monte Carlo (MCMC) methods in order to estimate and compareGARCH models from a Bayesian perspective. We allow for possibly heavy tailed and asymmetric distributionsin the error term. We use a general method proposed in the literature to introduce skewnessinto a continuous unimodal and symmetric distribution. For each model we compute an approximationto the marginal likelihood, based on the MCMC output. From these approximations we compute BayesFactors and posterior model probabilities.Keywords: GARCH, Markov chain Monte Carlo, Metropolis-Hastings, marginal likelihood.80
Page 4 and 5:
10 o Encontro Brasileiro de Estatí
Page 7 and 8:
Page 9 and 10:
Particle LearningCarlos M. Carvalho
Page 12 and 13:
Uso de Métodos Bayesianos em Anál
Page 15 and 16:
Bayesian Inference for Aggregated F
Page 17 and 18:
Product Partition Models with Corre
Page 19 and 20:
“Objective Bayes” - A Dangerous
Page 21 and 22:
Bayesian Non-Parametric Inference f
Page 23 and 24:
Bayesian Computing with INLAHåvard
Page 25 and 26:
Page 27 and 28:
Bayesian Inference for a Skew-Norma
Page 29 and 30: Bayesian Coalescent Modeling of the
Page 31 and 32: Partitioning Diversity Measure for
Page 33 and 34: Exact Simulation and Bayesian Infer
Page 35 and 36: Spatially Varying Autoregressive Pr
Page 37 and 38: Bayesian Beta Dynamic Model and App
Page 39 and 40: 10 o Encontro Brasileiro de Estatí
Page 51 and 52: Generalized Exponential Distributio
Page 53 and 54: Análise Bayesiana da Priori Jeffer
Page 55 and 56: Neighborhood Dependence in Bayesian
Page 57 and 58: Aplicação do Algoritmo MCMC de Sa
Page 59 and 60: Decisões de Investimento e Restri
Page 61 and 62: Test for Symmetry in Contingency Ta
Page 63 and 64: Aplicações de Inferência Bayesia
Page 65 and 66: Uma Abordagem Bayesiana do Modelo M
Page 67 and 68: Accounting for Latent Spatio-Tempor
Page 69 and 70: Uma Abordagem Bayesiana para Proces
Page 71 and 72: A Bayesian Analysis for the General
Page 73 and 74: Comparação de um Modelo Dinâmico
Page 75 and 76: Estimando Variações de Temperatur
Page 77 and 78: A Bayesian Approach to Multivariate
Page 79: Bayesian Inference for Gamma Modula
Page 83 and 84: Modelo Partição Produto com “Cl
Page 85 and 86: BIC Criterion for Minimal Markov Mo
Page 87 and 88: Estimadores Lineares Bayesianos em
Page 89 and 90: Modelos de Volatilidade Estocástic
Page 91 and 92: Processo de Difusão Multivariado c
Page 93 and 94: Generalized Latent Factor Models fo
Page 95 and 96: Measuring Vulnerability via Spatial
Page 97 and 98: Medidas do Valor Preditivo de um Mo
Page 99 and 100: Aproximações Analíticas para Pos
Page 101 and 102: Modelo de Risco Logístico Dependen
Page 103 and 104: A Practical Approach to Elicit Mult
Page 105 and 106: Modelos Dinâmicos para Deformaçã
Page 107 and 108: A Semiparametric Bayesian Approach
Page 109 and 110: Modelo Weibull Modificado de Longa
Page 111 and 112: Abordagem Bayesiana para Modelos GA
Page 113 and 114: Modelo Bayesiano Geral de Classe La
Page 115 and 116: Métodos de Estimação em Modelos
Page 117 and 118: LASSO Bayesiano no Mapeamento de QT
Page 119 and 120: Estudo das Matrizes de Covariância
Page 121 and 122: Sensibilidade da Inferência Bayesi
Page 123 and 124: Análise Bayesiana para o Estudo de
Page 125 and 126: Uma Abordagem Bayesiana para Modelo
Page 127 and 128: Construção de Tábuas de Mortalid
Page 129 and 130: Um Procedimento Bayesiano para a An
Page 131 and 132:
Um Novo Modelo para Dependência Es
Page 133 and 134:
Distribuição Geométrica Exponenc
Page 135 and 136:
Morbidade Pulmonar e Condições Cl
Page 137 and 138:
Standard Setting for a Rasch Poisso
Page 139 and 140:
Modelo Logístico Misto com Classes
Page 141 and 142:
Metodologia Bayesiana para Detecç
Page 143 and 144:
Modelos Espaço-Temporais para Dado
Page 145 and 146:
Comparação de Modelos para a Iden
Page 147 and 148:
Modelos Multivariados de Regressão
Page 149 and 150:
Estimação Bayesiana em Modelos de
Page 151 and 152:
Previsão de Resultados de Jogos de
Page 153 and 154:
Uma Abordagem Bayesiana para Modelo
Page 155 and 156:
Análise Bayesiana do Modelo Log-Bi
Page 157 and 158:
Desempate TécnicoFilipe Jaeger Zab
Page 159 and 160:
Page 161 and 162:
Page 163:
show all

Untitled - UFRJ

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?