<div dir="ltr"><h3><font size="2"><span style="font-weight:normal">Boa tarde a todos(as),<br><br>Esta mensagem é para divulgar mais uma palestra do <span class="gmail-il">Ciclo</span> de <span style="color:rgb(60,64,67);background-color:rgb(253,226,147)"><span class="gmail-il">Seminários</span></span> do PPGE/UFPE (2023), que será realizada hoje, 26/04, pelo Google Meet às 15:00 horas. </span></font></h3><h3><font size="2"><span style="font-weight:normal">Sobre o pales</span></font><font size="2" style="font-weight:normal">trante: Fábio Bayer</font></h3><div>Professor do Departamento de Estatística da UFSM, pesquisador do<br>Laboratório de Ciências Espaciais de Santa Maria (LACESM/CRS/INPE),<br>professor permanente do Programa de Pós-graduação em Estatística da<br>UFRGS e do Programa de Pós-graduação em Engenharia de Produção da<br>UFSM. No biênio 2017-2019 foi membro do Comitê de Assessoramento da<br>área de Ciências Exatas da FAPERGS e em 2019 foi Pesquisador Visitante<br>junto ao Telecommunications and Remote Sensing Laboratory, Pavia,<br>Itália. Atualmente é Bolsista de Produtividade em Pesquisa do CNPq,<br>membro titular do Conselho Diretor da Associação Brasileira de<br>Estatística (2022-2024), Coordenador do Comitê Assessor da Matemática<br>e Estatística da FAPERGS (2022-2024) e Topical Associate Editor da<br>área de statistical signal processing da IEEE Transactions on<br>Geoscience and Remote Sensing. Possui ativa atuação da formação de<br>recursos humanos, com vários alunos premiados por diferentes<br>sociedades científicas. Suas principais áreas de interesse e atividade<br>são: inferência clássica, modelos de regressão, modelos dinâmicos e<br>processamento estatístico de sinais.<br></div><div><br></div><div>Sobre a palestra:<br></div><div>Link da videochamada: <a href="https://meet.google.com/oai-hois-qmt">https://meet.google.com/oai-hois-qmt</a></div>Ou disque: ‪(US) +1 503-917-4745‬ PIN: ‪811 036 997‬#<div><br></div><div><b>Título:</b></div><div><div><p dir="ltr" style="text-align:left;line-height:1.75;margin-top:0pt;margin-bottom:0pt"><span style="font-size:11pt;font-family:Arial;background-color:transparent;font-variant-numeric:normal;font-variant-east-asian:normal;font-variant-alternates:normal;vertical-align:baseline;white-space:pre-wrap"><font color="#000000">K vizinhos mais próximos circular </font></span></p></div></div><div><b>Resumo:</b><br></div><div>Dados circulares estão presentes em várias áreas da ciência e<br>carecem de métodos estatísticos específicos para seu tratamento. No<br>âmbito de modelos de regressão, a literatura apresenta modelos de<br>regressão paramétricos para dados circulares, os quais fazem<br>suposições de determinadas distribuições de probabilidade circulares<br>para seus ajustes. Por outro lado, na área de aprendizado de máquina,<br>uma abordagem supervisionada para predição de dados contínuos envolve<br>modelos de regressão não paramétricos, os quais podem não ser<br>adequados para situações em que a variável resposta é circular. Neste<br>seminário, apresentarei um novo modelo de aprendizado de máquina para<br>predição de dados circulares, o qual é denominado k vizinhos mais<br>próximos circular.<br>Obs.: Trabalho co-autorado com Maicon Facco<br></div><div><br></div><div>Favor divulgar entre possíveis interessados.<br></div><div>Att, </div><font color="#888888"><div><br></div></font><div><br></div><span class="gmail_signature_prefix">-- </span><br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr">Maria do Carmo Soares de Lima<div>Professora Adjunta C- UFPE</div></div></div></div></div></div>