Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Classification and dimension reduction for high dimensional data |
|---|---|
| Titolo del progetto di ricerca in inglese | Classification and dimension reduction for high dimensional data |
| Campo principale della ricerca | Mathematics |
| Sottocampo della ricerca | Statistics |
| Settore Concorsuale | 13 - Scienze economiche e statistiche |
| S.S.D | - |
| Descrizione sintetica in italiano | In presenza di dati ad alta dimensionalità, cioè quando il numero di parametri incogniti sia molto più alto dell'ampiezza campionaria n, la stima di modelli di regressione o di classificazione supervisionata, come pure l'impiego di metodi non supervisionati con più variabili che osservazioni, non risultano possibili con i metodi standard, poiché le matrici coinvolte non si invertono. Un recente approccio efficace per affrontare tale problema è quello basato sulle proiezioni casuali. L’idea è che se i punti in uno spazio vettoriale sono proiettati in un sottospazio selezionato casualmente di dimensione opportunamente alta, le distanze tra i punti sono preservati con una certa approssimazione. L’obiettivo della ricerca è studiare le performance del random projeciton ensemble classifier e proporre soluzioni per ensemble post pruning e selezione delle variabili. Si estenderà tale approccio alla alla classificazione a una classe e a quella non supervisionata. |
| Descrizione sintetica in inglese | High-dimensional statistics refers to statistical inference when the number of unknown parameters is much larger than the sample size, n. This includes regression and supervised classification models, when the number of covariates is of much larger order than n, and unsupervised settings, with more variables than observations. In those contexts, standard methods cannot be applied, as the involved matrices are in general not full rank. A recent powerful approach for dimensionality reduction is based on random projections. The key idea is that if points in a vector space are projected onto a randomly selected subspace of suitably high dimension, the distances between the points are approximately preserved. The goal of this research is to analyze the performances of the random projection ensemble classifier and propose solutions for ensemble post pruning and variable selection. We also aim to extend the approach to the one-class and unsupervised classification problems. |
| Data del bando | 23/10/2017 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
All |
| Nazionalità dei candidati |
All |
| Sito web del bando | https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Criteri di selezione in italiano (breve descrizione) | il bando e la modulistica per partecipare alla procedura di valutazione comparativa sono disponibili all'indirizzo: https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Criteri di selezione in inglese (breve descrizione) | to apply for research grants fill out the form available at the following address: https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Nome dell'Ente finanziatore | ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA - - DIPARTIMENTO DI SCIENZE STATISTICHE "PAOLO FORTUNATI" |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Bologna |
| Sito web | http://www.unibo.it |
| silvia.cagnone@unibo.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 14/11/2017 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |