OTIMIZAÇÃO MULTICRITÉRIO, MODELOS CAUSAIS E APLICAÇÕES

Vagas: 20

Período de Oferecimento: 15 a 19/03/21

Horário: Segunda à Sexta: 08:00 às 10:00

Formato: Aulas ministradas à distância (Google meets)

Carga Horária total do curso: 10 horas

Público Alvo: Alunos de mestrado e doutorado e pesquisadores que já tem o título de doutor. Pré-requisito: Noções de programação (Python básico), otimização, inferência clássica.

Busca-se interessados em modelagem de problemas complexos do mundo-real e na construção de soluções envolvendo Inteligência Artificial, Otimização e Tomada de Decisão Multicritério.

Procedimentos para a inscrição

Preencher a ficha de inscrição on-line até 10/03/2021, anexando documentação necessária.

Preencha aqui a ficha de inscrição online até 10/3/2021: https://forms.gle/g6z5udGDkKhcZgiw7

Deverão ser anexados os seguintes documentos para análise: 

– cópia do diploma de Graduação (ou da última titulação) ou Atestado de Matrícula

– Currículo Lattes ou Vitae

– Declaração assinada pelo orientador (ou professor responsável) e aluno:

Orientador ou professor responsável deve informar na declaração concordância com a participação do aluno no curso, informando que o mesmo tem o comprometimento de realizar o curso, caso tenha sua inscrição deferida. Não há modelo específico.

Critério de Seleção para as Vagas:

O CeMEAI receberá as inscrições até o dia 10/03/2021. A documentação será analisada e as vagas serão confirmadas até dia 12/03/2021, através de email.

As vagas serão atribuídas em ordem de inscrição, para os candidatos que atenderem os critérios de seleção.

Critério de aprovação no curso para recebimento de certificado: 75% de frequência e realização das atividades propostas.

Resumo

A otimização requer um modelo do sistema em análise. A importância de modelos adequados em geral é mais crítica em Otimização Multiobjetivo, por exemplo, ao se considerar simultaneamente a qualidade e o custo de cada possível solução para uma tomada de decisão. A construção dos modelos pode ser tanto baseada no conhecimento dos especialistas do domínio quanto obtida diretamente a partir de dados, ou mesmo ocorrer por meio de uma combinação dessas duas abordagens. Em geral, quanto menos conhecimento, mais dados de qualidade são necessários. Um balanceamento entre dados e conhecimento do domínio é especialmente importante para modelagem de sistemas envolvendo relações de causa e efeito. Essas relações são ainda mais relevantes para sistemas com certa dinâmica ou sujeitos a intervenções/ações externas. Vários problemas do mundo real enquadram-se nesse contexto. Este minicurso busca apresentar uma combinação de métodos de inteligência artificial e otimização multiobjetivo que podem auxiliar técnicos e investigadores a conhecerem melhor o sistema com que trabalham, bem como auxliar no desenvolvimento de soluções para problemas complexos por meio de modelos causais mais apropriados.

Programa:

1: Modelagem de sistemas complexos do mundo real. Características de sistemas do mundo real considerados complexos. Alguns dos desafios em lidar com tais sistemas. Introdução a estratégias para modelagem desses sistemas. Abordagens para construção de modelos basedos em conhecimento do domíno, modelos puramente obtidos a partir de dados e modelos baseados tanto em dados quanto conhecimento do domínio.

2: Métodos de otimização baseados em modelos probabilísticos. A importância e influência de múltiplos critérios na construção e representatividades dos modelos.

3: Introdução a modelos causais, com ênfase em modelos causais estruturais. Apresentação dos conceitos principais, como d-separabilidade, identificabilidade, desconfundimento.

4: Do-calculus. ID Algorithm. Hierarquia causal de Pearl. Modelos causais estruturais e dados.

5: Transportabilidade. Descoberta de Modelos por otimização multicritério.

Referências Bibliográficas:

1. Aglietti, V., Lu, X., Paleyes, A., González, J. (2020) Causal Bayesian Optimization. Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS) 2020, Palermo, Italy.
2. Bareinboim, E., Correa, J., Ibeling, D., Icard, T., (2020) On Pearl’s Hierarchy and the Foundations of Causal Inference. “(with) will appear at an ACM special volume in honor of Judea Pearl and is now available online” as a Technical Report, 1-62.
3. Pearl, J., Mackenzie, D. (2019).The book of why: the new science of causal and effect. Penguin Books.
4. GholiZadeh, K. F., Miyoshi N. S. B., Cobre J., Mazzoncini De Azevedo-Marques J, Mazzoncini de Azevedo-Marques P, Delbem, A. C. B. (2020) Feature sensitivity criterion-based sampling strategy from the Optimization based on Phylogram Analysis (Fs-OPA) and Cox regression applied to mental disorder datasets. PLoS One. 2020 Jul 1;15(7):e0235147. doi: 10.1371/journal.pone.0235147. PMID: 32609749; PMCID: PMC7329087.
5. Soares, A., Râbelo, R., Delbem, A. (2017) Optimization based on phylogram analysis. Expert Systems with Applications, 78, 32-50, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2017.02.012.
6. Tikka, S., Karvanen, J. (2018). Enhancement Identification of Causal Effects by Prunning. The Journal of Machine Learning Research, 18 (1), 1-23.
7. Pernkopf, F., Peharz, R., & Tschiatschek, S. (2014). Introduction to Probabilistic Graphical Models. In Academic Press Library in Signal Processing: Signal Processing Theory and Machine Learning (pp. 989-1064). Academic Press.
8. Shiptser, I, Pearl, J. (2006) Identification of joint interventional distributions in recursive semi-markovian causal models. In Proceedings of the Twenty-First National Conference on Artificial Intelligence, 21 (2), 1219-1226.