Susan Holmes (Universidade de Stanford, USA)
Estatística e professora na Universidade de Stanford, Susan Holmes é conhecida pelo seu trabalho na aplicação de estatísticas multivariadas não paramétricas, métodos de bootstrapping e visualização de dados à biologia. Usa estatísticas computacionais, em particular, métodos não paramétricos intensivos de computador, como bootstrap e MCMC, para fazer inferências sobre uma variedade de fenómenos biológicos complexos, interações entre o sistema imunológico e o cancro, resiliência e deteção de biomarcadores no microbioma humano e resistência a medicamentos no HIV. Frequentemente usa e contribui para a matemática fundamental. Um dos seus trabalhos notáveis é sobre a geometria do espaço árvore, introduzindo uma distância entre árvores filogenéticas para formar um complexo Cat (0). Obteve o seu doutoramento em 1985 pela Universidade de Montpellier II, esteve como investigadora titular no INRA durante dez anos, lecionou no MIT, Harvard, e foi professora associada de biometria em Cornell antes de se mudar para Stanford em 1998.
ENSPM 2022 Presentation
Title: Useful Geometric Embeddings and Visualizations of Uncertainty
Abstract: Distances are an essential component of modern multivariate statistics and bioinformatics.
Multivariate plots used for visualization of high dimensional data or non Euclidean data are produced by multidimensional scaling methods inspired by Schoenberg, 1935.
However, many applications also require the quantification of uncertainties through confidence regions that incorporate probability densities. I will show examples of such quantifications using the Bootstrap and non parametric Bayesian models coupled with multi-table registration approaches.
The incorporation of non-uniform densities requires an expansion of volume or a change of metric, these methods are now an essential component of manifold learning for immunology and brain imaging.