Resumo: The proliferation of large-scale geospatial data from sources such as satellite remote sensing and cellular phone networks has created a need for new statistical methods capable of handling massive datasets and complex spatial domains, as classical techniques often face prohibitive computational burdens and restrictive assumptions. In this talk, I discuss recent advances that directly address some of these challenges, primarily through the development of a scalable model that reduces computational complexity from cubic to near-linear in the number of observations. Further, we explore some of its applications. Beyond scalability, progress has been made in tailoring methods for complex domains by defining a process using appropriate distance metrics. The synthesis of these scalable and geometrically aware methods empowers practitioners to extract meaningful insights from vast and intricate spatial data. Again, we revisit applications in other spatial domains. FAPEMIG and CNPq partially funded these works. This is a joint work with Carlos Gonzáles, Dipak K. Dey, Harvard Rue, Heitor Ramos, Lucas Godoy, Lucas Michelin, Jun Yan and Zaida Quiroz
Minibio: Marcos Prates obteve seu bacharelado em Matemática Computacional pela Universidade Federal de Minas Gerais (UFMG) em 2006 e seu mestrado em Estatística em 2008 pela mesma instituição. Em 2011, recebeu seu doutorado em Estatística pela Universidade de Connecticut, onde também foi professor visitante entre 2019 e 2020. Atualmente, é professor associado da UFMG e Pesquisador de Produtividade nível B do CNPq. Suas principais áreas de pesquisa são Estatística Bayesiana, Modelos Mistos Lineares Generalizados, Aprendizado de Máquina e Estatística Espacial. Foi Coordenador do Programa de Pós-Graduação em Estatística da UFMG (2016-2018), Secretário (2015-2016) e Tesoureiro (2023-2024) da ISBRA, o capítulo brasileiro da ISBA, e foi Presidente da Associação Brasileira (ABE) de Estatística (2020-2022). Atualmente é o Coordenador do bacharelado em Ciências de Dados da UFMG.