Construção e seleção automática de algoritmos de aprendizado de máquina

Resumo

O uso de meta-learning para recomendação de algoritmos é uma área de pesquisa que tem sido amplamente explorada nos últimos anos. Sistemas de meta-learning para recomendação de algoritmos podem ser divididos em dois grandes grupos: (a) sistemas que realizam seleção de algoritmos ou modelos baseados em meta-features; e (b) sistemas que buscam pelo melhor algoritmo de classificação possível em um dado espaço de algoritmos, uma abordagem relativamente menos investigada que a anterior. Em trabalhos prévios do proponente e seus colaboradores, foram desenvolvidos três sistemas representativos de meta-learning baseados em busca para a construção automática de algoritmos. Todos eles utilizaram o paradigma de algoritmos evolutivos como método de busca, porém construindo diferentes tipos de algoritmos de classificação -- indução de regras, indução de árvores de decisão, e indução de redes bayesianas. Esses três sistemas de meta-learning, até onde se sabe, são as únicas abordagens de meta-learning para a construção automática de algoritmos encontradas na literatura. Assim, a ideia deste projeto de pesquisa é avançar na área de construção automática de algoritmos de aprendizado de máquina, mais especificamente classificação. Dentre os tópicos considerados em aberto nessa área, é possível destacar: (I) desenvolvimento de abordagens baseadas em diferentes métodos de busca; (II) evolução de árvores de decisão com múltiplos testes; (III) implementação de abordagens multi-objetivas; (IV) construção automática de funções de similaridade no contexto de aprendizado semissupervisionado; (V) evolução automática de redes neurais profundas; (VI) construção automática de comitê de classificadores; (VII) construção automática de preditores multi-target; e (VIII) estudo comparativo das abordagens de meta-learning para seleção/configuração e construção de algoritmos de classificação. (AU)