Explorando métodos de amostragem em aprendizado

• Processo: 06/60294-4
• Modalidade de apoio: Auxílio à Pesquisa - Programa Primeiros Projetos
• Data de Início da vigência: 01 de maio de 2007
• Data de Término da vigência: 30 de junho de 2008
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: CNPq - Programa Primeiros Projetos
• Pesquisador responsável: Ronaldo Cristiano Prati
• Beneficiário: Ronaldo Cristiano Prati
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Amostragem Inteligência artificial Mineração de dados Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Amostragem | Aprendizado De Maquina | Inteligencia Artificial | Mineracao De Dados

Resumo

Uma suposição dos algoritmos de aprendizado de máquina é que a amostra de exemplos utilizada seja representativa e não viciada da população da qual foi retirada. No entanto, em muitas aplicações práticas essa suposição é violada, uma vez que não se tem um completo controle sobre o processo de aquisição dos dados. Mesmo que as estratégias de amostragem sejam de fundamental importância para a aplicação de algoritmos de aprendizado em problemas do mundo real, a literatura a esse respeito é escassa. Este piano de pesquisa tem como objetivos estudar a interação entre métodos de amostragem a algoritmos de aprendizado. Em linhas gerais, estamos interessados em simular o comportamento de algoritmos de aprendizado em diversas situações nas quais esses algoritmos são utilizados e que requeiram diferentes tipos de amostragem. A partir dessas simulações pretendemos identificar as limitações dos algoritmos de aprendizado em diferentes condições de amostragem e propor novas abordagens para superar essas limitações. (AU)