Otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade
- Auxílios pontuais (curta duração)
| Processo: | 12/14158-2 |
| Linha de fomento: | Auxílio à Pesquisa - Regular |
| Vigência: | 01 de novembro de 2012 - 31 de dezembro de 2014 |
| Área do conhecimento: | Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência |
| Pesquisador responsável: | André Nunes de Souza |
| Beneficiário: | André Nunes de Souza |
| Instituição-sede: | Faculdade de Engenharia (FE). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil |
| Pesq. associados: | João Paulo Papa |
| Assunto(s): | Reconhecimento de padrões |
Resumo
A identificação de perdas não-técnicas ou perdas comerciais foi fundamental na última década. Através de conjuntos de dados com centenas de perfis legais ou ilegais, pode-se ter um método para agrupar dados em subperfis a fim de minimizar a procura dos consumidores que causam grandes fraudes, ou até mesmo classificar todos os elementos dessa base de dados em regulares e irregulares. Tão importante quanto a identificação de tais perfis, a caracterização dos mesmos se faz igualmente desejável no sentido de identificarmos quais as características que realmente são utilizadas por algoritmos de inteligência artificial para a classificação de tais consumidores como sendo regulares e irregulares. Nesse contexto, o presente projeto de pesquisa objetiva a utilização de técnicas de otimização, através da seleção e ponderação de características, para a caracterização do perfil de consumidores fraudadores, almejando a proposta de novos algoritmos baseados em técnicas evolucionistas mais recentes propostas na literatura, as quais ainda não foram abordadas para esta finalidade. (AU)