Busca avançada
Ano de início
Entree

Agrupamento de dados e inteligência coletiva com computação paralela em GPU

Processo: 13/23027-1
Linha de fomento:Auxílio à Pesquisa - Regular
Vigência: 01 de maio de 2014 - 30 de abril de 2015
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Adriane Beatriz de Souza Serapião
Beneficiário:Adriane Beatriz de Souza Serapião
Instituição-sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
Pesq. associados:Veronica Oliveira de Carvalho
Assunto(s):Inteligência computacional  Mineração de dados  Agrupamento de dados  Sistemas distribuídos  Inteligência coletiva  Inteligência artificial 

Resumo

Nos últimos anos, as novas tecnologias propiciaram um enorme aumento da capacidade de armazenamento e de processamento de dados, gerando a necessidade de análise de grandes volumes de dados capturados pelos instrumentos científicos ou gerados por simulações, e resultando em dados com uma elevada dimensionalidade. Todavia, as ferramentas computacionais para a inspeção e extração de conhecimento de bases de dados não se desenvolveram na mesma intensidade. A análise de agrupamentos (clustering) desempenha um papel central na mineração e na descoberta de conhecimento em bases de dados, auxiliando na resolução de problemas de crescimento dos dados, e produzindo um modelo de separação dos dados para descobrir grupos de objetos semelhantes. Na análise de agrupamentos, cada grupo, chamado cluster, é composto por objetos que são semelhantes entre si e diferentes de objetos de outros grupos. Uma medida de similaridade baseada em uma métrica de distância é usada para definir a proximidade entre um par de objetos. A organização dos dados em um cluster é realizada de acordo com uma determinada similaridade usando uma abordagem de aprendizagem não supervisionada, através de um conjunto de dados não rotulado, a partir do qual se busca descobrir como os objetos são organizados. Na abordagem de agrupamento por particionamento, os algoritmos buscam determinar os centros dos clusters e o número de cluster segundo algum critério para produzir a melhor separação entre os dados. Desta forma, o agrupamento por particionamento pode ser visto como uma tarefa de otimização. Algoritmos de Inteligência Coletiva mostram-se bastante promissores para a realização deste tipo de tarefa, visto que são métodos metaheurísticos amplamente utilizados em problemas de otimização. Este projeto visa o desenvolvimento de novos métodos de agrupamentos de dados utilizando algoritmos de Inteligência Coletiva. Devido à natureza intrinsecamente paralela de tais algoritmos, os métodos de agrupamento propostos serão implementados em unidades gráficas de processamento (graphics processing units - GPU). (AU)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
SERAPIAO, ADRIANE B. S.; CORREA, GUILHERME S.; GONCALVES, FELIPE B.; CARVALHO, VERONICA O. Combining K-Means and K-Harmonic with Fish School Search Algorithm for data clustering task on graphics processing units. APPLIED SOFT COMPUTING, v. 41, p. 290-304, APR 2016. Citações Web of Science: 30.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.