| Processo: | 13/23027-1 |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Data de Início da vigência: | 01 de maio de 2014 |
| Data de Término da vigência: | 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 |
| Município da Instituição Sede: | Rio Claro |
| Pesquisadores associados: | Veronica Oliveira de Carvalho |
| Assunto(s): | Inteligência computacional Mineração de dados Agrupamento de dados Sistemas distribuídos Inteligência coletiva Inteligência artificial |
| Palavra(s)-Chave do Pesquisador: | Agrupamentos de dados | Clustering | Inteligência Artificial | Inteligência computacional | Mineraão de Dados | processamento paralelo | Inteligência Computacional |
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)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |