Aprendizado de máquina avançado

• Processo: 16/18615-0
• Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Vigência: 01 de setembro de 2017 - 29 de fevereiro de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Convênio/Acordo: IBM Brasil
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: André Carlos Ponce de Leon Ferreira de Carvalho
• Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Empresa: IBM Brasil - Indústria, Máquinas e Serviços Ltda
• Município: São Carlos
• Instituição parceira: Universidade de São Paulo (USP). Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP); Universidade Federal de São Carlos; Universidade Federal de São Paulo
• Pesq. associados: Ana Carolina Lorena ; Gustavo Enrique de Almeida Prado Alves Batista ; Moacir Antonelli Ponti ; Paula Costa Castro ; Renato Tinós ; Ricardo Cerri
• Assunto(s): Sistemas de informação Aprendizado computacional Mineração de dados Fluxo de dados

Resumo

Sem percebermos, estamos usando tecnologias baseadas em algoritmos de Aprendizado de Máquina (AM) em um número crescente de nossas atividades diárias. O uso do ML tem feito várias atividades rotineiras e de riscos e mais seguras, mais confiáveis e mais precisas. Apesar dessas contribuições, novas demandas exigem o desenvolvimento de novos algoritmos de AM, ou utilização desses algoritmos de maneiras diferentes e inovadoras. Duas demandas atuais importantes são tratar com eficiência os dados que chegam em fluxos contínuos, onde novidades podem aparecer e conceitos podem mudar, e como melhorar o uso dos algoritmos de ML mais adequados, além de valores mais apropriados para os Hyper-parâmetros dos algoritmos selecionados para uma nova tarefa. Este projeto irá pesquisar novas abordagens para lidar eficientemente com essas demandas. (AU)

Publicações científicas

(6)

(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)

AGUIAR, GABRIEL JONAS; MANTOVANI, RAFAEL GOMES; MASTELINI, SAULO M.; DE CARVALHO, ANDRE C. P. F. L.; CAMPOS, GABRIEL F. C.; BARBON JUNIOR, SYLVIO. A meta-learning approach for selecting image segmentation algorithm. PATTERN RECOGNITION LETTERS, v. 128, p. 480-487, DEC 1 2019. Citações Web of Science: 0.

PADILHA, VICTOR ALEXANDRE; DE LEON FERREIRA DE CARVALHO, ANDRE CARLOS PONCE. Experimental correlation analysis of bicluster coherence measures and gene ontology information. APPLIED SOFT COMPUTING, v. 85, DEC 2019. Citações Web of Science: 0.

SPADON, GABRIEL; DE CARVALHO, ANDRE C. P. L. F.; RODRIGUES-JR, JOSE F.; ALVES, LUIZ G. A. Reconstructing commuters network using machine learning and urban indicators. SCIENTIFIC REPORTS, v. 9, AUG 13 2019. Citações Web of Science: 0.

TINOS, RENATO; YANG, SHENGXIANG. A framework for inducing artificial changes in optimization problems. INFORMATION SCIENCES, v. 485, p. 486-504, JUN 2019. Citações Web of Science: 0.

PIMENTEL, BRUNO ALMEIDA; DE CARVALHO, ANDRE C. P. L. F. A new data characterization for selecting clustering algorithms using meta-learning. INFORMATION SCIENCES, v. 477, p. 203-219, MAR 2019. Citações Web of Science: 2.

GARCIA, LUIS P. F.; LEHMANN, JENS; DE CARVALHO, ANDRE C. P. L. F.; LORENA, ANA C. New label noise injection methods for the evaluation of noise filters. KNOWLEDGE-BASED SYSTEMS, v. 163, p. 693-704, JAN 1 2019. Citações Web of Science: 0.