Where do machine learning and optimization meet?

• Processo: 16/50448-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de maio de 2017
• Data de Término da vigência: 30 de abril de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)
• Proposta de Mobilidade: SPRINT - Projetos de pesquisa - Mobilidade
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Pesquisador Responsável no exterior: Alexander Martin
• Instituição Parceira no exterior: Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Alemanha
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Vinculado ao auxílio: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas, AP.R
• Assunto(s): Aprendizado computacional Biologia computacional Análise de dados Expressão gênica Neoplasias mamárias Transtorno autístico Ressonância magnética
• Palavra(s)-Chave do Pesquisador: Ciencia Da Computacao

Resumo

Aprendizado de máquina e otimização têm provido soluções eficientes para muitos problemas práticos. Embora muitas iniciativas relevantes para unir pesquisadores dessas áreas têm sido realizadas, elas ainda seguem caminhos independentes. Muitos desafios de pesquisa seriam beneficiados a partir de uma cooperação mais forte entre pesquisadores dessas áreas. Esse projeto tenta caminhar nessa direção trazendo pesquisadores de aprendizado de máquina e otimização para explorar novas maneiras onde os conhecimentos dessas duas áreas de pesquisa podem ser combinados, resultados em novas e eficientes soluções para aplicações relevantes. Por um lado, técnicas de otimização podem economizar recursos computacionais e humanos explorando diferentes regiões do espaço de busca por meio de técnicas exaustivas e força bruta, as quais possuem alta propensão a falhas. Assim sendo, aprendizado de máquina possuem um conjunto grande de aplicações que técnicas de otimizações podem ser avaliadas e utilizadas para testes. Nesse trabalho, pretendemos focar em aplicações relacionadas à bioinformática, com atenção especial à análise de expressão gênica de câncer de mama e dados de ressonância magnética funcional para análise de Autismo. (AU)