Busca avançada
Ano de início
Entree

Aprendizado semi-supervisionado multi-visão

Processo: 05/03792-9
Modalidade de apoio:Bolsas no Brasil - Doutorado
Data de Início da vigência: 01 de janeiro de 2006
Data de Término da vigência: 31 de outubro de 2008
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Maria Carolina Monard
Beneficiário:Edson Takashi Matsubara
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Assunto(s):Aprendizado computacional   Inteligência artificial
Palavra(s)-Chave do Pesquisador:Aprendizado De Maquina | Aprendizado Multi Visao | Inteligência Artificial

Resumo

Em Aprendizado de Máquina supervisionado, os dados precisam ser apresentados juntamente com o rótulo relacionado ao conceito a ser aprendido. Entretanto, em grande parte dos problemas reais,os dados raramente estão rotulados. Além disso, mesmo que estejam rotulados, os algoritmos de aprendizado supervisionados necessitam de uma quantidade expressiva desses exemplos para a indução de um bom classificador. Atento a essa limitação, o aprendizado semi-supervisionado foi proposto para incrementar o conjunto de exemplos rotulados a partir de poucos exemplos rotulados. Este trabalho tem por objetivo incrementar o estado da arte em aprendizado semi-supervisionado por meio de três metas: pesquisar o fenômeno de degradação dos modelos gerados pelos algoritmos de aprendizado semi-supervisionados multi-visão, introduzir o conceito de meta-aprendizagem em aprendizado semi-supervisionado e pesquisar meios para a inserção de conhecimento de domínio nesses algoritmos.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

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)
MATSUBARA, EDSON T.; MONARD, MARIA C.; PRATI, RONALDO C.; BRAMER, M. On the class distribution labelling step sensitivity of CO-TRAINING. ARTIFICIAL INTELLIGENCE IN THEORY AND PRACTICE, v. 217, p. 3-pg., . (05/03792-9)
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
MATSUBARA, Edson Takashi. Relações entre ranking, análise ROC e calibração em aprendizado de máquina. 2008. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.