Busca avançada
Ano de início
Entree

Uma abordagem baseada em meta-aprendizado aplicada à tarefa de agrupamento de dados

Processo: 11/21816-3
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de março de 2012
Vigência (Término): 28 de fevereiro de 2014
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Leandro Nunes de Castro Silva
Beneficiário:Daniel Gomes Ferrari
Instituição-sede: Escola de Engenharia (EE). Universidade Presbiteriana Mackenzie (UPM). Instituto Presbiteriano Mackenzie. São Paulo , SP, Brasil
Assunto(s):Computação natural   Agrupamento de dados   Inteligência artificial   Mineração de dados

Resumo

Todos os dias pessoas encontram uma grande quantidade de informação que é representada e armazenada como dados para posterior análise. Pesquisadores passaram a se dedicar ao desenvolvimento de métodos para a extração de conhecimento a partir dos dados; estes métodos compõem hoje a chamada mineração de dados. As duas principais tarefas na mineração de dados são classificação e agrupamento; tendo como principais objetivos a previsão de classes e a segmentação das bases de dados em grupos, respectivamente.Atualmente, ferramentas de mineração de dados são caracterizadas por uma infinidade de algoritmos capazes de resolver cada uma das possíveis tarefas, porém sofre com a falta de diretrizes gerais para selecionar o algoritmo mais adequado para resolver cada problema em questão. A área de meta-aprendizagem tem como objetivo descobrir quais características de um problema contribuem para um melhor desempenho de um algoritmo sobre outro e, a partir dessa descoberta, recomendar o algoritmo mais adequado para solucionar um dado problema.Embora haja muita literatura discursando sobre meta-aprendizagem em problemas de classificação, a pesquisa envolvendo meta-aprendizagem em tarefas de agrupamento de dados ainda é insipiente. Somado ao fato da importância da tarefa de agrupamento no contexto da mineração de dados e aplicações práticas, o presente projeto visa aprofundar esse estudo de forma a promover um melhor entendimento de quais técnicas de agrupamento devem ser usadas, quando e como para cada classe de problemas a serem tratados.Desta forma, o presente projeto visa contribuir substancialmente para a pesquisa científica nas áreas de agrupamento e mineração de dados, além de ser relevante para a formação de um pesquisador em Meta-Aprendizagem e Mineração de Dados, com especialidade na tarefa de Agrupamento de Dados. Cabe ressaltar que este projeto possui grande relevância teórica e prática, uma vez que aborda temas bastante atuais dentro da mineração de dados e prevê aplicações em bases numéricas complexas. Problemas desta natureza incluem aplicações na área financeira, detecção de anomalias, processamento de imagens, visualização de dados, bioinformática, dados da web, análise de séries temporais e muitas outras.

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)
FERRARI, DANIEL GOMES; DE CASTRO, LEANDRO NUNES. Clustering algorithm selection by meta-learning systems: A new distance-based problem characterization and ranking combination methods. INFORMATION SCIENCES, v. 301, p. 181-194, APR 20 2015. Citações Web of Science: 23.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.