Uso da lógica Markoviana para o aprendizado de relações no aprendizado sem fim

• Processo: 12/21792-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de janeiro de 2013
• Data de Término da vigência: 31 de dezembro de 2013
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Estevam Rafael Hruschka Júnior
• Beneficiário: Raphael Gianotti Serrano dos Santos
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Gestão da segurança em sistemas computacionais Processos de Markov Escalabilidade Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado sem-fim | Lógica Markoviana | Aprendizado de Máquina

Resumo

O primeiro sistema computacional de aprendizado sem fim relatado na literatura é chamado NELL. Tal sistema tem como base um novo paradigma de aprendizado de máquina chamado "aprendizado sem fim". A ideia central que embasa a proposta deste novo paradigma de aprendizado de máquina é que sistemas computacionais podem aprender de maneira continua e incremental. E mais importante, assim como fazem os seres humanos, tais sistemas devem ser capazes de se utilizar de conhecimento adquirido a cada dia para, autonomamente, aprenderem a aprender cada vez melhor, num aprendizado sem fim. A lógica de Markov, ou lógica Markoviana, busca combinar a facilidade em expressar relações da lógica de primeira ordem com a habilidade de lidar com a incerteza de modelos gráficos probabilísticos, mais especificamente das redes de Markov. Essa pesquisa tem como principais objetivos: I) investigar o uso da lógica de Markov para auxiliar no aprendizado de regras no sistema NELL; II) investigar, propor e implementar abordagens que permitam a execução dos algoritmos apresentados durante a fundamentação teórica para que esses possam ser aplicados a uma base de conhecimento do porte da base do NELL (superando problemas de escalabilidade); e III) fazer um estudo de como se utilizar do NELL para supervisionar e auxiliar os algoritmos propostos a se utilizarem do NELL para autossupervisão. (AU)