Busca avançada
Ano de início
Entree

Métodos de aprendizado semi-supervisionado ativo para classificação e agrupamento de dados

Processo: 14/01352-0
Linha de fomento:Bolsas no Brasil - Mestrado
Vigência (Início): 01 de maio de 2014
Vigência (Término): 29 de fevereiro de 2016
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Ricardo José Gabrielli Barreto Campello
Beneficiário:Antônio José de Lima Batista
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Assunto(s):Agrupamento de dados

Resumo

Existem muitas situações em aprendizado de máquina em que é fácil obter vastas quantidades de dados não rotulados, porém é custoso obter rótulos para esses dados. Isso gera situações típicas em que se dispõe de apenas um subconjunto pequeno de dados rotulados, que não é representativo o suficiente para o aprendizado supervisionado de um modelo. Em tais situações, são fundamentais técnicas capazes de aprender utilizando conjuntamente dados rotulados e não rotulados, as denominadas técnicas de aprendizado de máquina semi-supervisionadas. Especificamente, em cenários em que é possível rotular arbitrariamente qualquer observação a um determinado custo que se deseja minimizar, tornam-se particularmente importantes técnicas de aprendizado semi-supervisionado que vão além das técnicas convencionais e sejam também capazes de selecionar de forma pró-ativa as observações a serem rotuladas. O objetivo é maximizar a qualidade do resultado do aprendizado a partir da menor quantidade possível de rotulações necessárias. Técnicas com esta capacidade se enquadram no paradigma de aprendizado ativo. No aprendizado semi-supervisionado ativo, um algoritmo pode livremente determinar a qualquer momento quais os rótulos ainda desconhecidos considera-se mais importantes para prosseguir com a estratégia de aprendizado. Em linhas gerais, neste projeto de pesquisa pretende-se investigar possíveis aprimoramentos de métodos existentes de aprendizado ativo para as tarefes de classificação semi-supervisionada de padrões e agrupamento semi-supervisionado de dados, bem como avaliar o comportamento dos métodos investigados em experimentos utilizando dados reais e simulados.

Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
BATISTA, Antônio José de Lima. Classificação semi-supervisionada ativa baseada em múltiplas hierarquias de agrupamento. 2016. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação São Carlos.

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