Clustering Automático com Algoritmos de Inteligência Coletiva.

• Processo: 16/24583-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de janeiro de 2017
• Data de Término da vigência: 30 de junho de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Adriane Beatriz de Souza Serapião
• Beneficiário: João Gabriel Zupi Cattani
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Assunto(s): Inteligência computacional Inteligência coletiva Mineração de dados Agrupamento de dados
• Palavra(s)-Chave do Pesquisador: Clustering Automático | Inteligência Coletiva | Mineração de Dados | Inteligência Computacional

Resumo

O agrupamento de dados (clustering) é um problema de Mineração de Dados que consiste em, fornecido um conjunto de dados, agrupar seus objetos, de maneira que os objetos mais semelhantes entre si fiquem no mesmo cluster (grupo) e os objetos com menor similaridade sejam alocados em outros clusters. Em geral, o número de clusters é previamente definido para a separação dos objetos. Porém, em muitas situações do mundo real, o número de clusters não é conhecido e nem pode ser a priori estimado proximamente. Este problema é denominado de clustering automático. Neste projeto, três algoritmos de Inteligência Coletiva serão utilizados para o problema de clustering automático de conjuntos de dados numéricos. Tais métodos serão usados para maximizar índices de compacidade dos clusters e para minimizar as distâncias intraclusters, a fim de encontrar o número ótimo de clusters e as posições de seus centroides. Os métodos de otimização bioinspirados Particle Swarm Optimization, Fish School Search e Gray Wolf Optimization serão adaptados para efetuar o agrupamento utilizando a abordagem de particionamento. Os resultados dos algoritmos de clustering automático com Inteligência Coletiva serão comparados entre si e avaliados por índices de validação internos e externos.