Uso de meta-aprendizado para seleção de algoritmos em problemas de agrupamento

• Processo: 17/20265-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de novembro de 2017
• Data de Término da vigência: 28 de julho de 2019
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Bruno Almeida Pimentel
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional Agrupamento de dados
• Palavra(s)-Chave do Pesquisador: Agrupamento de Dados | Aprendizado de Máquina | AutoML | Meta-Aprendizado | Aprendizado de Máquina

Resumo

Agrupamento de dados é uma das principais tarefas de Aprendizado de Máquina. Existem várias técnicas de agrupamento de dados e diferentes problemas podem ser mais adequados para diferentes técnicas. A escolha de um algoritmo de forma não automatizada pode ser custosa e exige conhecimento aprofundado do problema e dos algoritmos. Desta forma, meta-aprendizado surge como uma ferramenta para automatizar o processo de seleção de algoritmos. A proposta desse projeto é investigar uma metodologia para seleção automática de algoritmos em problemas de agrupamento de dados usando meta-aprendizado.

Publicações científicas

(6)

(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)

PIMENTEL, BRUNO ALMEIDA; DE CARVALHO, ANDRE C. P. L. E.; IEEE. Statistical versus Distance-Based Meta-Features for Clustering Algorithm recommendation Using Meta-Learning. 2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2018-01-01. (12/22608-8, 17/20265-0, 16/18615-0)

PIMENTEL, BRUNO ALMEIDA; DE CARVALHO, ANDRE C. P. L. E.; IEEE. Unsupervised Meta-Learning for Clustering Algorithm Recommendation. 2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2019-01-01. (12/22608-8, 17/20265-0, 16/18615-0)

ALCOBACA, EDESIO; MASTELINI, SAULO MARTIELLO; BOTARI, TIAGO; PIMENTEL, BRUNO ALMEIDA; CASSAR, DANIEL ROBERTO; DE LEON FERREIRA DE CARVALHO, ANDRE CARLOS PONCE; ZANOTTO, EDGAR DUTRA. Explainable Machine Learning Algorithms For Predicting Glass Transition Temperatures. ACTA MATERIALIA, v. 188, p. 92-100, APR 15 2020. (17/12491-0, 13/07375-0, 18/07319-6, 17/06161-7, 17/20265-0, 13/07793-6, 18/14819-5)

PIMENTEL, BRUNO ALMEIDA; DE CARVALHO, ANDRE C. P. L. F.. A Meta-learning approach for recommending the number of clusters for clustering algorithms. KNOWLEDGE-BASED SYSTEMS, v. 195, MAY 11 2020. (16/18615-0, 17/20265-0, 12/22608-8)

PIMENTEL, BRUNO ALMEIDA; DE CARVALHO, ANDRE C. P. L. F.. A new data characterization for selecting clustering algorithms using meta-learning. INFORMATION SCIENCES, v. 477, p. 203-219, MAR 2019. (13/07375-0, 16/18615-0, 17/20265-0)

CAVALCANTI, RODRIGO B. DE C.; PIMENTEL, BRUNO A.; DE ALMEIDA, CARLOS W. D.; DE SOUZA, RENATA M. C. R.; IEEE. A Multivariate Fuzzy Kohonen Clustering Network. 2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 7-pg., 2019-01-01. (17/20265-0)