Busca avançada
Ano de início
Entree

Aprendizado de máquina automático: aprendendo a aprender

Processo: 18/14819-5
Linha de fomento:Bolsas no Brasil - Doutorado Direto
Vigência (Início): 01 de dezembro de 2018
Vigência (Término): 28 de fevereiro de 2022
Área do 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:Edesio Pinto de Souza Alcobaça Neto
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   Ciência de dados   Mineração de dados

Resumo

Uma grande quantidade de dados é atualmente gerada por meios como sensores, celulares e internet. Entretanto, sua análise manual é inviável, sendo necessário o uso de técnicas computacionais para extração de conhecimento útil. Várias dessas técnicas são desenvolvidas na área de Ciência de Dados, que tem como um de seus pilares o aprendizado de máquina, o qual permite a extração de modelos a partir de um conjunto de dados. Contudo, induzir um bom modelo a partir de um conjunto de dados brutos não é trivial. Exige diversas tarefas, como pré-processamento, escolha de algoritmos e configuração de hiperparâmetros. Além de custosas, essas tarefas precisam de muitas tomadas de decisões, em geral difíceis para usuários leigos. Mesmo para especialistas, tais tarefas são muitas vezes manuais e repetitivas, consumindo um tempo precioso que poderia ser utilizado em outras atividades mais críticas. Para lidar com essas dificuldades, este projeto irá pesquisar e desenvolver um sistema de aprendizado de máquina automático. Esses sistemas automatizam as diferentes tarefas relacionadas a aplicação de algoritmos de aprendizado de máquina a um conjunto de dados, considerando ainda o pré-processamento dos dados e o pós-processamento dos resultados. Esta pesquisa seguirá em três frentes: pré-processamento (limpeza, seleção de atributos), modelagem (escolha apropriada de algoritmos e ajuste de seus hiperparâmetros) e pós-processamento (avaliação do modelo e relatório para usuário). O foco principal estará no pré-processamento, analisando como este influencia no desempenho dos algoritmos de aprendizado de máquina em um sistema de aprendizado de máquina automático. Além disso, será investigado o uso do meta-aprendizado no sistema de aprendizado automático. Espera-se que o sistema seja capaz de ajudar tanto usuários especialistas como leigos nos passos necessários para análise de dados, evitando que se gaste muito tempo com ajustes manuais, focando na análise do problema e dos resultados. (AU)

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)
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. Citações Web of Science: 0.
ALCOBACA, EDESIO; SIQUEIRA, FELIPE; RIVOLLI, ADRIANO; GARCIA, LUIS P. F.; OLIVA, JEFFERSON T.; DE CARVALHO, ANDRE C. P. L. F. MFE: Towards reproducible meta-feature extraction. JOURNAL OF MACHINE LEARNING RESEARCH, v. 21, 2020. Citações Web of Science: 0.
MANTOVANI, RAFAEL G.; ROSSI, ANDRE L. D.; ALCOBACA, EDESIO; VANSCHOREN, JOAQUIN; DE CARVALHO, ANDRE C. P. L. F. A meta-learning recommender system for hyperparameter tuning: Predicting when tuning improves SVM classifiers. INFORMATION SCIENCES, v. 501, p. 193-221, OCT 2019. Citações Web of Science: 0.

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