Adaptação de algoritmos de classificação à tarefa de regressão extrínseca de séries temporais

• Processo: 22/00305-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2022
• Data de Término da vigência: 31 de agosto de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Teoria da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Guilherme Gomes Arcencio
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 22/12486-4 - De dados tabulares a séries temporais: novos algoritmos para regressão extrínseca de séries temporais, BE.EP.IC
• Assunto(s): Inteligência artificial Aprendizado computacional Algoritmos Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Algoritmos | Aprendizado de Máquina | Inteligência Artificial | Regressão | Séries Temporais | Aprendizado de Máquina

Resumo

Com a crescente ubiquidade de celulares, relógios inteligentes e outros dispositivos capazes de coletar dados ao longo do tempo, popularizaram-se aplicações que utilizam séries temporais como entrada, por exemplo, monitoramento cardíaco e reconhecimento de atividades físicas a partir de dados captados por sensores. Dessa maneira, diversas técnicas foram desenvolvidas para o Aprendizado de Máquina no contexto de séries temporais. Porém, a maioria das técnicas propostas foram criadas para as tarefas de classificação e forecasting, o que faz com que a tarefa de regressão extrínseca de séries temporais careça de algoritmos adequados. Tendo em vista essa necessidade, este projeto tem como objetivo estudar e adaptar os mecanismos utilizados pelos algoritmos de classificação de séries temporais à tarefa de regressão extrínseca. Os algoritmos desenvolvidos serão avaliados, analisados e comparados a algoritmos tradicionais de regressão e, então, disponibilizados na ferramenta sktime. O projeto também prevê a possível escrita de um artigo científico compilando e divulgando os resultados obtidos, além da divulgação de todo o código-fonte desenvolvido.(AU)