| Processo: | 23/05041-9 |
| Modalidade de apoio: | Bolsas no Brasil - Iniciação Científica |
| Data de Início da vigência: | 01 de maio de 2023 |
| Data de Término da vigência: | 31 de julho de 2024 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Diego Furtado Silva |
| Beneficiário: | Andre Guarnier De Mitri |
| Instituição Sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Vinculado ao auxílio: | 22/03176-1 - Aprendizado de máquina para séries temporais em aplicações de mHealth, AP.PNGP.PI |
| Bolsa(s) vinculada(s): | 23/11745-9 - Experimentando com estratégias baseadas em aprendizado profundo para lidar com tarefas multivariadas em séries temporais., BE.EP.IC |
| Assunto(s): | Aprendizado computacional Aprendizagem profunda Regressão Análise de séries temporais |
| Palavra(s)-Chave do Pesquisador: | Aprendizado de Máquina | Deep Learning | Regressão | Séries Temporais | Aprendizado de Máquina |
Resumo Com o crescente interesse em séries temporais nas últimas décadas, que vem se intensificando nos últimos anos, pesquisadores propuseram dezenas de algoritmos específicos para a classificação e forecasting de séries temporais. No entanto, há ainda uma grande demanda de técnicas associadas à regressão extrínseca de séries temporais. Por "extrínseca", entende-se que o alvo da predição é um valor externo à série, ao contrário do que acontece com o forecasting. Por exemplo, ao considerar séries temporais de sinais fisiológicos, a regressão extrínseca teria por objetivo estimar parâmetros clínicos, como a saturação de oxigênio no sangue. Dado que a regressão extrínseca é uma tarefa muito importante no contexto do projeto em que este trabalho se inclui e considerando a falta de algoritmos para essa tarefa, esta atividade irá identificar os mecanismos utilizados na construção de algoritmos de classificação de séries temporais e adaptá-los à tarefa de regressão. Devido ao recente avanço de aprendizado profundo na tarefa de classificação de séries temporais, este trabalho terá como principal foco a análise de arquiteturas neurais no contexto de regressão extrínseca. Serão analisadas vantagens e desvantagens de diferentes abordagens, a fim de se definir guidelines para a utilização dessas redes na tarefa pesquisada. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |