Algoritmos off-the-shelf de Classificação e Regressão Extrínseca

• Processo: 25/04971-8
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 30 de abril de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Leonardo Rossi Luiz
• 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
• Assunto(s): Aprendizado computacional Saúde Análise de séries temporais Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Saúde | Séries Temporais | Inteligência Artificial

Resumo

Esta pesquisa propõe o desenvolvimento e a avaliação de redes neurais profundas para a análise de séries temporais em aplicações de saúde, com ênfase em dados provenientes de repositórios de dados reais, como o PhysioBank. Inicialmente, serão conduzidos estudos experimentais para comparar algoritmos de classificação e regressão extrínseca, identificando diretrizes de padronização dos dados e avaliando suas vantagens e limitações no contexto da saúde. Como alternativa à custosa exploração manual de algoritmos, propõe-se o uso de técnicas de meta-aprendizado e otimização Bayesiana para recomendar automaticamente modelos e hiperparâmetros adequados com base nas características dos dados. A pesquisa será realizada com dados de equipamentos médicos especializados, garantindo menor influência de ruídos e artefatos externos, e será estendida posteriormente para dados de mHealth.