Texto completo
| |
| Autor(es): |
Antônio José de Lima Batista
Número total de Autores: 1
|
| Tipo de documento: | Dissertação de Mestrado |
| Imprenta: | São Carlos. |
| Instituição: | Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) |
| Data de defesa: | 2016-08-08 |
| Membros da banca: |
Ricardo José Gabrielli Barreto Campello;
Rodrigo Coelho Barros;
Estevam Rafael Hruschka Júnior;
Rodrigo Fernandes de Mello
|
| Orientador: | Ricardo José Gabrielli Barreto Campello |
| Resumo | |
Algoritmos de aprendizado semi-supervisionado ativo podem se configurar como ferramentas úteis em cenários práticos em que os dados são numerosamente obtidos, mas atribuir seus respectivos rótulos de classe se configura como uma tarefa custosa/difícil. A literatura em aprendizado ativo destaca diversos algoritmos, este trabalho partiu do tradicional Hierarchical Sampling estabelecido para operar sobre hierarquias de grupos. As características de tal algoritmo o coloca à frente de outros métodos ativos, entretanto o mesmo ainda apresenta algumas dificuldades. A fim de aprimorá-lo e contornar suas principais dificuldades, incluindo sua sensibilidade na escolha particular de uma hierarquia de grupos como entrada, este trabalho propôs estratégias que possibilitaram melhorar o algoritmo na sua forma original e diante de variantes propostas na literatura. Os experimentos em diferentes bases de dados reais mostraram que o algoritmo proposto neste trabalho é capaz de superar e competir em qualidade dentro do cenário de classificação ativa com outros algoritmos ativos da literatura. (AU) | |
| Processo FAPESP: | 14/01352-0 - Métodos de Aprendizado Semi-Supervisionado Ativo para Classificação e Agrupamento de Dados |
| Beneficiário: | Antônio José de Lima Batista |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |