possui graduação em Ciência de Computação pela Universidade de São Paulo (2001), doutorado em Ciência da Computação pela Universidade de São Paulo - São Carlos (2006) e pós-doutorado em Ciência da Computação pela Universidade de São Paulo - São Carlos (2007). Foi docente da Universidade Federal do ABC de 2007 a 2012 e da Universidade Federal de São Paulo de 2012 a 2018. Atualmente é Professora Associada no Instituto Tecnológico de Aeronáutica. Tem experiência na área de Ciência da Computação, atuando principalmente nos seguintes temas: mineração de dados, aprendizado de máquina supervisionado e ciência de dados. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
A área de Meta-aprendizado (MtL, do Inglês Meta-learning) emprega conhecimento acerca de problemas previamente solucionados por técnicas de Aprendizado de Máquina (AM) para oferecer suporte à seleção automatizada de algoritmos a serem usados na solução de novos problemas. Contudo, muito mais meta-conhecimento pode ser extraído do relacionamento de propriedades de dados a medidas de desemp…
As técnicas de Aprendizado de Máquina (AM) foram empregadas com sucesso na solução de diversos problemas de classificação de dados. Recentemente alguns trabalhos têm se voltado a entender como características quantitativas a respeito da complexidade dos conjuntos de dados para classificação, tais como, a sobreposição geométrica entre classes afetam o desempenho das técnicas de AM. Entre a…
A aprendizagem por transferência é uma estratégia popular para usar o conhecimento extraído de um determinado domínio de origem para resolver outra tarefa alvo. Existem muitas estratégias para aprendizagem por transferência, desde a amostragem de parte dos dados do domínio de origem até o uso de modelos induzidos em um domínio de origem como soluções iniciais para resolver as tarefas alvo…
Vários problemas podem deteriorar a qualidade dos dados usados em Aprendizado de Máquina. Dentre eles, pode-se citar a qualidade dos atributos, que podem ser prejudicados pela presença de ruídos e dados ausentes. O ruído pode ser inserido nos dados em várias etapas durante a coleta, armazenamento e transmissão de dados. Em problemas supervisionados, eles podem estar presentes tanto nos ró…
O repositório OpenML é amplamente utilizado pela comunidade de Aprendizado de Máquina (ML), armazenando um grande número de conjuntos de dados juntamente com os resultados de experimentos computacionais realizados nos mesmos dados. Algumas meta-análises de conjuntos de dados de ML também são fornecidas no repositório MATILDA (Melbourne Algorithm Test Instance Library with Data Analytics).…
O Meta-learning (MtL) tradicionalmente tem se concentrado na análise de um conjunto de conjuntos de dados e como suas características se relacionam com o desempenho de classificação de Machine Learning (ML). No entanto, uma análise mais detalhada pode ser realizada no nível da instância, onde as características específicas de cada instância de um conjunto de dados são consideradas. Com ba…
Plataformas online como Kaggle têm sido usadas por empresas para lançar desafios de análise de dados. O objetivo deste trabalho é gerar um meta-conjunto de dados no formato atributo-valor que reúna características de conjuntos de dados de algumas das competições e também o desempenho alcançado por um conjunto de técnicas em sua solução. Finalmente, o nível de dificuldade dos desafios será…
O aprendizado de máquina sem dúvida transformou a pesquisa em ciência da computação, promovendo avanços tecnológicos significativos ao permitir que os computadores aprendam com dados, tomem decisões e reconheçam padrões de forma autônoma. Embora existam inúmeros algoritmos de aprendizado de máquina (ML), já foi demonstrado que nenhum algoritmo é superior em todos os conjuntos de dados pos…
Abordagens de aprendizado de máquina (ML) têm se tornado uma solução amplamente estudada para problemas desafiadores que são difíceis de quantificar ou resolver usando métodos tradicionais. Um dos primeiros desafios na resolução de um problema de ML é determinar qual algoritmo se ajusta melhor ao seu domínio de instância. Como nenhum único algoritmo de ML pode alcançar desempenho ótimo em…
Vários problemas podem deteriorar a qualidade dos dados no Aprendizado de Máquina. Dentre eles, pode-se citar a qualidade dos atributos de entrada, que pode ser prejudicada pela presença de ruídos e dados faltantes. O ruído pode ser inserido nos dados em várias etapas durante a coleta, armazenamento e transmissão. Em problemas supervisionados, eles podem estar presentes tanto nos rótulos …
A combinação de classificadores e a formação de modelos múltiplos preditivos, ou comitês, é uma estratégia popular para unir técnicas de classificação de vieses diferentes e explorar suas potencialidades complementares. Neste projeto, pretende-se investigar a geração de comitês de classificadores para problemas de Aprendizado de Máquina Multi-Visão. O Aprendizado Multi-Visão é um paradigm…
A Inteligência Artificial revolucionou diversas áreas do conhecimento humano e tornou-se muito popular na última década. Os algoritmos de Aprendizagem de Máquina (ML) supervisionados são os principais protagonistas dessa revolução e sempre que um novo algoritmo de ML supervisionado é desenvolvido ou apresentado, é crucial avaliar seu desempenho preditivo em diversos conjuntos de dados par…
CV Lattes
ORCID