[pt] Na análise de séries temporais, os modelos lineares amplamente difundidos e utilizados, como regressões lineares e modelos auto-regressivos, não são capazes de capturar sua natureza muitas vezes não-linear,oferecendo resultados insatisfatórios. Séries financeiras, por exemplo, apresentam este tipo de comportamento. Ao longo dos últimos anos, houve o surgimento de muitos modelos não lineares para análise de séries temporais, tanto estatísticos como de inteligência computacional, baseados em redes neurais. Esta dissertação se propõe a analisar a performance do modelo STAR-Tree sob diversos cenários de conFiguração, parametrização e metodologias de estimação. Esta classe de modelos subdivide os dados de uma série temporal em regiões distintas que atendem critérios especificados em funções chamadas de pertinências. A cada região é atribuído um modelo linear auto-regressivo. Cada dado estimado pode estar em alguma das regiões com algum grau de pertinência determinado pelas funções fornecidas pelo modelo principal. Fatores como a proximidade das regiões, a suavidade das funções de pertinência e a falta de diversidade nos dados podem dificultar a estimação dos modelos. Para avaliar a qualidade das estimações sob os diversos cenários, foi construído um sistema capaz de gerar séries artificiais, importar séries externas, estimá-las sob a modelagem STAR-Tree, e gerar simulações de Monte Carlo que avaliam a qualidade da estimação de parâmetros e a capacidade de detecção das estruturas de árvore do modelo. Ele foi utilizado como ferramenta para realizar as análises presentes na dissertação, e permitiu que se testassem diferentes conFigurações de métodos e parametrizações com facilidade. / [en] In time series analysis, linear models that have been broadly used, such as linear regressions and auto-regressive models, are not able to capture the some times non linear nature of some data, offering poor estimation results. Financial series, for instance, show that kind of behavior. Over the last years, a great number of non linear models have been developed in order to analyze time series, some of them statistical, others based on computational intelligence techniques such as neural networks. The purpose of this dissertation is to analyze the performance of the STAR-Tree model under distinct scenarios that differ in model specification, parameterization and estimation methodologies. This class of models splits time series data into individual regions which fulfill the criteria set up by functions called pertinences. A linear model then is selected for each one of those regions. Each estimated data point can belong to one of the mentioned regions with some degree of pertinence, supplied by the above mentioned pertinence functions. Aspects like the proximity between regions, the smoothness of the pertinence functions and the lack of diversity in real data can significantly affect the estimation of models. In order to evaluate the quality of the estimations under the different proposed scenarios, a software was developed with the capabilities of generating artificial time series, importing external series, estimating them under the STAR-Tree model, and generating Monte Carlo simulations that evaluate the quality of parameter estimation and the tree structure detection capability of the model. The software was used as the single tool to generate this dissertation’s analyses, and allowed that different model specifications and methods could be tested without difficulty.

[pt] Neste trabalho um novo modelo de mistura de distribuições é proposto, onde a estrutura da mistura é determinada por uma árvore de decisão com transição suave. Modelos baseados em mistura de distribuições são úteis para aproximar distribuições condicionais desconhecidas de dados multivariados. A estrutura em árvore leva a um modelo que é mais simples, e em alguns casos mais interpretável, do que os propostos anteriormente na literatura. Baseando-se no algoritmo de Esperança- Maximização (EM), foi derivado um estimador de quasi- máxima verossimilhança. Além disso, suas propriedades assintóticas são derivadas sob condições de regularidades. Uma estratégia de crescimento da árvore, do especifico para o geral, é também proposta para evitar possíveis problemas de identificação. Tanto a estimação quanto a estratégia de crescimento são avaliados em um experimento Monte Carlo, mostrando que a teoria ainda funciona para pequenas amostras. A habilidade de aproximação universal é ainda analisada em experimentos de simulação. Para concluir, duas aplicações com bases de dados reais são apresentadas. / [en] In this work a new model of mixture of distributions is proposed, where the mixing structure is determined by a smooth transition tree architecture. Models based on mixture of distributions are useful in order to approximate unknown conditional distributions of multivariate data. The tree structure yields a model that is simpler, and in some cases more interpretable, than previous proposals in the literature. Based on the Expectation-Maximization (EM) algorithm a quasi-maximum likelihood estimator is derived and its asymptotic properties are derived under mild regularity conditions. In addition, a specific-to-general model building strategy is proposed in order to avoid possible identification problems. Both the estimation procedure and the model building strategy are evaluated in a Monte Carlo experiment, which give strong support for the theorydeveloped in small samples. The approximation capabilities of the model is also analyzed in a simulation experiment. Finally, two applications with real datasets are considered.

Os últimos anos foram marcados por um avanço expressivo da tecnologia, principalmente na área de computação. Estes avanços, quando somados à diversidade de produtos oferecidos por empresas de diferentes segmentos, e aos esforços destas em capturar e armazenar dados de seus clientes e de suas operações, ajudam a explicar a quantidade de informações que atualmente é produzida. As organizações, em geral, têm se mostrado eficientes em capturar, organizar e armazenar grandes quantidades de dados, mas nem todas os utilizam adequadamente, no sentido de transformá-los em conhecimentos úteis para suas atividades. Algoritmos de aprendizado de máquina são uma ferramenta computacional poderosa para aquisição de conhecimento a partir da experiência. A utilização desses algoritmos permite avanços e descobertas que conferem vantagem competitiva às empresas. A tarefa de aprendizado de máquina mais comum é o aprendizado supervisionado, cujo objetivo é aprender um modelo preditivo a partir de um conjunto de dados. Esse modelo deve ser capaz de generalizar o conhecimento adquirido para dados desconhecidos. Isso permite que o modelo tenha uma boa capacidade preditiva. Uma aplicação importante e bastante utilizada do aprendizado supervisionado são os problemas de classificação, comumente encontrados na indústria financeira. Um dos desafios dessa indústria é prever a capacidade de pagamento de seus clientes, classificando-os como bons ou maus pagadores. Neste trabalho, cinco algoritmos de aprendizado de máquina supervisionado foram investigados e aplicados à um problema real de classificação: regressão logística, classificadores bayesianos, k-vizinhos mais próximos, random forests e redes neurais. Como o desempenho desses algoritmos é afetado pelas variáveis utilizadas, técnicas de seleção de variáveis foram aplicadas ao conjunto de dados original. O uso dessas técnicas permite reduzir o tempo computacional, removendo informações redundantes e irrelevantes. Medidas de desempenho para classificação binária foram utilizadas para avaliar o desempenho preditivo dos modelos gerados pelos cinco algoritmos e compará-los. Como é cada vez mais importante ter modelos facilmente interpretáveis, foram também avaliadas a interpretabilidade e a complexidade dos modelos gerados. / The last few years were remarkable by relevant advances in technology, mainly related to computers. These advances, when added to the diversity of products offered by companies from different segments and their efforts in capturing and storing data from their customers and operations, helps to explain the amount of information that is currently being produced. Overall, the organizations have been efficient in capturing, organizing, and storing large amounts of data, but not all of them uses it adequately to make them useful knowledge for their activities. Learning algorithms are a powerful machine toll to acquire knowledge based on experience. The use of these algorithms allows advances and discoveries that brings a competitive advantage to the companies. The most common machine learning task is supervised learning, whose objective is to learn a predictive model from a set of data. This model should be able to generalize the acquired knowledge to a set of unknown data. This allows the model to have a good predictive capability. An important and widely used application of supervised learning are the classification problems, commonly seen in the financial industry. One of the challenges of this industry is to predict the payment capacity of its customers, rating them as good or bad payers. In this study, five supervised machine learning algorithms, logistic regression, Bayesian classifiers, k-neighbors, random forests and neural networks were investigated and applied to a real classification problem. Since the performance of these algorithms are affected by the variables used, variable selection techniques were applied to the original data set. The use of these techniques allows a computational reduction time by removing redundant and irrelevant information. Performance measures for binary classification were used to evaluate the predictive performance of the models generated by the five algorithms and to compare them. Since it is increasing the importance to have easily interpretable models, the interpretability and complexity of the models generated were also evaluated.

Nas últimas décadas, considerável evidência tem sido direcionada no desenvolvimento de métodos computacionais que analisam os comportamentos não lineares das estruturas. O método da corda é considerado o tipo de método de seguimento de trajetórias que possui a técnica mais comum e versátil para analisar tais comportamentos não lineares. No entanto, testes realizados pelos autores concluem que tais métodos ainda apresentam algumas dificuldades quando as estruturas possuem formas complexas e comportamentos fortemente não lineares. Devido a isso, o objetivo do trabalho em questão é acrescentar duas modificações ao método da corda, a fim de desenvolver um modelo mais seguro e estável. A esses métodos, inclui-se (i) uma equação alternativa para o passo previsor, que tornará o método mais estável ao ultrapassar pontos críticos; e (ii) um parâmetro de controle, que através do conceito de soma dos comprimentos de corda, é chamado de método da corda acumulado. Ao final, por consequência destas alterações, um procedimento mais robusto para o método da corda é obtido. Sua validação é apresentada, pelos autores, através de exemplos utilizando estruturas treliçadas (bidimensionais e tridimensionais) em um programa de simulação numérica desenvolvida. / In the last decades, a considerable effort has been directed to develop of computational methods to analyze the nonlinear behavior of structures. The arc-length method is considered the type of path following method which have the most common and versatile techniques for analyzing such nonlinear behaviors. Nevertheless, tests performed by the authors conclude that such methods present some difficulties when the structures possess complex shapes and strongly nonlinear behaviors. Due to this, the purpose of the present work is to add two amendments to the arc-length method, in order to develop a model safer and more stable. In such methods, it is included (i) an alternative equation for the predictor step, that will make the method most stable to overcoming critical points, and (ii) a control parameter, through the concept of sum of the arc length up to now, referred to as accumulated arc-length method. By the end, as a result of these modifications, a more robust procedure for the method of the string is obtained. And its validation is presented by the authors through examples using truss structures in a two-dimensional and three-dimensional numerical simulation program developed.

A dissertação pretende permitir ao leitor simular a forma de pensar de Daniel Dennett, e perpassa toda sua filosofia, com ênfase em seu tratamento de o que são padrões, o algoritmo evolutivo, intuition pumps, consciência, e seu uso dos conceitos de illata, abstracta, semântica e sintaxe para compreender a natureza, a biologia e a mente humana. O trabalho reapresenta, sob nova luz, grande parte das ideias mais importantes de Dennett, e procura fazer a engenharia reversa de o que o levou a pensar de determinadas maneiras, guiando o leitor através de caminhos similares, procurando fomentar um aprendizado ativo de uma forma de pensar, acima e além de uma exposição dos resultados obtidos ao longo de décadas desse pensamento no próprio Dennett / This dissertation intends to provide the reader with an inner simulation of Daniel Dennetts form of reasoning, spreading over his whole philosophy, emphasizing his treatment of patterns, the evolutionary algorithm, consciousness, and his use of illata, abstracta, semantic, and synthax, to carve nature at its joints, especially biology and the human mind. It recasts, in a new light, great part of his most important ideas, and reverse engineers what made him think in particular ways, walking the reader through similar pathways, fostering an active learning of a thinking style, above and beyond a mere exposition of the results obtained by this thinking style over the years

Esta tese teve como objetivo estudar problemas cinéticos de clustering, ou seja, problemas de clustering nos quais os objetos se movimentam. O trabalho se concentrou no caso unidimensional, em que os objetos são pontos se movendo na reta real. Diversas variantes desse caso foram abordadas. Em termos do movimento, consideramos o caso em que cada ponto se move com uma velocidade constante num dado intervalo de tempo, o caso em que os pontos se movem arbitrariamente e temos apenas as suas posições em instantes discretos de tempo, o caso em que os pontos se movem com uma velocidade aleatória em que se conhece apenas o valor esperado da velocidade, e o caso em que, dada uma partição do intervalo de tempo, os pontos se movem com velocidades constantes em cada subintervalo. Em termos do tipo de clustering buscado, nos concentramos no caso em que o número de clusters é um dado do problema e consideramos diferentes medidas de qualidade para o clustering. Duas delas são tradicionais para problemas de clustering: a soma dos diâmetros dos clusters e o diâmetro máximo de um cluster. A terceira medida considerada leva em conta a característica cinética do problema, e permite, de uma maneira controlada, que o clustering mude com o tempo. Para cada uma das variantes do problema, são apresentados algoritmos, exatos ou de aproximação, alguns resultados de complexidade obtidos, e questões que ficaram em aberto. / This work aimed to study kinetic problems of clustering, i.e., clustering problems in which the objects are moving. The study focused on the unidimensional case, where the objects are points moving on the real line. Several variants of this case have been discussed. Regarding the movement, we consider the case where each point moves at a constant velocity in a given time interval, the case where the points move arbitrarily and we only know their positions in discrete time instants, the case where the points move at a random velocity in which only the expected value of the velocity is known, and the case where, given a partition of the time interval, the points move at constant velocities in each sub-interval. Regarding the kind of clustering sought, we focused in the case where the number of clusters is part of the input of the problem and we consider different measures of quality for the clustering. Two of them are traditional measures for clustering problems: the sum of the cluster diameters and the maximum diameter of a cluster. The third measure considered takes into account the kinetic characteristic of the problem, and allows, in a controlled manner, that a cluster change along time. For each of the variants of the problem, we present algorithms, exact or approximation, some obtained complexity results, and open questions.

A imagem por ressonância magnética (IRM) tem se tornado uma poderosa ferramenta clínica na avaliação da anatomia cerebral. Recentemente, várias técnicas têm tornado possível a caracterização da função cerebral através da estimativa de alguns parâmetros metabólicos. Uma dessas técnicas é a perfusão cerebral, que descreve a passagem de sangue através da rede vascular cerebral, e permite estimar, não invasivamente, algumas características das funções hemodinâmicas tais como Volume de Sangue Cerebral (CBV), Fluxo de Sangue Cerebral (CBF) e Tempo de Trânsito Médio (MTT). Neste trabalho foi desenvolvido um programa computacional, baseado na plataforma Matlab, que analisa as imagens e cria mapas de perfusão. Primeiro foi comparado o desempenho do método de ajuste de curvas convencional Levenberg-Marquardt (LM) versus o Método que utiliza o Algoritmo Genético (AG). Os resultados mostraram que os AGS são muito mais estáveis, com relação aos seus parâmetros de controle, do que o método usual LM e, portanto, fornece evidencias da eficácia do AG em relação ao método convencional. Como um segundo e principal objetivo nós aplicamos o método para construir e examinar os mapas de perfusão em pacientes com anemia falciforme (sickle cell disease -SCD), particularmente em relação a complicações neurológicas e anormalidades vistas como uma técnica de imagem complementar. Além disso, os mapas de perfusão agregam informação a respeito de aspectos funcionais do sistema vascular, que é complementar a informação anatômica. Os nossos resultados com mostraram que esses mapas são uma ferramenta importante para auxiliar na avaliação clínica dos pacientes com anemia falciforme, como também podem ser aplicados para avaliar áreas em risco tão bem quanto ajudar no tratamento clínico de tais pacientes. / Magnetic Resonance Imaging (MRI) has become a powerful clinical tool for evaluation of brain anatomy. Several recently techniques have made possible the characterization of brain function via assessment of metabolic parameters. One of these techniques is the cerebral perfusion, which describes passage of blood through the brain\'s vascular network, and al- lows estimating, non-invasively, some characteristics of hemodynamic functions such as Cerebral Blood Volume (CBV), cerebral blood flow (CBF) and mean transit time (MTT). In this work a computational program was development, based on Matlab platform, which analyze perfusion images and create perfusion maps. First, the performance of conven- tional Levenberg-Marquardt Method (LM) versus a Genetic Algorithms (GAs) was com- pared. The results showed that the GAs are more stable than usual LM method with rela- tion to their control parameters and therefore provides evidence the effectiveness of the GAs with relation to a conventional method. As a second and principal objective we ap- plied the method to construct and examine perfusion maps of patients with sickle cell dis- ease (SCD), particularly in relation to the neurological complications and to abnormalities seen with complementary imaging techniques. Moreover, perfusion maps aggregate infor- mation about functional aspects of the vascular system, which is complementary to ana- tomical information. Our results show that these maps are an important tool to support clinical evaluation of sickle cell disease patients, as it may be applied to evaluate brain areas at risk as well as a help in the clinical treatment of such patients.

As características irrelevantes, presentes em bases de dados de diversos domínios, deterioram a acurácia de predição de classificadores induzidos por algoritmos de aprendizado de máquina. As bases de dados geradas por uma língua eletrônica são exemplos típicos onde a demasiada quantidade de características irrelevantes e redundantes prejudicam a acurácia dos classificadores induzidos. Para lidar com este problema, duas abordagens podem ser utilizadas. A primeira é a utilização de métodos para seleção de subconjuntos de características. A segunda abordagem é por meio de ensemble de classificadores. Um ensemble deve ser constituído por classificadores diversos e acurados. Uma forma efetiva para construção de ensembles de classificadores é por meio de seleção de características. A seleção de características para ensemble tem o objetivo adicional de encontrar subconjuntos de características que promovam acurácia e diversidade de predição nos classificadores do ensemble. Algoritmos genéticos são técnicas promissoras para seleção de características para ensemble. No entanto, a busca genética, assim como outras estratégias de busca, geralmente visam somente a construção do ensemble, permitindo que todas as características (relevantes, irrelevantes e redundantes) sejam utilizadas. Este trabalho apresenta uma abordagem baseada em algoritmos genéticos para construção de ensembles de redes neurais artificiais com um conjunto reduzido das características totais. Para melhorar a acurácia dos ensembles, duas abordagens diferenciadas para treinamento de redes neurais foram utilizadas. A primeira baseada na interrupção precoce do treinamento com o algoritmo back-propagation e a segunda baseada em otimização multi-objetivo. Os resultados obtidos comprovam a eficácia do algoritmo proposto para construção de ensembles de redes neurais acurados. Também foi constatada sua eficiência na redução das características totais, comprovando que o algoritmo proposto é capaz de construir um ensemble utilizando um conjunto reduzido de características. / The irrelevant features in databases of some domains spoil the accuracy of the classifiers induced by machine learning algorithms. Databases generated by an electronic tongue are examples where the huge quantity of irrelevant and redundant features spoils the accuracy of classifiers. There are basically two approaches to deal with this problem: feature subset selection and ensemble of classifiers. A good ensemble is composed by accurate and diverse classifiers. An effective way to construct ensembles of classifiers is to make it through feature selection. The ensemble feature selection has an additional objective: to find feature subsets to promote accuracy and diversity in the ensemble of classifiers. Genetic algorithms are promising techniques for ensemble feature selection. However, genetic search, as well as other search strategies, only aims the ensemble construction, allowing the selection of all features (relevant, irrelevant and redundant). This work proposes an approach based on genetic algorithm to construct ensembles of neural networks using a reduced feature subset of totality. Two approaches were used to train neural networks to improve the ensembles accuracy. The first is based on early stopping with back-propagation algorithm and the second is based on multi-objective optimization. The results show the effectiveness and accuracy of the proposed algorithm to construct ensembles of neural networks, and also, its efficiency in the reduction of total features was evidenced, proving its capacity for constructing an ensemble using a reduced feature subset.

Os simuladores de tráfego são programas computacionais que, através de diversos modelos, tentam simular o tráfego, o comportamento dos motoristas, o desempenho dos veículos, entre outros aspectos que envolvem uma rede viária. Estes modelos precisam ser calibrados para representar as condições de um determinado local. O objetivo da pesquisa foi propor um método de calibração de um microssimulador de tráfego através de dados coletados por estações de monitoramento. O estudo de caso foi realizado através do simulador VISSIM para um trecho do Rodoanel Mário Covas (SP-021), utilizando um algoritmo genético (AG). A calibração envolveu, além dos parâmetros comportamentais dos sub-modelos de car-following e lane-change, o ajuste das distribuições de velocidade desejada dos veículos e um método para simulação do congestionamento. A função fitness do AG foi baseada em três medidas de desempenho: uma que comparava gráficos de fluxo-velocidade simulados e observados e outras duas que comparavam a distribuição do volume de tráfego e o percentual de veículos comerciais por faixa de tráfego. Os resultados mostraram que a medida mais apropriada para a comparação dos gráficos foi a distância de Hausdorff modificada (MHD). A medida MHD também foi fundamental para garantir a ciência do método de simulação de congestionamento de tráfego proposto. O modelo calibrado foi validado usando dados de tráfego coletados em dias diferentes, pela mesma estação de monitoramento. / Traffic simulators are computer programs that, through various models, try to simulate traffic, driver behavior, vehicle performance, and other aspects involved in a road network. These models need calibration to represent local conditions satisfactorily. The objective of the research was to propose a method for the calibration of a traffic microsimulator based on traffic data collected by monitoring stations. To demonstrate the feasibility of the proposed approach, a case study was performed calibrating the simulator VISSIM for a section of Rodoanel Mario Covas (SP-021) using a genetic algorithm (GA). The calibration focused on behavioral parameters for car-following and lane-change submodels, as well as on the desired speed distributions of vehicles and on a method to simulate congestion. The GA fitness function was based on three performance measures: one that compared simulated and observed speed-flow plots, and two that compared the distribution of traffic volume and truck volumes across traffic lanes, respectively. The results showed that the most appropriate measure for comparison of the graphs was the modified Hausdor distance (MHD). MHD was also important to ensure the efficiency of the method used to simulate traffic congestion. The calibrated model was validate using traffic data collected on different days, by the same monitoring station.

Neste projeto estudamos algoritmos de aproximação para o problema da árvore de Steiner com coleta de prêmios. Trata-se de uma generalização do problema da árvore de Steiner, onde é dado um grafo com custos positivos nas arestas e penalidades positivas nos vértices. O objetivo é encontrar uma subárvore do grafo que minimize a soma dos custos das arestas mais a soma das penalidades dos vértices que não pertencem à subárvore. Em 2009, os autores Archer, Bateni, Hajiaghayi e Karloff obtiveram pela primeira vez um algoritmo com fator de aproximação estritamente menor do que 2. Além de analisarmos este algoritmo, estudamos também a implementação de algoritmos 2-aproximação para o problema da árvore de Steiner e da árvore de Steiner com coleta de prêmios. / In this project we analyze approximation algorithms for the prize-collecting Steiner tree problem. This is a generalization of the Steiner tree problem, in which it is given a graph with positive costs in edges and positive penalties in vertices. The goal is to find a subtree of the graph that minimizes the sum of costs of edges plus the sum of the penalties of the vertices that don\'t belong to the subtree. In 2009, the authors Archer, Bateni, Hajiaghayi e Karloff described, for the first time an algorithm with approximation factor strictly less than 2. Besides analyzing this algorithm, we also study the implementation of 2-approximation algorithms to the Steiner tree problem and prize-collecting Steiner tree problem.