Orientadores: Ricardo da Silva Torres, Anderson de Rezende Rocha / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-25T19:48:27Z (GMT). No. of bitstreams: 1 Werneck_RafaeldeOliveira_M.pdf: 2395829 bytes, checksum: 8f190aeb6dbafb841d0c03f7d7099041 (MD5) Previous issue date: 2014 / Resumo: Devido ao grande crescimento do uso de tecnologias para a aquisição de dados, temos que lidar com grandes e complexos conjuntos de dados a fim de extrair conhecimento que possa auxiliar o processo de tomada de decisão em diversos domínios de aplicação. Uma solução típica para abordar esta questão se baseia na utilização de métodos de aprendizado de máquina, que são métodos computacionais que extraem conhecimento útil a partir de experiências para melhorar o desempenho de aplicações-alvo. Existem diversas bibliotecas e arcabouços na literatura que oferecem apoio à execução de experimentos de aprendizado de máquina, no entanto, alguns não são flexíveis o suficiente para poderem ser estendidos com novos métodos, além de não oferecerem mecanismos que permitam o reuso de soluções de sucesso concebidos em experimentos anteriores na ferramenta. Neste trabalho, propomos um arcabouço para automatizar experimentos de aprendizado de máquina, oferecendo um ambiente padronizado baseado em workflow, tornando mais fácil a tarefa de avaliar diferentes descritores de características, classificadores e abordagens de fusão em uma ampla gama de tarefas. Também propomos o uso de medidas de similaridade e métodos de learning-to-rank em um cenário de recomendação, para que usuários possam ter acesso a soluções alternativas envolvendo experimentos de aprendizado de máquina. Nós realizamos experimentos com quatro medidas de similaridade (Jaccard, Sorensen, Jaro-Winkler e baseada em TF-IDF) e um método de learning-to-rank (LRAR) na tarefa de recomendar workflows modelados como uma sequência de atividades. Os resultados dos experimentos mostram que a medida Jaro-Winkler obteve o melhor desempenho, com resultados comparáveis aos observados para o método LRAR. Em ambos os casos, as recomendações realizadas são promissoras, e podem ajudar usuários reais em diferentes tarefas de aprendizado de máquina / Abstract: Due to the large growth of the use of technologies for data acquisition, we have to handle large and complex data sets in order to extract knowledge that can support the decision-making process in several domains. A typical solution for addressing this issue relies on the use of machine learning methods, which are computational methods that extract useful knowledge from experience to improve performance of target applications. There are several libraries and frameworks in the literature that support the execution of machine learning experiments. However, some of them are not flexible enough for being extended with novel methods and they do not support reusing of successful solutions devised in previous experiments made in the framework. In this work, we propose a framework for automating machine learning experiments that provides a workflow-based standardized environment and makes it easy to evaluate different feature descriptors, classifiers, and fusion approaches in a wide range of tasks. We also propose the use of similarity measures and learning-to-rank methods in a recommendation scenario, in which users may have access to alternative machine learning experiments. We performed experiments with four similarity measures (Jaccard, Sorensen, Jaro-Winkler, and a TF-IDF-based measure) and one learning-to-rank method (LRAR) in the task of recommending workflows modeled as a sequence of activities. Experimental results show that Jaro-Winkler yields the highest effectiveness performance with comparable results to those observed for LRAR. In both cases, the recommendations performed are very promising and might help real-world users in different daily machine learning tasks / Mestrado / Ciência da Computação / Mestre em Ciência da Computação

Submitted by Filipe dos Santos (fsantos@pucsp.br) on 2018-07-03T13:31:18Z No. of bitstreams: 1 Dante Marino Malavazzi.pdf: 826042 bytes, checksum: 62a1466111a4dd53db4d06e0b65db113 (MD5) / Made available in DSpace on 2018-07-03T13:31:18Z (GMT). No. of bitstreams: 1 Dante Marino Malavazzi.pdf: 826042 bytes, checksum: 62a1466111a4dd53db4d06e0b65db113 (MD5) Previous issue date: 2018-04-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / A literature review showed divergences regarding the goals and methods of B. F. Skinner’s science. In particular, interpretation was sometimes framed as a goal, and other times referred to as a method. In any case, it is an activity to which Skinner devotes much of his work, although less explored by behavior analysts. Considering the relevance of the theme and the gaps in the field, this research had the general purpose of presenting Skinner’s vision of interpretation, both as goal and method. At the same time, it had as specific purposes (a) to define interpretation, according to Skinner; (b) to point out when and how the author defends its accomplishment; (c) to relate interpretation with other goals and methods proposed by Skinner; (d) to indicate the contributions and limits of interpretation, according to the author. In this regard, I examined 50 texts of Skinner related to the subject, published between 1931 and 1990. First, I read the selected texts, in chronological order and in full, highlighting the excerpts related to the research problem. Then, I reread only the excerpts and made a file for each text, in which I synthesized Skinner's position on the research problem. Lastly, I read the files in chronological order and grouped the data by decades, assigning a subtitle to each period. As much as for goal as it is for method, I argue that interpretation offers theoretical, methodological and technological contributions to Skinner’s science, although it presents limits as an inferential and speculative nature, as well as the plausible and sometimes temporary format. In my view, it is a goal equivalent to the others and a method comparable to the experimental analysis / Uma revisão da literatura mostrou divergências quanto aos objetivos e aos métodos da ciência de B. F. Skinner. Em particular, a interpretação ora foi apontada como objetivo, ora foi indicada como método. De qualquer forma, trata-se de uma atividade a que Skinner dedicou boa parte de sua obra, embora seja menos explorada pelos analistas do comportamento. Considerando a relevância do tema e as lacunas na área, esta pesquisa teve por finalidade geral apresentar a visão de Skinner sobre a interpretação, tanto como objetivo quanto como método. Ao mesmo tempo, teve como propósitos específicos (a) definir a interpretação, conforme Skinner; (b) apontar quando e como o autor defende a sua realização; (c) relacionar a interpretação aos outros objetivos e métodos propostos por Skinner; (d) indicar as contribuições e os limites da interpretação, segundo o autor. Para isso, examinei 50 textos de Skinner ligados ao assunto, publicados entre 1931 e 1990. Primeiro, li os textos selecionados, em ordem cronológica e na íntegra, destacando os trechos relacionados ao problema de pesquisa. Depois, reli apenas os trechos destacados e elaborei um fichamento para cada texto, no qual sintetizei a posição de Skinner sobre o problema de pesquisa. Por fim, li os fichamentos em ordem cronológica e agrupei os dados por décadas, atribuindo um subtítulo a cada período. Seja como objetivo ou como método, defendo que a interpretação oferece contribuições teóricas, metodológicas e tecnológicas à ciência de Skinner, ainda que ela apresente limites como a natureza inferencial e especulativa, bem como o caráter plausível e às vezes temporário. A meu ver, trata-se de um objetivo equivalente aos demais e de um método equiparável à análise experimental