A fim de se utilizar algoritmos de Aprendizado de Máquina para tarefas de classificação, é admitida a existência de um conjunto de exemplos rotulados, conhecido como conjunto de treinamento, o qual é utilizado para o treinamento do classificador. Entretanto, em casos reais, esse conjunto de treinamento pode não conter um número de exemplos suficientemente grande para se induzir um bom classificador. Recentemente, a comunidade científica tem mostrado um grande interesse em uma variação dessa abordagem de aprendizado supervisionado. Essa nova abordagem, conhecida como aprendizado semi-supervisionado, assume que, juntamente com o conjunto de treinamento, há um segundo conjunto, de exemplos não rotulados, também disponível durante o treinamento. Uma das metas do aprendizado semi-supervisionado é o treinamento de classificadores quando uma grande quantidade de exemplos não rotulados está disponível juntamente com um pequeno conjunto de exemplos rotulados. A motivação para o aprendizado semi-supervisionado deve-se ao fato que, em muitas aplicações do mundo real, conjuntos de exemplos não rotulados são facilmente encontrados ou muito baratos para serem coletados, quando comparados aos conjuntos de exemplos rotulados. Um outro fator é que exemplos não rotulados podem ser coletados de forma automática enquanto os rotulados necessitam de especialistas ou outros custosos recursos de classificação. Os exemplos não rotulados podem ser utilizados de diversas maneiras. Neste trabalho é explorado um mecanismo no qual os exemplos não rotulados podem ser utilizados para melhorar tarefas de classificação e é proposto um algoritmo semi-supervisionado, denominado k-meanski, o qual viabiliza o uso de exemplos não rotulados em aprendizado supervisionado. A técnica utilizada pelo algoritmo proposto está baseada em duas premissas. A primeira delas é que os exemplos tendem a se agrupar naturalmente em clusters, ao invés de se distribuirem uniformemente no espaço de descrição dos exemplos. Além disso, cada exemplo do conjunto inicial de exemplos rotulados deve estar localizado perto do centro de um dos clusters existentes no espaço de descrição de exemplos. A segunda premissa diz que a maioria dos exemplos nos clusters pertencem a uma classe específica. Obviamente, a validade dessas premissas é dependente do conjunto de dados utilizado. O algoritmo k-meanski funciona bem nos casos em que os dados estão em conformidade com ambas as premissas. Entretanto, caso elas sejam violadas, a performance do algoritmo não será boa. São mostrados experimentos utilizando conjuntos de dados do mundo real, escolhendo-se aleatoriamente exemplos desses conjuntos para atuarem como exemplos rotulados.

A fim de se utilizar algoritmos de Aprendizado de Máquina para tarefas de classificação, é admitida a existência de um conjunto de exemplos rotulados, conhecido como conjunto de treinamento, o qual é utilizado para o treinamento do classificador. Entretanto, em casos reais, esse conjunto de treinamento pode não conter um número de exemplos suficientemente grande para se induzir um bom classificador. Recentemente, a comunidade científica tem mostrado um grande interesse em uma variação dessa abordagem de aprendizado supervisionado. Essa nova abordagem, conhecida como aprendizado semi-supervisionado, assume que, juntamente com o conjunto de treinamento, há um segundo conjunto, de exemplos não rotulados, também disponível durante o treinamento. Uma das metas do aprendizado semi-supervisionado é o treinamento de classificadores quando uma grande quantidade de exemplos não rotulados está disponível juntamente com um pequeno conjunto de exemplos rotulados. A motivação para o aprendizado semi-supervisionado deve-se ao fato que, em muitas aplicações do mundo real, conjuntos de exemplos não rotulados são facilmente encontrados ou muito baratos para serem coletados, quando comparados aos conjuntos de exemplos rotulados. Um outro fator é que exemplos não rotulados podem ser coletados de forma automática enquanto os rotulados necessitam de especialistas ou outros custosos recursos de classificação. Os exemplos não rotulados podem ser utilizados de diversas maneiras. Neste trabalho é explorado um mecanismo no qual os exemplos não rotulados podem ser utilizados para melhorar tarefas de classificação e é proposto um algoritmo semi-supervisionado, denominado k-meanski, o qual viabiliza o uso de exemplos não rotulados em aprendizado supervisionado. A técnica utilizada pelo algoritmo proposto está baseada em duas premissas. A primeira delas é que os exemplos tendem a se agrupar naturalmente em clusters, ao invés de se distribuirem uniformemente no espaço de descrição dos exemplos. Além disso, cada exemplo do conjunto inicial de exemplos rotulados deve estar localizado perto do centro de um dos clusters existentes no espaço de descrição de exemplos. A segunda premissa diz que a maioria dos exemplos nos clusters pertencem a uma classe específica. Obviamente, a validade dessas premissas é dependente do conjunto de dados utilizado. O algoritmo k-meanski funciona bem nos casos em que os dados estão em conformidade com ambas as premissas. Entretanto, caso elas sejam violadas, a performance do algoritmo não será boa. São mostrados experimentos utilizando conjuntos de dados do mundo real, escolhendo-se aleatoriamente exemplos desses conjuntos para atuarem como exemplos rotulados.

Made available in DSpace on 2014-06-12T15:54:38Z (GMT). No. of bitstreams: 2 arquivo1983_1.pdf: 1880375 bytes, checksum: 3e607e8a193587ce0ea6508c676eef4e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O volume de dados de expressão gênica vem crescendo exponencialmente nos ultimos anos devido as novas tecnologias da Biologia Molecular, que permitem medir a expressão de milhares de genes ao mesmo tempo. A analise computacional desses dados tem grande importância na Biologia e na Medicina. Ela permite, por exemplo, a descoberta de novas classes de câncer biologicamente e clinicamente significantes e a identificação de novas funções dos genes. As tecnicas de Aprendizado de Maquina não-supervisionado fazem parte da metodologia de analise usada pelos especialistas. Existem diversos algoritmos de agrupamento de dados, cada um procurando particionar os dados de uma maneira especifica. A escolha desse algoritmo e fundamental para a qualidade do agrupamento e, portanto, para a analise adequada dos resultados. Propomos uma metodologia de meta-aprendizado para a escolha dos algoritmos de agrupamento de dados no contexto de dados de expressão gênica de celulas cancergenas. Ate o momento, o meta-aprendizado vinha sendo utilizado apenas no contexto supervisionado. Nesta Dissertação, estendemos esse conceito para problemas não-supervisionados. Usamos bases de dados de diferentes experimentos com microarrays de varios estudos sobre câncer. Extraimos caracteristicas relevantes de cada base de dados a fim de emprega-las no aprendizado de Redes Neurais, k- Vizinhos Mais Proximos e Maquinas de Vetores Suporte, utilizados como meta-aprendizes. Esses metodos foram usados como sistemas de aprendizado para predizer a ordem de desempenho dos algoritmos de agrupamento, bem como selecionar o melhor algoritmo, de acordo com essas caracteristicas. Realizamos um conjunto de experimentos para validar o uso de cada meta-aprendiz. Nesse contexto, mostramos que, em media, os rankings sugeridos pelas Maquinas de Vetores Suporte são significativamente mais correlacionados com o ranking ideal do que aqueles obtidos com o ranking default. Conseguimos realizar um estudo inovador que pode ser expandido para dados de outros contextos, servindo como ponto de partida para novas abordagens

Made available in DSpace on 2014-06-12T16:00:15Z (GMT). No. of bitstreams: 2 arquivo6165_1.pdf: 1230278 bytes, checksum: 064886e8d1500344414739f1068f03b3 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Meta-Aprendizado tem crescido nos últimos anos devido ao desenvolvimento de assistentes para seleção de algoritmos, com o desafio de predizer quando um algoritmo de aprendizagem é mais adequado do que outro a partir das características dos problemas abordados. O meta-aprendizado surge originalmente para auxiliar a seleção de algoritmos em problemas de aprendizagem de máquina e mineração de dados, particularmente em classificação e regressão. Em anos recentes, meta-aprendizado tem sido extrapolado para seleção de algoritmos em outros domínios de aplicações, como sistemas de planejamento, otimização, bioinformática e previsão de séries temporais. Nesse trabalho, focamos particularmente, em meta-aprendizado no contexto de previsão de séries temporais que tem sido usado em diferentes contextos para diminuir riscos na tomada de decisão. Estudos foram realizados para seleção de modelos de previsão aplicados às séries anuais da M3-competition. Nesses estudos, diferentes algoritmos foram utilizados no meta-aprendizado como o algoritmo kNN, árvores de decisão e support vector machines. Os resultados mostraram que os algoritmos de aprendizado de fato são capazes de predizer os melhores modelos de previsão a partir das características das séries temporais

Nesta tese são investigados três problemas básicos em aprendizado supervisionado: seleção de atributos, composição de atributos e combinação de classificadores simbólicos. A seleção de atributos é uma atividade de pré-processamento de dados que seleciona um subconjunto de atributos do conjunto original de exemplos. Existem, basicamente, três abordagens que são empregadas para a seleção de atributos: embutida, filtro e wrapper; as duas últimas pesquisadas neste trabalho. Os experimentos realizados, utilizando diversos indutores e conjuntos de exemplos, para avaliar as abordagens filtro e wrapper nos permitem concluir que o uso de filtros deve ser considerado antes de se cogitar a utilização de wrappers, no caso de existirem muitos atributos para descrever os exemplos. Sob a perspectiva de compreensibilidade do conhecimento induzido, a análise sobre o impacto da seleção de atributos em um classificador simbólico mostrou um aumento do número de regras e do número de condições por regra. A composição de atributos, também conhecida como indução construtiva, é outra atividade de pré-processamento de dados. Dentre as várias abordagens de composição de atributos (guiada por dados, por hipótese, por conhecimento e multi-estratégia), nesta tese é proposta uma metodologia para composição de atributos guiada pelo conhecimento. Os resultados dos experimentos realizados utilizando a metodologia proposta mostram que, mesmo com o auxílio do usuário/especialista, é difícil construir atributos derivados que sejam realmente relevantes para aprender o conceito embutido nos conjuntos de exemplos analisados de repositórios (naturais), os quais, muitas vezes, já foram pré-processados. Esse fato foi confirmado, por um trabalho posterior, com dados do mundo real, no qual a metodologia proposta mostrou seu potencial. A combinação de classificadores, simbólicos ou não, é uma atividade de mineração de dados. Na realidade, uma das preocupações do Aprendizado de Máquina simbólico é que os classificadores induzidos devem ser fáceis de serem compreendidos pelos seres humanos. Para isso, deve-se escolher o indutor com bias mais adequado para cada tipo de situação, já que pesquisas mostraram que não existe o 'melhor' indutor para todos os domínios. Aliada a essa escolha, é possível fazer uso de vários classificadores, combinando-os num único classificador final, formando um ensemble. Os ensembles possuem a tendência de melhorar o desempenho na classificação de exemplos não vistos durante o processo de aprendizado. Entretanto, o emprego de ensembles dificulta a compreensão humana sobre o comportamento do classificador final, já que ele deixa de ser simbólico, mesmo assumindo que cada classificador individual que o compõe seja simbólico. Na realidade, a combinação de classificadores simbólicos - provenientes de diferentes indutores - em um classificador final também simbólico é um tópico novo de pesquisa, ainda com poucos resultados divulgados. Com o objetivo de preencher essa lacuna, é proposto e desenvolvido neste trabalho o sistema Xruler. Para isso, inicialmente foi definido o formato padrão de regras PBM, o qual fornece uma perspectiva unificada sob a qual todo classificador simbólico pode ser convertido e analisado. Dentre outros componentes, o sistema Xruler possui um algoritmo de cobertura que pode ser aplicado ao conjunto de regras induzidas por diversos indutores para se obter um classificador simbólico final. Nos experimentos realizados com o sistema Xruler os resultados obtidos mostraram aumento da precisão e redução do número de regras. Sob o aspecto sintático das regras, isso pode ser considerado um avanço no sentido de uma maior compreensibilidade por seres humanos do conjunto final de regras.

Made available in DSpace on 2019-03-30T00:08:52Z (GMT). No. of bitstreams: 0 Previous issue date: 2016-05-27 / The EducationalRoboticsfieldinvolvesoperatingpracticesandprototypingofrobots in ordertocreate a learningscenarioableenablestudentstoconstructtheirownknowledgeanddeveloplogicalreasoning, oncethatthestudents design, programand build theirrobots. Integratingtheseconceptstoconstructionism, whichisbasedontheconstructionofknowledgefrom a concrete action, thisworkaimstoinvestigatetheinfluenceoftheintegrationofthesetwofieldsonthelearningprocessofthehighereducationand high schoolstudents. The aimistoawaken in thestudent a creativethought, systematicreasoningandcollaborativework, as well as establishingofknowledge in a playfulmanner, fromcontentstudied in theclassroom. Toanalyzetheproposedlearningenvironment, the performance ofstudentstocarry out thetasksdefinedbythedocent, andtheapplicationofquestionnairesbeforeandaftereachpracticewereconsidered. Afteranalyzingthe data, it becameclearthatthe use ofEducationalRoboticsintegratedwiththeConstructionismisaninnovative tool, motivatinganddynamizing in theprocessofteachingandlearning, pointing out that its use ispropelling for theconstructionofknowledge. Keywords: EducationalRobotics, Constructivism, Teaching, Learning, Knowledge. / A área da Robótica Educacional envolve práticas de operação e fabricação de robôs com o intuito de criar um cenário de aprendizagem capaz de possibilitar aos alunos construírem o próprio conhecimento e desenvolver o raciocínio lógico, uma vez que que os alunos projetam, programam e constroem os seus robôs. Integrando estes conceitos ao Construcionismo, que é baseado na construção do conhecimento a partir de uma ação concreta, este trabalho busca investigar a influência da integração destas duas áreas sobre o processo de aprendizagem de alunos do ensino superior e médio. O objetivo é despertar no aluno um pensamento criativo, raciocínio sistemático e trabalho colaborativo, bem como a fixação do conhecimento, de forma lúdica, do conteúdo estudado em sala de aula. Para analisar o ambiente de aprendizado proposto, os desempenhos dos alunos para realizar as tarefas definidas pelo docente foram avaliados, bem como a aplicação de questionários antes e depois de cada prática. Após análise dos dados, ficou evidente que a utilização da Robótica Educacional integrada com o Construcionismo é uma ferramenta inovadora, motivadora e dinamizadora no processo de ensino e aprendizagem, ressaltando que a sua utilização é propulsora para a construção do conhecimento. Palavras-chave: Robótica Educacional, Construcionismo, Ensino, Aprendizagem, Conhecimento.

Made available in DSpace on 2019-03-29T23:22:32Z (GMT). No. of bitstreams: 0 Previous issue date: 2009-12-21 / This work presents a study on the characterization and evaluation of six new heterogeneous committees machines algorithms, which are aimed at solving problems of pattern classification. These algorithms are extensions of models which are already found in the literature and have been successfully applied in different fields of research. Following two approaches, evolutionary and constructive, different machine learning algorithms (inductors) can be used for induction of components of the ensemble to be trained by standard Bagging, Boosting or MultiBoosting on the resampled data, aiming at the increasing of the diversity of the resulting composite model. As a means of automatic configuration of different types of components, we adopt a customized genetic algorithm for the first approach and greedy search for the second approach. For purposes of validation of the proposal, an empirical study has been conducted involving 10 different types of inductors and 18 classification problems taken from the UCI repository. The acuity values obtained by the evolutionary and constructive heterogeneous ensembles are analyzed based on those produced by models of homogeneous ensembles composed of the 10 types of inductors we have utilized, and the majority of the results evidence a gain in performance from both approaches. Keywords: Machine learning, Committee machines, Bagging, Wagging, Boosting, MultiBoosting, Genetic algorithm. / Este trabalho apresenta um estudo quanto à caracterização e avaliação de seis novos algoritmos de comitês de máquinas heterogêneos, sendo estes destinados à resolução de problemas de classificação de padrões. Esses algoritmos são extensões de modelos já encontrados na literatura e que vêm sendo aplicados com sucesso em diferentes domínios de pesquisa. Seguindo duas abordagens, uma evolutiva e outra construtiva, diferentes algoritmos de aprendizado de máquina (indutores) podem ser utilizados para fins de indução dos componentes do ensemble a serem treinados por Bagging, Boosting ou MultiBoosting padrão sobre os dados reamostrados, almejando-se o incremento da diversidade do modelo composto resultante. Como meio de configuração automática dos diferentes tipos de componentes, adota-se um algoritmo genético customizado para a primeira abordagem e uma busca de natureza gulosa para a segunda abordagem. Para fins de validação da proposta, foi conduzido um estudo empírico envolvendo 10 diferentes tipos de indutores e 18 problemas de classificação extraídos do repositório UCI. Os valores de acuidade obtidos via ensembles heterogêneos evolutivos e construtivos são analisados com base naqueles produzidos por modelos de ensembles homogêneos compostos pelos 10 tipos de indutores utilizados, sendo que em grande parte dos casos os resultados evidenciam ganhos de desempenho de ambas as abordagens. Palavras-chave: Aprendizado de máquina, Comitês de máquinas, Bagging, Wagging, Boosting, MultiBoosting, Algoritmo genético.

Tese de mestrado integrado. Engenharia Informática e computação. Faculdade de Engenharia. Universidade do Porto. 2012

Made available in DSpace on 2016-08-29T11:11:38Z (GMT). No. of bitstreams: 1 tese_5628_Dissertação Maria Riziane Costa Prates.pdf: 3127661 bytes, checksum: 8a33b331e5faedab4386dfabead9e023 (MD5) Previous issue date: 2012-03-26 / Problematiza as interdiscursividades sobre currículo e infância, com professoras e crianças, em um Centro Municipal de Educação Infantil na cidade de Serra - Espírito Santo. Potencializa a emergência de outras possíveis singularidades nas práticas curriculares, a partir dos movimentos inventivos instaurados nas experimentações educativas: formações continuadas; sala de aula e outros espaços; planos de organização e imanência; nas expansões produzidas como arte do encontro pelo brincar, pela música e vivências na diferença como agenciamentos de afeto, favorecendo um aprendizado inventivo. Tem como principais intercessores teóricos: Gilles Deleuze, Felix Guattari e Michel Foucault nas suas interlocuções com Espinosa. Utiliza uma metodologia cartográfica interdiscursiva, no cotidiano escolar, através de uma perspectiva de análise micropolítica, referente aos movimentos do currículo, no sentido de compreender as práticas curriculares que promovem uma vida mais bonita na educação infantil. Diante disso, o processo se mostrou potente e alegre, a partir das parcerias estabelecidas, do trabalho compartilhado por parte do corpo docente e pela visibilidade de alteridades e infâncias minoritárias. Sendo assim, compor currículos na educação infantil, por aprendizados afetivos, requer ir além do estabelecido. Nos imbricamentos do instituído e instituinte curricular, tornam-se necessárias a qualificação e potencialização do coletivo na escola, valorizando o pensamento inventivo das crianças, seus ritmos pulsantes e latentes.

Dissertação (mestrado)-Universidade de Brasília, Programa de Pós-Graduação em Economia, 2011. / Submitted by Shayane Marques Zica (marquacizh@uol.com.br) on 2011-10-17T10:32:24Z No. of bitstreams: 1 2011_RicardoVieiraBarroso.pdf: 2396045 bytes, checksum: 05f85081699ece47e2f4aeab6dcd990f (MD5) / Approved for entry into archive by Elzi Bittencourt(elzi@bce.unb.br) on 2011-11-21T14:30:39Z (GMT) No. of bitstreams: 1 2011_RicardoVieiraBarroso.pdf: 2396045 bytes, checksum: 05f85081699ece47e2f4aeab6dcd990f (MD5) / Made available in DSpace on 2011-11-21T14:30:39Z (GMT). No. of bitstreams: 1 2011_RicardoVieiraBarroso.pdf: 2396045 bytes, checksum: 05f85081699ece47e2f4aeab6dcd990f (MD5) / Este trabalho apresenta um modelo dinâmico computacional de rede de bancos que permite o estudo do impacto de medidas regulatórias ou de alterações na estrutura do mercado interbancário sobre a resiliência da rede a choques extremos. Ao contrário de outros estudos nesta área, que em geral se baseavam em modelos estáticos onde as inter-relações bancárias eram determinadas exógenamente ou de forma aleatória, o modelo proposto procura dotar os bancos de capacidade de aprendizado, de forma que essas inter-relações surjam endogenamente em resposta às restrições dos mercados nos quais os bancos atuam e às mudanças dos parâmetros representativos das medidas regulatórias. Adicionalmente, o modelo permite elevado grau de heterogeneidade entre os bancos, tornando bastante amplo o leque de questões que poderiam ser estudadas a partir dele. Os resultados apresentados, utilizando variáveis agregadas do modelo,mostram que os bancos efetivamente aprendem a otimizar suas ações em busca da maximização de seus lucros e respondem de acordo com o esperado para determinadas mudanças nos parâmetros do modelo. As relações interbancárias surgem naturalmente, com a liquidez excedente de alguns bancos fluindo para outros bancos com escassez de liquidez, aumentando a capacidade de o sistema bancário assim construído emprestar para a economia real. Alguns resultados interessantes também podem ser observados ao submeter o modelo a choques de estresse, particularmente o fato de que o aumento da exigência de capital para os bancos diminui drasticamente o número de inadimplências no caso de choques macroeconômicos, não sendo,no entanto, tão efetivo para evitar o risco sistêmico (contágio) no caso de choques externos em apenas um banco da rede por vez. Ao contrário, a introdução de uma câmara de pagamentos com garantias reduz a possibilidade de risco sistêmico de forma significativa para os dois tipos de choques. _______________________________________________________________________________ ABSTRACT / This study presents a computational dynamic model of a bank network to study the impact of regulatory measures or changes in the structure of the interbank market on the network resilience to external shocks. Unlike other studies in this area, which generally relied on static models where the inter-bank relationships were determined exogenously and randomly, the proposed model provides the banks the ability to learn, so that these interrelationships emerge endogenously in response to restrictions in the markets in which the banks operate and to the change of parameters representative of regulatory measures. Additionally, the model allows a high degree of heterogeneity among banks, making it possible to study a wide range of issues. The results, using aggregate variables of the model, show that banks actually learn to optimize their actions in pursuit of maximizing profits and they respond as expected to certain changes in model parameters. The inter-bank relationship arises naturally, with the surplus liquidity of some banks flowing to other banks with liquidity shortages, increasing the capacity of the banking system to lend to the real economy. Some interesting results can also be observed by subjecting the model to shocks of stress, particularly the fact that increased capital requirements for banks will dramatically reduce the number of defaults in the case of macroeconomic shocks, despite, however, not being as effective to avoid systemic risk (contagion) in the case of external shocks in only one bank of the network at a time. In contrast, the introduction of a clearinghouse with guarantees reduces significantly the possibility of systemic risk for both types of shocks.