No description available.

Problemas de classificação ordinal podem ser encontrados nas mais diversas áreas, tais como sistemas de recomendação de produtos, sistemas inteligentes de saúde e reconhecimento de imagem. Estes problemas têm como objectivo aprender a classificar uma determinada instância (e.g. um filme) numa escala ordinal (e.g. bom, médio, mau). Uma forma de melhorar o desempenho de problemas de aprendizagem supervisionada (como é o caso da classificação ordinal) é usando métodos de ensemble, onde vários modelos são combinados para tomar melhores decisões. Embora existam diversos métodos de ensemble desenvolvidos para problemas de classificação nominal, ranking e regressão, a classificação ordinal não tem recebido a mesma atenção. O objectivo desta dissertação é, assim, introduzir novos métodos de ensemble para dados ordinais. Para isso, em primeiro lugar é apresentado um novo algoritmo de classificação baseado em árvores de decisão e no método de replicação dos dados, cujos resultados revelam que este pode ser vantajoso em relação a outros classificadores não ordinais. Depois as ideias principais deste classificador são aproveitadas para melhorar ensembles cujos modelos gerados possuem semelhanças com árvores de decisão (i.e. AdaBoost.M1 com Decision Stumps e Random Forests). / Ordinal classification problems can be found in various areas, such as product recommendation systems, intelligent health systems and image recognition. This problems have the goal of learning how to classify certain instances (e.g a movie) in an ordinal scale (e.g. good, average, bad). The performance of supervised learned problems (such as ordinal classification) can be improved by using ensemble methods, where various models are combined to perform better decisions. While there are various ensemble methods for nominal classification, ranking and regression, ordinal classification has not received the same level of attention. The goal of this dissertation is, therefore, to introduce novel ensemble methods for the classification of ordinal data. To do this, first a new ordinal classification algorithm based on decision trees and the data replication method is presented, whose results show that this classifier might perform better than other non-ordinal classifiers. Then, the main ideas of this method are exploited to try and improve ensembles whose models share similarities with decision trees (i.e. AdaBoost.M1 with Decision Stumps and Random Forests).

A generalização da curadoria e da partilha dos dados de investigação é um tema muito atual. Neste contexto, o Plano de Gestão de Dados surge como documento essencial, ao promover a produção e partilha de dados de acordo com os princípios FAIR. Os investigadores desempenham um papel crucial nesta matéria, sendo indispensável que estejam sensibilizados para a importância dos Planos de Gestão de Dados e das práticas de gestão de dados. Neste sentido, o desenvolvimento de um Plano de Gestão de Dados para a produção de dados FAIR e a consciencialização dos investigadores do projeto FrailSurvey com conceitos, recursos e ferramentas da Gestão de Dados de Investigação são os principais objetivos deste trabalho. Para os cumprir, é estudado o projeto, o domínio de investigação e elaborado um documento com recomendações relativas à gestão de dados para o projeto. Estas recomendações são a base para a concretização das tarefas associadas aos dois objetivos. Para avaliar o documento produzido e o trabalho da dissertação, é desenvolvido um questionário online e um documento com algumas questões para obter feedback dos investigadores. Os resultados obtidos são o Plano de Gestão de Dados para o projeto FrailSurvey, em conformidade com os princípios FAIR e a consciencialização dos investigadores para a importância da Gestão de Dados de Investigação, aumentando o seu conhecimento sobre os conceitos, recursos, ferramentas e práticas. A metodologia seguida contribui para que os investigadores adotem outra perspetiva e adquiram competências sobre a integração da Gestão de Dados de Investigação nos seus processos, através do desenvolvimento de um Plano de Gestão de Dados, que atua como garantia da produção e partilha dos dados de investigação FAIR. Os investigadores do projeto FrailSurvey demonstraram interesse na implementação das recomendações, contribuindo para as práticas e medidas definidas no Plano de Gestão de Dados e adquiriram também novas competências para algumas etapas da gestão de dados. / The generalization of curation and the sharing of research data is a very current topic. In this context, the Data Management Plan emerges as an essential document, by promoting the production and sharing of data according to the FAIR principles. Researchers play a crucial role in this matter, and it's essential that they are made aware of the importance of Data Management Plans and data management practices. The development of a data management plan for the production of FAIR data, and the awareness of this project's researchers with concepts, resources and tools of Research Data Management are the main objectives of this work. In order to achieve them, the project and the research domain was studied and a document with recommendations related to the data management to the project was elaborated. These recommendations are the basis for carrying out the tasks associated with the two objectives. To evaluate the document produced and fulfill the objectives of the dissertation, a online questionnaire and a document with some questions was developed to obtain feedback from researchers. The results obtained are a Data Management Plan in accordance with the FAIR principles for FrailSurvey project and raising researcher's awareness to the importance of Research Data Management, increasing their knowledge about the concepts, resources, tools and practices. The followed methodology contributes for the researchers to adopt another perspective and acquire skills on the integration of Research Data Management into their processes, through the development of a Data Management Plan, which acts as a guarantee for the production and sharing of FAIR data. The researchers of the FrailSurvey project showed interest in implementing the recommendations, contributing to the practices and measures defined in the Data Management Plan and also acquired new skills for some stages of data management.

No description available.

No description available.

No description available.

No description available.

A dependência da Internet no email têm se mantido constante desde os seus dias iniciais. No presente, o correio eletrónico é bastante utilizado tanto em contexto pessoal, como profissional. Embora o serviço tenha sido desenvolvido com o objetivo de servir como um meio de comunicação, hoje em dia este serve muitos outros propósitos. A maioria dos serviços disponíveis online utilizam o endereço de email como meio de autenticação ou como uma ponte de comunicação entre o utilizador e o serviço. Em média, o número de emails enviados e recebidos, pelo utilizador corrente, encontra- se na ordem das centenas por dia e estes emails podem ser das mais diversas categorias: social, profissional, notificações, publicidade, transações, emails que não requerem resposta, emails como meio para enviar ficheiros, emails que requerem resposta, entre outros com diferentes propósitos. Toda esta diversidade encontra-se na origem de um problema de informação excessiva, difícil de resolver manualmente pela pessoa responsável pelo endereço eletrónico. Como tal, existe uma crescente necessidade de desenvolver sistemas que sejam dotados de aprendizagem automática, capazes de recomendar ao utilizador formas eficientes de organizar a informação presente nas suas contas de email e ainda agregar os emails em grupos mais pequenos de forma a facilitar a sua interpretação por parte do utilizador, agilizando todo o processo de leitura e consulta da caixa de correio eletrónica. Para atenuar o problema de informação excessiva, existe diversas abordagens e técnicas, como aprendizagem de máquina, para ajudar na classificação e no agrupamento dos emails, de forma a encontrar novos grupos de emails na massiva caixa de correio que todos temos, agora e no futuro. A abordagem em mente, seguirá um paradigma de aprendizagem por competição em que os emails competem entre eles, de forma a sobressair subgrupos na caixa de correio. A estratégia também seguirá um paradigma de aprendizagem por reforço que adicionará, ao sistema, sensibilidade ao perfil do utilizador e ao seu histórico de interação. No fim, é esperado que o sistema criado sugira ao utilizador como organizar a caixa de correio em grupos de emails de interesse, baseados no conteúdo dos emails e na interação do utilizador, e ainda tenha capacidade de adaptação continua aos emails que vão entrando na conta. Com este sistema, é expetável que a experiência de utilização melhore, rentabilizando o tempo dos utilizadores. / Internet dependance on email has been frequent since its early days. In the present days, electronic mail is widely used in a professional and personal context. Although this service was developed as a way of communication, nowadays it serves many other purposes. The majority of services available online will require an email address in order to authenticate or as a bridge of communication between the user and the service. The average number of emails sent and received, by the average user, is in the order of the hundreds per day, and these emails can be of varying categories: social, professional, notifications, marketing, transactional, emails which warrant no response, emails to send files, emails requiring response, among others with different purposes. This originates an information overload problem, that proves difficult to be completely solved manually by the email address owner. Therefore, there is a growing need to develop systems that can automatically learn and recommend users effective ways to organize their email information, which can aggregate emails into smaller groups to be easily interpreted by the user, expediting the process of reading and consulting the mailbox. To alleviate this information overload problem there are several possible approaches and techniques, such as machine learning to help on email classification and clustering, in order to find new subsets of emails in the massive inboxes we all have, now or in the future. After a careful review of the state of the art on email classification and grouping techniques, this work will enumerate and select the most effective approaches for the problem at hand, and will adapt them to a very concrete case study, a desktop email client under development at Mailcube Lda. The approach in mind will follow a competitive learning paradigm, which means that emails will compete with each other in order to find subsets in the inbox. It will also follow a reinforcement learning paradigm to add sensitiveness to user profile and interaction history. At the end, the resulting system is expected to suggest the user to organize his inbox into relevant groups of emails, based on learning users' interactions and continuously adapting to the arrival of new emails, improving the overall user experience and saving precious time for the users.

No description available.

No description available.