Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-02-20T21:14:32Z
No. of bitstreams: 1
MateusSilverioDeAssis_DISSERT.pdf: 3929319 bytes, checksum: 7463541e5cc8c5aebedc5bd30d218bd4 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-02-23T20:13:22Z (GMT) No. of bitstreams: 1
MateusSilverioDeAssis_DISSERT.pdf: 3929319 bytes, checksum: 7463541e5cc8c5aebedc5bd30d218bd4 (MD5) / Made available in DSpace on 2017-02-23T20:13:22Z (GMT). No. of bitstreams: 1
MateusSilverioDeAssis_DISSERT.pdf: 3929319 bytes, checksum: 7463541e5cc8c5aebedc5bd30d218bd4 (MD5)
Previous issue date: 2016-08-19 / Ao longo dos ?ltimos anos, as t?cnicas computacionais aplicadas ao aprendizado
de m?quina t?m sido divididas ou categorizadas quanto ao grau de supervis?o presente
nos conjuntos de treinamentos e quanto ao n?mero de r?tulos presente no atributo
classe. Dentro dessas divis?es, encontramos o aprendizado semissupervisionado, t?cnica
que trabalha muito bem quando nem todos os r?tulos dos exemplos do conjunto de
treinamento s?o conhecidos. Por outro lado, a classifica??o multirr?tulo, tamb?m est?
presente nessas categorias e prop?e classificar exemplos quando estes est?o associados
a um ou mais r?tulos. A combina??o dessas t?cnicas de aprendizado gera a classifica??o
multirr?tulo semissupervisionado. Ainda nesse contexto, existem vertentes que
trabalham com o aprendizado semissupervisionado para dados de vis?o ?nica e
aprendizado semissupervisionado para dados de vis?o m?ltipla. Os algoritmos de
aprendizado semissupervisionado para dados de vis?o m?ltipla tem como ideia b?sica a
explora??o da discord?ncia entre as predi??es dos diferentes classificadores, sendo este
um assunto pouco abordado em pesquisas. Nesse sentido, esse trabalho prop?e novos
m?todos para classifica??o multirr?tulo semissupervisionado em uma abordagem para
dados de vis?o m?ltipla, mostra os resultados de alguns experimentos realizados com
esses novos m?todos e compara alguns desses resultados com resultados de
experimentos utilizando m?todos j? existentes. / In the the last years, the computational techniques used for machine learning
have been divided or categorized according to the degree of supervision that exists in
these training?s set and according on the number of labels in this class attribute. Within
these divisions, we find the semi-supervised learning, a technique that works well when
nor all labels examples of the training set are known. In the other hand, the multi-label
classification also is present in these categories and it proposes to classify examples
when they are associated with one or more labels. The combination of these learning
techniques generates the classification semi-supervised multi-label. Also in this context,
there are sides that work with the semi-supervised learning for single vision and semisupervised
learning data for multiple viewing data. The semi-supervised learning
algorithms for multiple viewing data has the basic idea of the exploitation of
disagreements between the predictions of different classifiers, which is a subject rarely
addressed in research. Thus, this work proposes the use of semi-supervised learning for
multi-label classification using an approach with multiple viewing data, showing the
results of some experiments and comparing some results of experiments using the new
methods with the results of experiments using existing methods.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/22078 |
| Date | 19 August 2016 |
| Creators | Assis, Mateus Silv?rio de |
| Contributors | 66487099449, http://lattes.cnpq.br/1357887401899097, Santos, Araken de Medeiros, 00739803409, http://lattes.cnpq.br/8059198436766378, Carvalho, Bruno Motta de, 79228860472, http://lattes.cnpq.br/0330924133337698, Xavier J?nior, Jo?o Carlos, 79220070430, http://lattes.cnpq.br/5088238300241110, Canuto, Anne Magaly de Paula |
| Publisher | PROGRAMA DE P?S-GRADUA??O EM SISTEMAS E COMPUTA??O, UFRN, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds