Além da seleção de algoritmos: meta-aprendizado para análise e entendimento de dados e algoritmos

Resumo

A área de Meta-aprendizado (MtL, do Inglês Meta-learning) emprega conhecimento acerca de problemas previamente solucionados por técnicas de Aprendizado de Máquina (AM) para oferecer suporte à seleção automatizada de algoritmos a serem usados na solução de novos problemas. Contudo, muito mais meta-conhecimento pode ser extraído do relacionamento de propriedades de dados a medidas de desempenho algorítmico, um tópico que permanece pouco explorado em comparação com o uso de MtL para seleção automática de algoritmos. Por exemplo, pode-se revelar as competências e limitações de diferentes algoritmos de AM e evidenciar problemas na qualidade dos dados que requerem maior atenção. Com base na experiência anterior da pesquisadora durante a fase 1 do projeto de pesquisa Jovem Pesquisador relacionada ao estudo, proposta e uso de medidas de complexidade de dados para caracterizar o nível de dificuldade de problemas de classificação e regressão, este projeto irá um passo adiante e empregará tais medidas para apoiar o entendimento de propriedades dos dados e dos algoritmos usando uma perspectiva de MtL. Ao aprofundar esse conhecimento, espera-se contribuir para melhorar a compreensibilidade e a confiabilidade no uso de modelos de AM. Também espera-se gerar contribuições em três áreas que podem se beneficiar diretamente da compreensão de dados e algoritmos: pré-processamento de dados, comitês de modelos e transferência de aprendizado. A ideia é guiar a solução das tarefas anteriores usando meta-conhecimento extraído sobre a relação dicotômica entre propriedades dos dados e desempenho algorítmico. (AU)