Busca avançada
Ano de início
Entree

Meta-aprendizado para a escolha de algoritmos e de características para a classificação de séries temporais

Processo: 22/00302-6
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de abril de 2022
Vigência (Término): 31 de março de 2023
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Diego Furtado Silva
Beneficiário:Anderson Henrique Giacomini
Instituição-sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
Assunto(s):Aprendizado computacional   Redes neurais convolucionais   Validação cruzada   Análise de séries temporais   Metodologia e técnicas de computação

Resumo

Devido à crescente coleta de dados observados ao longo do tempo, séries temporais estão se tornando um tipo de dados onipresente no dia a dia dos seres humanos. Esse fato também causou um significativo aumento do número de técnicas para classificação de séries temporais nas últimas décadas. Nesse cenário, quando um pesquisador ou desenvolvedor precisa de uma solução baseada em um modelo de classificação, há uma ampla gama de opções de algoritmos a serem aplicados. Quando apenas um algoritmo é escolhido, seu desempenho pode não atingir resultados satisfatórios para o problema a ser resolvido. Mesmo métodos baseados em conjuntos, que tentam reduzir os impactos de uma escolha ruim do algoritmo, podem falhar em conjuntos de dados específicos. Portanto, a alternativa mais segura é realizar procedimentos de validação cruzada para orientar a escolha do algoritmo de classificação. Essa abordagem geralmente garante uma boa escolha, mas é muito cara computacionalmente. Neste contexto, propomos a criação de modelos de recomendação para algoritmos de classificação de séries temporais baseados em meta-aprendizado. A ideia por trás dessa proposta é descrever problemas (conjuntos de dados) analisados anteriormente, a fim de induzir meta-modelos de forma eficiente por meio de algoritmos de Aprendizado de Máquina. Esses meta-modelos serão utilizados para recomendar algoritmos de classificação para novos conjuntos de dados a fim de se evitar um procedimento muito custoso para a seleção. O meta-aprendizado será avaliado em dois níveis: seleção de um único algoritmo de classificação e seleção de parâmetros para compor um algoritmo baseado em extração de características por meio de kernels convolucionais aleatórios.(AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)