Desenvolvimento de técnicas de aprendizado de máquina via sistemas dinâmicos coletivos (2017)
- Authors:
- Autor USP: GUELERI, ROBERTO ALVES - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: APRENDIZADO COMPUTACIONAL; SISTEMAS DINÂMICOS
- Keywords: Collective behavior; Collective motion; Comportamento coletivo; Flocking; Flocking; Machine learning; Movimento coletivo; Self-organizing systems; Sistemas auto-organizáveis
- Language: Português
- Abstract: O aprendizado de máquina consiste em conceitos e técnicas que permitem aos computadores melhorar seu desempenho com a experiência, ou em outras palavras, aprender com dados. Duas de suas principais categorias são o aprendizado não-supervisionado e o semissupervisionado, que respectivamente consistem em inferir padrões em bases cujos dados não têm rótulo (classe) e classificar dados em bases parcialmente rotuladas. Embora muito estudado, trata-se de um campo repleto de desafios e com muitos tópicos abertos. Sistemas dinâmicos coletivos, por sua vez, são sistemas constituídos por muitos indivíduos, cada qual um sistema dinâmico por si só, de modo que todos eles agem coletivamente, ou seja, a ação de cada indivíduo é influenciada pela ação dos vizinhos. Uma característica notável desses sistemas é que padrões globais podem surgir espontaneamente das interações locais entre os indivíduos, fenômeno conhecido como emergência. Os desafios intrínsecos e a relevância do tema vêm motivando sua pesquisa em diversos ramos da ciência e da engenharia. Este trabalho de doutorado consiste no desenvolvimento e análise de modelos dinâmicos coletivos para o aprendizado de máquina, especificamente suas categorias não-supervisionada e semissupervisionada. As tarefas de segmentação de imagens e de detecção de comunidades em redes, que de certo modo podem ser entendidas como tarefas do aprendizado de máquina, são também abordadas. Em especial, desenvolvem-se modelos nos quais a movimentação dosobjetos é determinada pela localização e velocidade de seus vizinhos. O sistema dinâmico assim modelado é então conduzido a um estado cujo padrão formado por seus indivíduos realça padrões subjacentes do conjunto de dados. Devido ao seu caráter auto-organizável, os modelos aqui desenvolvidos são robustos e as informações geradas durante o processo (valores das variáveis do sistema) são ricas e podem, por exemplo, revelar características para realizar soft labeling e determinar classes sobrepostas.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2017
- Data da defesa: 04.07.2017
-
ABNT
GUELERI, Roberto Alves. Desenvolvimento de técnicas de aprendizado de máquina via sistemas dinâmicos coletivos. 2017. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2017. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13112017-111652/. Acesso em: 23 abr. 2024. -
APA
Gueleri, R. A. (2017). Desenvolvimento de técnicas de aprendizado de máquina via sistemas dinâmicos coletivos (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13112017-111652/ -
NLM
Gueleri RA. Desenvolvimento de técnicas de aprendizado de máquina via sistemas dinâmicos coletivos [Internet]. 2017 ;[citado 2024 abr. 23 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13112017-111652/ -
Vancouver
Gueleri RA. Desenvolvimento de técnicas de aprendizado de máquina via sistemas dinâmicos coletivos [Internet]. 2017 ;[citado 2024 abr. 23 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13112017-111652/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
