Navegando por Autor "Metz, Jean"
Agora exibindo 1 - 5 de 5
Resultados por página
Opções de Ordenação
- ItemEstudo e análise das diversas representações e estruturas de dados utilizadas nos algoritmos de clustering hierárquico.(2006-01) Metz, Jean; Monard, Maria CarolinaTarefas de aprendizado de máquina não-supervisionado são, frequentemente, utilizadas em diversas aplicações de Mineração de Dados e Textos, nas quais grandes conjuntos de dados devem ser analisados em busca de conhecimento novo e potencialmente util. O clustering, especificamente, é uma técnica de análise e exploração de dados usualmente aplicada com objetivo de extrair padrões latentes nesses conjuntos de dados. Existem diversas abordagens e algoritmos de clustering propostos na literatura, entre eles, os algoritmos hierárquicos, objeto de estudo deste trabalho. Esses algoritmos constroem uma estrutura que descreve os clusters identificados por meio de uma hierarquia, que pode ser representada de diversas formas, tais como dendograma ou banner, por exemplo. Além disso, essas formas de representação podem ser armazenadas em diferentes estruturas de dados. Um dos objetivo deste trabalho ´e revisar algumas das formas de representação mais comumente utilizadas no clustering e, também, as estruturas de dados utilizadas na implementação dessas representações. Outro objetivo é, com base nesse estudo, decidir qual das formas de representação e estrutura de dados serão utilizadas na implementação do módulo de clustering hierárquico do Discover, um ambiente computacional em desenvolvimento no Laboratório de Inteligência Computacional do ICMC.
- ItemUm estudo sobre os métodos de classificação hierárquica e medidas de avaliação.(2011-05) Metz, Jean; Freitas, Alex A.; Monard, Maria CarolinaTarefas de classificação em Aprendizado de Máquina e Mineração de Dados sao usualmente associadas a problemas cujos domínios possuem exemplos que participam de apenas uma classe sem qualquer relação estrutural ou hierarquica, denominados classificação plana.
- ItemProjeto e implementação do módulo de clustering hierarárquico do DISCOVER.(2006-08) Metz, Jean; Monard, Maria CarolinaDiversas ferramentas têm sido propostas para a execução das tarefas envolvidas no processo de extração de conhecimento e aplicações de Mineração de Dados. Usualmente, essas ferramentas não atendem à todas as etapas do processo, mas sim a alguma tarefa específica, por exemplo o agrupamento de dados utilizado no aprendizado não-supervisionado. Neste trabalho é apresentado o projeto de um módulo de clustering hierárquico, integrado ao ambiente computacional DISCOVER, que dispõe de diversas ferramentas que podem ser utilizadas nas etapas do processo de Mineração de Dados e Textos. Esse módulo atua na etapa de aquisição de conhecimento utilizando algoritmos de aprendizado de máquina e facilita a execução do clustering em um ambiente único e padronizado, com suporte às técnicas de pré-processamento de dados e pós- processamento de conhecimento além das facilidades de agregação de novos algoritmos de clustering ao módulo proposto.
- ItemRedes complexas: conceitos e aplicações.(2007-01) Metz, Jean; Calvo, Rodrigo; Seno, Eloize R.M.; Romero, Roseli Aparecida Francelin; Liang, ZhaoAs redes complexas são um tipo de grafo que apresentam propriedades topográficas bastante particulares, não encontradas em grafos mais simples. Este relatório tem como objetivo apresentar aos leitores iniciantes da área alguns conceitos fundamentais para o entendimento dessas redes, bem como suas propriedades principais e alguns modelos mais comumente estudados. Além de conceitos introdutórios, apresentam-se também algumas aplicações reais envolvendo redes complexas.
- ItemA systematic review on experimental multi-label learning.(2013-02) Spolaôr, Newton; Cherman, Everton Alvares; Metz, Jean; Monard, Maria CarolinaMulti-label learning deals with the classification problem where each example is associated with a set of labels, which are usually dependent. This research topic has emerged in recent years due to the increasing number of applications where examples are annotated with more than one label. However, there is a lack of reviews focusing on pieces of work which report experimental results for multi-label learning. To this end, the systematic review process can be useful to identify related publications in a wide, rigorous and replicable way. This work uses the systematic review process to answer the following research question: what are the publications which report experimental results for multi-label learning research? The systematic review process carried out in this work included the application of 16 selection criteria to narrow the literature review, as we are interested in papers which report specific classifier evaluation measures using datasets publicly available. Moreover, these datasets cannot be preprocessed. In the end, this process enabled us to select 64 relevant publications, as well as identify some interesting facts in the current literature.