Defesa de Dissertação de Mestrado – Felipe Leite Fagundes – 31/08/2017

Defesa de Dissertação de Mestrado em Ciência da Computação

DATA: 31 de agosto de 2017.             

HORÁRIO: 18h.

LOCAL: Anfiteatro do Departamento de Ciência da Computação / Estatística.

“Aprendizado de Métricas utilizando uma Função de Distância

Parametrizada e o algoritmo K-Means com Aplicação na Solução de Problemas de Classificação”

Mestrando: Felipe Leite Fagundes

Orientador: Prof. Raul Fonseca Neto, D.Sc.

Coorientador: Prof. Carlos C. H. Borges, D.Sc.

Banca Examinadora:

Prof. Raul Fonseca Neto, D.Sc.

Prof. Carlos Cristiano Hasenclever Borges, D.Sc.

Prof. Saulo Moraes Villela, D.Sc.
Prof. Antônio de Pádua Braga, D.Sc.

Resumo:

A utilização de diferentes métricas em algoritmos de Aprendizado de Máquinas pode afetar sensivelmente os resultados de análises realizadas em bases de dados. Variar as maneiras de medir distâncias ou similaridades dos dados pode gerar reflexos diretos para a captura de informações dessas bases e, com isso, influenciar diretamente na tomada decisões. Nesse contexto, métodos de Aprendizagem de Métrica têm sido abordados e aplicados em diversos ramos da pesquisa com a finalidade de encontrar métricas melhores para soluções de problemas de Análise de Cluster, Classificação, Mineração de Dados, Seleção de Características, dentre outros relacionados ao reconhecimento de padrões de dados. Nesta dissertação será apresentado um novo método para aprendizagem de métricas que tem a finalidade de melhorar o desempenho de tradicionais algoritmos de Análise de Cluster e Classificação. Nos testes realizados, utilizando os vetores de parâmetros aprendidos pelo método em bases de dados do repositório UCI-Machine Learning e em bases geradas artificialmente pelo autor, foram alcançados resultados promissores, considerando a menor complexidade em tempo do método de Aprendizado de Métrica proposto em relação a outros métodos relatados na literatura.