Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

You searched for +publisher:"Universidade Estadual de Campinas" +contributor:("Basgalupp, M?rcio Porto"). One record found.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters


Universidade Estadual de Campinas

1. Raimundo, Marcos Medeiros, 1988-. Multi-objective optimization in machine learning : Otimiza??o multiobjetivo em aprendizado de m?quina .

Degree: 2018, Universidade Estadual de Campinas

Resumo: Regress?o log?stica multinomial regularizada, classifica??o multi-r?tulo e aprendizado multi-tarefa s?o exemplos de problemas de aprendizado de m?quina em que objetivos conflitantes, como fun??es de perda e penalidades que promovem regulariza??o, devem ser simultaneamente minimizadas. Portanto, a perspectiva simplista de procurar o modelo de aprendizado com o melhor desempenho deve ser substitu?da pela proposi??o e subsequente explora??o de m?ltiplos modelos de aprendizado eficientes, cada um caracterizado por um compromisso (trade-off) distinto entre os objetivos conflitantes. Comit?s de m?quinas e prefer?ncias a posteriori do tomador de decis?o podem ser implementadas visando explorar adequadamente este conjunto diverso de modelos de aprendizado eficientes, em busca de melhoria de desempenho. A estrutura conceitual multi-objetivo para aprendizado de m?quina ? suportada por tr?s etapas: (1) Modelagem multi-objetivo de cada problema de aprendizado, destacando explicitamente os objetivos conflitantes envolvidos; (2) Dada a formula??o multi-objetivo do problema de aprendizado, por exemplo, considerando fun??es de perda e termos de penaliza??o como objetivos conflitantes, solu??es eficientes e bem distribu?das ao longo da fronteira de Pareto s?o obtidas por um solver determin?stico e exato denominado NISE (do ingl?s Non-Inferior Set Estimation); (3) Esses modelos de aprendizado eficientes s?o ent?o submetidos a um processo de sele??o de modelos que opera com prefer?ncias a posteriori, ou a filtragem e agrega??o para a s?ntese de ensembles. Como o NISE ? restrito a problemas de dois objetivos, uma extens?o do NISE capaz de lidar com mais de dois objetivos, denominada MONISE (do ingl?s Many-Objective NISE), tamb?m ? proposta aqui, sendo uma contribui??o adicional que expande a aplicabilidade da estrutura conceitual proposta. Para atestar adequadamente o m?rito da nossa abordagem multi-objetivo, foram realizadas investiga??es mais espec?ficas, restritas ? aprendizagem de modelos lineares regularizados: (1) Qual ? o m?rito relativo da sele??o a posteriori de um ?nico modelo de aprendizado, entre os produzidos pela nossa proposta, quando comparado com outras abordagens de modelo ?nico na literatura? (2) O n?vel de diversidade dos modelos de aprendizado produzidos pela nossa proposta ? superior ?quele alcan?ado por abordagens alternativas dedicadas ? gera??o de m?ltiplos modelos de aprendizado? (3) E quanto ? qualidade de predi??o da filtragem e agrega??o dos modelos de aprendizado produzidos pela nossa proposta quando aplicados a: (i) classifica??o multi-classe, (ii) classifica??o desbalanceada, (iii) classifica??o multi-r?tulo, (iv) aprendizado multi-tarefa, (v) aprendizado com multiplos conjuntos de atributos? A natureza determin?stica de NISE e MONISE, sua capacidade de lidar adequadamente com a forma da fronteira de Pareto em cada problema de aprendizado, e a garantia de sempre obter modelos de aprendizado eficientes s?o aqui pleiteados como respons?veis pelos resultados promissores alcan?ados em todas essas tr?s… Advisors/Committee Members: Von Zuben, Fernando Jos?, 1968- (advisor), Takahashi, Ricardo Hiroshi Caldeira (committee member), Basgalupp, M?rcio Porto (committee member), Coelho, Guilherme Palermo (committee member), Boccato, Levy (committee member).

Subjects/Keywords: Aprendizado de m?quina; Otimiza??o multiobjetivo; Reconhecimento de padr?es

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Raimundo, Marcos Medeiros, 1. (2018). Multi-objective optimization in machine learning : Otimiza??o multiobjetivo em aprendizado de m?quina . (Thesis). Universidade Estadual de Campinas. Retrieved from http://repositorio.unicamp.br/jspui/handle/REPOSIP/333704

Note: this citation may be lacking information needed for this citation format:
Not specified: Masters Thesis or Doctoral Dissertation

Chicago Manual of Style (16th Edition):

Raimundo, Marcos Medeiros, 1988-. “Multi-objective optimization in machine learning : Otimiza??o multiobjetivo em aprendizado de m?quina .” 2018. Thesis, Universidade Estadual de Campinas. Accessed August 12, 2020. http://repositorio.unicamp.br/jspui/handle/REPOSIP/333704.

Note: this citation may be lacking information needed for this citation format:
Not specified: Masters Thesis or Doctoral Dissertation

MLA Handbook (7th Edition):

Raimundo, Marcos Medeiros, 1988-. “Multi-objective optimization in machine learning : Otimiza??o multiobjetivo em aprendizado de m?quina .” 2018. Web. 12 Aug 2020.

Vancouver:

Raimundo, Marcos Medeiros 1. Multi-objective optimization in machine learning : Otimiza??o multiobjetivo em aprendizado de m?quina . [Internet] [Thesis]. Universidade Estadual de Campinas; 2018. [cited 2020 Aug 12]. Available from: http://repositorio.unicamp.br/jspui/handle/REPOSIP/333704.

Note: this citation may be lacking information needed for this citation format:
Not specified: Masters Thesis or Doctoral Dissertation

Council of Science Editors:

Raimundo, Marcos Medeiros 1. Multi-objective optimization in machine learning : Otimiza??o multiobjetivo em aprendizado de m?quina . [Thesis]. Universidade Estadual de Campinas; 2018. Available from: http://repositorio.unicamp.br/jspui/handle/REPOSIP/333704

Note: this citation may be lacking information needed for this citation format:
Not specified: Masters Thesis or Doctoral Dissertation

.