Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | https://hdl.handle.net/11449/255346 |
Resumo: | A era atual da tecnologia da informação trouxe um dilúvio de dados sem precedentes, abrangendo diversas áreas, desde pesquisa científica até negócios e vida cotidiana. No entanto, a análise manual de volumes tão massivos torna-se inviável, criando a necessidade de soluções de aprendizado de máquina, como algoritmos de classificação. Embora muitos desses algoritmos tenham sido desenvolvidos, avaliar sua qualidade é multifacetado, envolvendo diversas métricas. Dada a complexidade, a formação de comitês de classificadores, onde vários classificadores trabalham juntos, se apresenta como uma solução eficaz, mas requer a escolha adequada dos classificadores e funções de combinação de predições. A programação genética, uma técnica de otimização baseada em algoritmos genéticos, surge como uma abordagem inovadora para encontrar a configuração ideal desses comitês e funções de combinação de predições, buscando maximizar o desempenho, enquanto reduz a necessidade de experimentação manual dispendiosa. A dissertação busca contribuir para o avanço do campo de aprendizado de máquina, enfrentando os desafios da análise de dados em grande escala e promovendo melhorias significativas nas classificações por meio da programação genética. |
id |
UNSP_9b5ad8228606d84489f56d228bbe3c74 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/255346 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídiaStrategies for classifier selection based on genetic programming for multimedia data recognitionClassificadoresOtimizaçãoSeleção de classificadoresFunções de combinação de prediçõesProgramação genéticaClassifiersOptimizationClassifier selectionPrediction combination functionsGenetic programmingA era atual da tecnologia da informação trouxe um dilúvio de dados sem precedentes, abrangendo diversas áreas, desde pesquisa científica até negócios e vida cotidiana. No entanto, a análise manual de volumes tão massivos torna-se inviável, criando a necessidade de soluções de aprendizado de máquina, como algoritmos de classificação. Embora muitos desses algoritmos tenham sido desenvolvidos, avaliar sua qualidade é multifacetado, envolvendo diversas métricas. Dada a complexidade, a formação de comitês de classificadores, onde vários classificadores trabalham juntos, se apresenta como uma solução eficaz, mas requer a escolha adequada dos classificadores e funções de combinação de predições. A programação genética, uma técnica de otimização baseada em algoritmos genéticos, surge como uma abordagem inovadora para encontrar a configuração ideal desses comitês e funções de combinação de predições, buscando maximizar o desempenho, enquanto reduz a necessidade de experimentação manual dispendiosa. A dissertação busca contribuir para o avanço do campo de aprendizado de máquina, enfrentando os desafios da análise de dados em grande escala e promovendo melhorias significativas nas classificações por meio da programação genética.The current era of information technology has brought an unprecedented deluge of data, spanning various areas from scientific research to business and everyday life. However, manually analyzing such massive volumes becomes impractical, creating the need for machine learning solutions, like classification algorithms. Although many of these algorithms have been developed, evaluating their quality is multifaceted, involving various metrics. Given the complexity, the formation of classifier committees, where multiple classifiers work together, presents as an effective solution, but it requires the appropriate choice of classifiers and prediction combination functions. Genetic programming, an optimization technique based on genetic algorithms, emerges as an innovative approach to finding the optimal configuration of these committees and prediction combination functions, aiming to maximize performance while reducing the need for costly manual experimentation. The dissertation seeks to contribute to the advancement of the machine learning field, tackling the challenges of large-scale data analysis and promoting significant improvements in classifications through genetic programming.Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)2021/02023-4Universidade Estadual Paulista (Unesp)Papa, João Paulo [UNESP]Martarelli, Rafael Junqueira2024-04-26T13:57:51Z2024-04-26T13:57:51Z2024-02-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMARTARELLI, Rafael Junqueira. Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia. 2024. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2024.https://hdl.handle.net/11449/25534600050572599315810000-0002-5817-050Xporinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-04-27T06:02:22Zoai:repositorio.unesp.br:11449/255346Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T14:46:35.274041Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia Strategies for classifier selection based on genetic programming for multimedia data recognition |
title |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia |
spellingShingle |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia Martarelli, Rafael Junqueira Classificadores Otimização Seleção de classificadores Funções de combinação de predições Programação genética Classifiers Optimization Classifier selection Prediction combination functions Genetic programming |
title_short |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia |
title_full |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia |
title_fullStr |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia |
title_full_unstemmed |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia |
title_sort |
Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia |
author |
Martarelli, Rafael Junqueira |
author_facet |
Martarelli, Rafael Junqueira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Papa, João Paulo [UNESP] |
dc.contributor.author.fl_str_mv |
Martarelli, Rafael Junqueira |
dc.subject.por.fl_str_mv |
Classificadores Otimização Seleção de classificadores Funções de combinação de predições Programação genética Classifiers Optimization Classifier selection Prediction combination functions Genetic programming |
topic |
Classificadores Otimização Seleção de classificadores Funções de combinação de predições Programação genética Classifiers Optimization Classifier selection Prediction combination functions Genetic programming |
description |
A era atual da tecnologia da informação trouxe um dilúvio de dados sem precedentes, abrangendo diversas áreas, desde pesquisa científica até negócios e vida cotidiana. No entanto, a análise manual de volumes tão massivos torna-se inviável, criando a necessidade de soluções de aprendizado de máquina, como algoritmos de classificação. Embora muitos desses algoritmos tenham sido desenvolvidos, avaliar sua qualidade é multifacetado, envolvendo diversas métricas. Dada a complexidade, a formação de comitês de classificadores, onde vários classificadores trabalham juntos, se apresenta como uma solução eficaz, mas requer a escolha adequada dos classificadores e funções de combinação de predições. A programação genética, uma técnica de otimização baseada em algoritmos genéticos, surge como uma abordagem inovadora para encontrar a configuração ideal desses comitês e funções de combinação de predições, buscando maximizar o desempenho, enquanto reduz a necessidade de experimentação manual dispendiosa. A dissertação busca contribuir para o avanço do campo de aprendizado de máquina, enfrentando os desafios da análise de dados em grande escala e promovendo melhorias significativas nas classificações por meio da programação genética. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-04-26T13:57:51Z 2024-04-26T13:57:51Z 2024-02-22 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
MARTARELLI, Rafael Junqueira. Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia. 2024. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2024. https://hdl.handle.net/11449/255346 0005057259931581 0000-0002-5817-050X |
identifier_str_mv |
MARTARELLI, Rafael Junqueira. Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia. 2024. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2024. 0005057259931581 0000-0002-5817-050X |
url |
https://hdl.handle.net/11449/255346 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808128415748849664 |