Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia

Página do item simplificado
dc.contributor.advisorPapa, João Paulo [UNESP]
dc.contributor.authorMartarelli, Rafael Junqueira
dc.date.accessioned2024-04-26T13:57:51Z
dc.date.available2024-04-26T13:57:51Z
dc.date.issued2024-02-22
dc.description.abstractA 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.pt
dc.description.abstractThe 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.en
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)
dc.description.sponsorshipId2021/02023-4
dc.identifier.citationMARTARELLI, 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.
dc.identifier.lattes0005057259931581
dc.identifier.orcid0000-0002-5817-050X
dc.identifier.urihttps://hdl.handle.net/11449/255346
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectClassificadorespt
dc.subjectOtimizaçãopt
dc.subjectSeleção de classificadorespt
dc.subjectFunções de combinação de prediçõespt
dc.subjectProgramação genéticapt
dc.subjectClassifiersen
dc.subjectOptimizationen
dc.subjectClassifier selectionen
dc.subjectPrediction combination functionsen
dc.subjectGenetic programmingen
dc.titleEstratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia
dc.title.alternativeStrategies for classifier selection based on genetic programming for multimedia data recognitionen
dc.typeDissertação de mestrado
unesp.campusUniversidade Estadual Paulista (Unesp), Faculdade de Ciências, Bauru
unesp.embargoOnline
unesp.examinationboard.typeBanca pública
unesp.graduateProgramCiência da Computação - FC/FCT/IBILCE/IGCE 33004153073P2
unesp.knowledgeAreaAnálise aplicada
unesp.researchAreaInteligência Computacional

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
martarelli_rj_me_bauru.pdf
Tamanho:
815.15 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
3.02 KB
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Faculdade de Ciências, Bauru