1. dspace-aplicacoes

Search

 | 
Results 1-2 of 2 (Search time: 0.013 seconds).
  • previous
  • 1
  • next
Item hits:
PreviewTitleAuthor(s)???itemlist.dc.contributor.author1???Issue Date???itemlist.dc.description.resumo???
2015_jarley_nobrega_tese.pdf.jpgUm método de aprendizagem sequencial com filtro de Kalman e Extreme Learning Machine para problemas de regressão e previsão de séries temporaisNóbrega, Jarley Palmeira-2015-08-24Em aplicações de aprendizagem de máquina, é comum encontrar situações onde o conjunto de entrada não está totalmente disponível no início da fase de treinamento. Uma solução conhecida para essa classe de problema é a realização do processo de aprendizagem através do fornecimento sequencial das instâncias de treinamento. Entre as abordagens mais recentes para esses métodos, encontram-se as baseadas em redes neurais do tipo Single Layer Feedforward Network (SLFN), com destaque para as extensões da Extreme Learning Machine (ELM) para aprendizagem sequencial. A versão sequencial da ELM, chamada de Online Sequential Extreme Learning Machine (OS-ELM), utiliza uma solução recursiva de mínimos quadrados para atualizar os pesos de saída da rede através de uma matriz de covariância. Entretanto, a implementação da OS-ELM e suas extensões sofrem com o problema de multicolinearidade entre os elementos da matriz de covariância. Essa tese introduz um novo método para aprendizagem sequencial com capacidade para tratar os efeitos da multicolinearidade. Chamado de Kalman Learning Machine (KLM), o método proposto utiliza o filtro de Kalman para a atualização sequencial dos pesos de saída de uma SLFN baseada na OS-ELM. Esse trabalho também propõe uma abordagem para a estimativa dos parâmetros do filtro, com o objetivo de diminuir a complexidade computacional do treinamento. Além disso, uma extensão do método chamada de Extended Kalman Learning Machine (EKLM) é apresentada, voltada para problemas onde a natureza do sistema em estudo seja não linear. O método proposto nessa tese foi comparado com alguns dos mais recentes e efetivos métodos para o tratamento de multicolinearidade em problemas de aprendizagem sequencial. Os experimentos executados mostraram que o método proposto apresenta um desempenho melhor que a maioria dos métodos do estado da arte, quando medidos o de erro de previsão e o tempo de treinamento. Um estudo de caso foi realizado, aplicando o método proposto a um problema de previsão de séries temporais para o mercado financeiro. Os resultados confirmaram que o KLM consegue simultaneamente reduzir o erro de previsão e o tempo de treinamento, quando comparado com os demais métodos investigados nessa tese.
2015_paulo_maciel_tese.pdf.jpgUma abordagem baseada em contexto para reescrita de consultas a bancos de dados relacionaisMaciel, Paulo Roberto Moreira-2015-02-27Com o desenvolvimento das tecnologias para Internet e sua utilização em larga escala, as consultas a bancos de dados não são mais realizadas como anos atrás, quando os usuários tinham um perfil conhecido e realizavam suas consultas em computadores de mesa, por meio de aplicações dedicadas. Atualmente, com a descentralização e o aumento massivo da distribuição de informação, há uma grande variedade de fatores presentes durante uma consulta, que podem influenciar na adequação e relevância das respostas fornecidas ao usuário, tais como: preferências pessoais, localização (e.g. casa, trabalho, hotel, avião), clima (e.g. chuvoso, ensolarado) ou dispositivo usado. Esses fatores usualmente não são levados em consideração, quando da realização de consultas a bancos de dados. O conjunto de condições e influências relevantes que tornam uma situação única e compreensível é entendido como contexto. Elementos contextuais são definidos como qualquer dado, informação ou conhecimento que permite caracterizar uma entidade em um domínio. O conjunto dos elementos contextuais instanciados, necessários para apoiar uma tarefa em um dado momento, denota o contexto. Embora adotem tecnologia madura e consagrada, os Sistemas Gerenciadores de Bancos de Dados relacionais não possuem os recursos necessários para responder consultas considerando o contexto. Este trabalho propõe uma abordagem denominada Texere, para que consultas a bancos de dados relacionais sejam dotadas de sensibilidade a contexto. A hipótese concebida para a solução do problema baseia-se na análise dos elementos contextuais associados a uma consulta (oriundos da aplicação, do dispositivo, do usuário e dos ambientes físico e computacional) e na utilização de diretivas de reescrita, capazes de alterar consultas convencionais, para que retornem respostas mais adequadas ao contexto sob as quais foram realizadas e mais relevantes para o usuário. Para avaliação do trabalho, experimentos foram realizados com um protótipo. A análise dos resultados produzidos pelo julgamento de usuários evidencia a viabilidade da abordagem e ganhos na adequação ao contexto e relevância das respostas produzidas pelas consultas reescritas.