Investindo no Futuro: O Programa Jovens Pesquisadores - Fapesp
Investindo no Futuro: O Programa Jovens Pesquisadores - Fapesp
Investindo no Futuro: O Programa Jovens Pesquisadores - Fapesp
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
na decisão relativa ao acionamento autorizado de portas,<br />
chancelas, dados eletrônicos restritos, comandos de<br />
máquinas, interpretação de tarefas diversas em veículos,<br />
computadores e dispositivos eletrônicos, entre outros.<br />
redes bayesianas aplicadas<br />
323 a tarefas de descoberta de<br />
conhecimento em bancos de dados<br />
Estevam Rafael Hruschka Júnior<br />
Centro de Ciências Exatas e de Tec<strong>no</strong>logia<br />
Universidade Federal de São Carlos (UFSCar)<br />
Processo 2004/14218-9<br />
vigência: 1/6/2005 a 31/5/2009<br />
As técnicas de descoberta de conhecimento em<br />
bancos de dados (KDD), também chamadas ração de<br />
dados, surgiram da grande necessidade de se obter mais<br />
informação sobre os dados armazenados por empresas e<br />
grandes corporações. As redes bayesianas (RBs) podem<br />
ser consideradas como uma forma de representação do<br />
conhecimento baseada <strong>no</strong> raciocínio probabilístico e<br />
possuem características que as tornam muito adequadas<br />
para tarefas de descoberta de conhecimento em bancos<br />
de dados. Por isso, este é um campo de aplicação efervescente<br />
<strong>no</strong>s últimos a<strong>no</strong>s. Este projeto tem como objetivo<br />
principal propor, implementar e avaliar algoritmos para<br />
a otimização do aprendizado de redes bayesianas a partir<br />
de dados para a aplicação em tarefas de descoberta de<br />
conhecimento em bancos de dados. O método de aprendizado<br />
bayesia<strong>no</strong> otimizado será aplicado mais especificamente<br />
na limpeza e integração, na seleção e transformação,<br />
na mineração e na avaliação e apresentação dos<br />
dados. Assim será definida uma metodologia bayesiana<br />
integrada de descoberta de conhecimento em bancos de<br />
dados. Os resultados deste projeto contribuirão para o<br />
desenvolvimento teórico e prático da área de mineração<br />
de dados e redes bayesianas. Nesse sentido, as metodologias<br />
propostas levarão ao desenvolvimento de programas<br />
computacionais que automatizem as metodologias desenvolvidas<br />
e à produção de artigos científicos.<br />
identificação automática<br />
324 de relacionamento<br />
entre informações similares<br />
Alessandra Alaniz Macedo<br />
Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto<br />
Universidade de São Paulo (USP)<br />
Processo 2004/12477-7<br />
vigência: 1/3/2005 a 31/8/2009<br />
Fontes diferentes de informação, estilos diferentes<br />
de escrita e a curiosidade nata do ser huma<strong>no</strong> despertam<br />
Ciências Exatas<br />
175<br />
o interesse de leitores por conhecer mais de um relato<br />
sobre um mesmo tema. No contexto de pesquisas científicas,<br />
por exemplo, a identificação de trabalhos relacionados<br />
é condição necessária para o desenvolvimento do<br />
trabalho. Para que a leitura de diferentes relatos com conteúdo<br />
similar seja possível, leitores precisam procurar, ler<br />
e analisar informações fornecidas por diferentes fontes<br />
de informação. Essa atividade, além de exigir grande investimento<br />
de tempo, sobrecarrega cognitivamente usuários<br />
que dedicam atenção tanto à informação lida quanto<br />
à trilha percorrida. Explorando serviços de identificação<br />
automática de relacionamentos, usuários podem conhecer<br />
diferentes relatos de uma mesma informação sem<br />
precisar formular consultas e navegar por todo o conteúdo<br />
do espaço de informação. O objetivo proposto neste<br />
projeto é aprimorar e estender as pesquisas desenvolvidas<br />
por esta pesquisadora sobre definição automática de<br />
relacionamentos entre informações com conteúdo similar<br />
para poder aplicá-las em diferentes domínios. Essas<br />
pesquisas serão aplicadas, por exemplo, durante captura<br />
ubíqua em sala de aula e também com material relacionado<br />
à atividade médica.<br />
algoritmos evolucionários<br />
325 e redes neurais artificiais<br />
em problemas não estacionários<br />
Renato Ti<strong>no</strong>s<br />
Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto<br />
Universidade de São Paulo (USP)<br />
Processo 2004/04289-6<br />
vigência: 1/9/2004 a 30/11/2008<br />
Apesar de grande parte dos problemas de otimização<br />
em sistemas reais ser dinâmico, a pesquisa em<br />
Algoritmos Evolucionários (AEs) tem se concentrado<br />
basicamente em problemas de otimização estacionários.<br />
AEs são algoritmos de otimização inspirados na evolução<br />
natural e usam, geralmente, funções objetivo estáticas<br />
com ótimos globais fixos. Contudo, os sistemas reais<br />
operam na maior parte das vezes em ambientes dinâmicos<br />
em que a solução corrente deve evoluir de acordo<br />
com as mudanças. Vários são os exemplos de mudanças<br />
que ocorrem em problemas não estacionários, tais<br />
como falhas e deterioração de equipamentos, mudanças<br />
econômicas, doenças, mudanças nas configurações do<br />
ambiente, mudanças climáticas e mudanças devido a variáveis<br />
humanas. Este projeto visa ao estudo de AEs em<br />
problemas não estacionários, principalmente aqueles<br />
associados às redes neurais artificiais, bioinformática e<br />
robótica. Para isso, serão estudados algoritmos baseados<br />
na solução encontrada pela natureza de alterar a robustez<br />
de cada gene para permitir que seja mais ou me<strong>no</strong>s<br />
suscetível a mudanças.