O Departamento de Física da UFPE realiza o webcolóquio “Aprendizagem de máquina a partir de dados simbólicos”, apresentado pelo professor Francisco de A.T. de Carvalho, do Centro de Informatica da UFPE. O colóquio acontece na sexta-feira (8), às 16h, via Google Meet. Os organizadores do evento orientam que se entre com o microfone desligado e pelo e-mail institucional (@ufpe).

O palestrante é professor e pesquisador do CIn-UFPE desde 1999 e é professor titular da UFPE desde 2011. Coordenou vários projetos de pesquisa com financiamento (CNPq, Facepe). Atualmente, é pesquisador 1A do CNPq. Em 2021, recebeu o Prêmio de Mérito Científico da SBC (Sociedade Brasileira de Computação). Está na faixa de 2% dos cientistas mais influentes do mundo na área de Inteligência Artificial e Processamento de Imagens ao longo de toda a sua carreira e nos anos de 2019 e 2020 segundo estudo da Plos Biology/Elsevier. Está entre os 50 autores mais influentes e foi o 14º autor mais produtivo (dentre 13970) na área de automatic clustering algorithms considerando um período de 30 anos (entre 1989 e 2019) segundo estudo da Neural Computing and Applications. Suas contribuições científicas foram realizadas em Aprendizagem de Máquina, com ênfase em aprendizado não supervisionado e aprendizado de máquina a partir de dados simbólicos. No CIn, atuou como coordenador de pós-graduação, chefe de departamento e membro do conselho departamental.

Resumo

Nessa apresentação, primeiro destacamos o interesse e vantagens da introdução de novos tipos de variáveis (atributos) e dados (ditos simbólicos) para descrever e analisar itens que representam grupos de indivíduos levando em conta a variabilidade interna dos mesmos. Em seguida, destacamos a necessidade e os desafios de fazer aprendizagem de máquina a partir de dados simbólicos, focando no caso das variáveis de tipo intervalo através de dois estudos. O primeiro,no quadro da aprendizagem não supervisionada, apresenta uma extensão do fuzzy k-means para dados descritos por variáveis de tipo intervalo. O segundo, no quadro da aprendizagem supervisionada, apresenta uma extensão da regressão a partir dos mínimos quadrados dos resíduos dados descritos por variáveis de tipo intervalo usando funções de kernel. A apresentação será concluída relembrando as vantagens e os desafios dessa área.