Stricto Sensu

Sistemas Inteligentes Aplicados (ELE2763)

Descrição

I. Limpeza de Dados
   I.1 Limpeza em Bases de Dados
   I.2 Limpeza em Dados Numéricos
II. Transformação de dados
   II.1 Discretização de Variáveis Contínuas
   II.2 Transformação de Variáveis Discretas em Contínuas
   II.3 Transformação de Variáveis Contínuas
III. Análise e seleção de variáveis (Redução de Dados) - Métodos independentes do modelo
IV. Construção de Múltiplos Modelos
   IV.1   Driven Pattern Replication,  “Boosting” (Bootstrap Aggregating) e “Arc-ing” (Adaptive Reweighting and Combining)
V.  Combinação de Múltiplos Modelos
   V.1 Voting, Borda Count e Averaging
VI. Metodologias para análise de desempenho
   VI.1 Cross-validation, métricas de erro, curvas ROC, etc.
VII. Modelos para tratamento de incertezas
   VII.1 Tipos de incertezas
   VII.2 Técnicas para a representação de incertezas:
      VII.2.1 Variáveis incertas: Cenários, Conjuntos Fuzzy, Teoria intervalar
      VII.2.2 Variáveis aleatórias: Distribuições de probabilidade, Processos estocásticos, Números Fuzzy
   VII.3 Técnicas de Redução de Variância e Técnicas de Amostragem:
      VII.3.1 Variáveis Antitéticas, Variáveis de Controle, Estratificação, Importance Sampling, Latin Hipercube Sampling (LHS), Seqüências de Baixa Discrepância ou Quase-Monte Carlo (QMC), Amostragem por Quase Monte Carlo
   VII.4 Geração de números pseudo-aleatórios: comprimento das seqüências de números pseudo-aleatórios
   VII.5 Metodologias para tratamento de incertezas: Equações diferenciais, simulação Monte Carlo, simulação Monte Carlo Fuzzy.

Objetivos

O curso envolve a concepção e o desenvolvimento de sistemas inteligentes aplicados a um problema específico, através da vivência de todo o processo de pesquisa: pesquisa bibliográfica, modelagem, desenvolvimento, estudo de caso, produção de artigo e apresentação oral. O objetivo da disciplina, normalmente cursada no segundo ou terceiro períodos de matrícula, é auxiliar o aluno a identificar um tema e fazer progredir a pesquisa de mestrado ou doutorado.

O curso envolve aulas teóricas e o desenvolvimento de um projeto prático, definido de acordo com o interesse de cada aluno. As aulas teóricas apresentam temas fundamentais e complementares aos apresentados nas disciplinas básicas da linha de pesquisa em Inteligência Computacional, os quais são importantes para o correto desenvolvimento de um sistema inteligente real. Ao final do curso, além da prova sobre os temas fundamentais, cada aluno deverá:

  • Apresentar seu projeto funcionando;
  • Produzir um artigo técnico;
  • Submeter o artigo a uma conferência nacional ou internacional, escolhida em comum acordo com os professores da disciplina e o orientador;
  • Apresentar o seu trabalho num workshop interno do DEE.
Ementa

Limpeza/Integração de Dados; Transformação de Dados (Discretização de Variáveis Contínuas, Transformação de Variáveis Discretas em Contínuas, Transformação de Variáveis Contínuas); Análise e seleção de variáveis (Redução de dados); Construção e Combinação de Múltiplos Modelos (Driven Pattern Replication, Bootstrap Aggregating e Adaptive Reweighting and Combining, Voting, Borda Count e Averaging); Metodologias para análise de desempenho (cross-validation, métricas de erro, curvas ROC); Modelos para tratamento de incertezas; Representação de incertezas (Cenários, Conjuntos Fuzzy, Teoria intervalar, Distribuições de probabilidade, Processos estocásticos, Números Fuzzy); Técnicas de Redução de Variância e Técnicas de Amostragem (Variáveis Antitéticas, Variáveis de Controle, Estratificação, Importance Sampling, Latin Hipercube Sampling, Seqüências de Baixa Discrepância ou Quase-Monte Carlo, Amostragem por Quase Monte Carlo); Geração de números pseudo-aleatórios; Metodologias para tratamento de incertezas (Equações diferenciais, simulação Monte Carlo, simulação Monte Carlo Fuzzy).

Cursos
  • Mestrado / Doutorado em Engenharia Elétrica
Pré-Requisitos

Redes Neurais I, Computação Evolucionária ou Lógica Fuzzy (sugestão)

Professores

Não Disponível.

Bibliografia
  • WITTEN, Ian H. & FRANK, Eibe, Data Mining: Practical Machine Learning Tools and Techniques, Elsevier – Morgan Kaufmann Publishers, 2005.
  • JANG, J.-S. R., SUN, C.-T., E. Mizutani, Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice-Hall, 1997.
  • MICHALEWICZ, Z., Genetic Algorithms+Data Structures=Evolution Programs, Springer-Verlag-1994
  • SCHJAER-JACOBSEN, Hans, Representation and Calculation of Economic
  • Uncertainties: Intervals, Fuzzy Numbers, and Probabilities, International
  • Journal of Production Economics, Volume 78, Issue 1, 1 July 2002, pp. 91-98.
  • TANG, B., Orthogonal Array-based Lain Hypercube, Journal of the American
  • Statistical Association, 88, pp. 1392-1397, 1993.
  • WANG, Xiaoqun, Variance Reduction Techniques and Quasi-Monte Carlo Meth-ods, Journal of Computational and Applied Mathematics, Nº 132, pp.309-318, 2001.
Avaliação

Artigo sobre o Projeto (A), Apresentação Final (F), Prova (Pr)
Média Projeto (MP) = [3*A + F]/4
Média Final = [MP + Pr]/2

Carga Horária

Não Disponível.

Outras Informações

Não Disponível.

Ementa Detalhada

Não Disponível