Aprendizado de Máquina e Aplicações

Resumo: O projeto visa explorar e desenvolver técnicas avançadas de aprendizado de máquina (AM) para resolver problemas complexos em diversas áreas, como reconhecimento de padrões, análise de dados e inteligência artificial aplicada. O objetivo principal é investigar métodos inovadores que aprimorem a precisão, eficiência e aplicabilidade de algoritmos de AM em contextos reais. O referencial teórico do projeto é fundamentado nas principais teorias e modelos de aprendizado de máquina, abrangendo técnicas supervisionadas, não supervisionadas e por reforço, tais como as listadas em [1, 2, 3, 4, 5].

A pesquisa adota uma abordagem metodológica que combina experimentação empírica, desenvolvimento teórico e validação prática. Tipicamente, a pesquisa é dividida nas seguintes etapas:

A) Revisão da Literatura: Uma análise detalhada das técnicas de AM existentes e suas aplicações em diversas áreas para identificar lacunas e oportunidades de melhoria.
B) Desenvolvimento de Modelos: Criação e otimização de novos algoritmos de AM utilizando linguagens de programação como Python e bibliotecas como TensorFlow e PyTorch.
C) Validação e Testes: Implementação de experimentos para validar os modelos desenvolvidos em conjuntos de dados reais e simulados, avaliando a eficácia e a robustez dos algoritmos.
D) Aplicações Práticas: Aplicação dos modelos em áreas específicas, como saúde, finanças, engenharias e direito, para demonstrar seu impacto e utilidade prática.

Portanto, o projeto busca avançar o estado da arte em aprendizado de máquina, propondo novos métodos e validando suas aplicações práticas. Ao combinar uma base teórica sólida com uma abordagem metodológica rigorosa, espera-se contribuir significativamente para o desenvolvimento de tecnologias inteligentes e eficientes, capazes de transformar dados em insights valiosos para diversas indústrias e setores.

[1] Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

[2] Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.

[3] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

[4] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.

[5] Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.

Data de início: 04/04/2024
Prazo (meses): 60

Participantes:

Papel	Nome
Aluno Mestrado	JORDANA LUCIA REIS
Aluno Mestrado	WHARLEY BORGES FERREIRA
Aluno Mestrado	JONATHAN DA FONSECA ISAAC
Aluno Mestrado	TULIO VALERIO DA SILVA CORREIA
Coordenador	FLÁVIO MIGUEL VAREJÃO