Título: Machine Learning for Incomplete Data

Data: 14/07/2017 Horário: 09:30h Local: Sala de Videoconferência do Instituto de Cultura e Arte - Campus do Pici

Resumo:

Métodos baseados em funções de base (como as funções sigmoid e a q-Gaussian) e medidas de similaridade (como distâncias ou funções de kernel) são comuns em Aprendizado de Máquina e áreas correlatas. Comumente, no entanto, esses métodos não são equipados para utilizar dados incompletos de maneira orgânica. Isso pode ser visto como um impedimento, uma vez que dados parcialmente observados são comuns em vários domínios, como aplicações médicas e dados provenientes de sensores. Nessa dissertação, propomos metodologias para estimar o valor do kernel Gaussiano, da distância Euclidiana , do kernel Epanechnikov e de funções de base arbitrárias na presençaa de vetores possivelmente parcialmente observados. Para obter tais estimativas, os vetores incompletos são tratados como variáveis aleatórias e, baseado nisso, tomamos o valor esperado da transformada de interesse.

Banca:

• Prof. Dr. João Paulo Pordeus Gomes (MDCC/UFC - Orientador)
• Prof. Dr. José Antônio Fernandes de Macêdo (MDCC/UFC)
• Prof. Dr. Aluizio Fausto Ribeiro Araújo (UFPE)
• Prof. Dr. André Luís Vasconcelos Coelho (UNIFOR)