Search

Orientador: Marcio Luiz de Andrade Netto Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação Resumo: Redes Neurais Artificiais Auto-Organizáveis (RNA-AO), introduzidas por Teuvo Kohonen na década de 60, constituem uma poderosa ferramenta para análise de dados, mais especificamente para análise de agrupamentos, visualização e aproximação de superfícies. Nesta tese definiu-se uma nova forma para determinar a dimensão topológica do espaço de saídada RNA-AO a partir da análise do conjunto de dados a ser explorado pela rede, realizada como apoio combinado da Teoria de Fractais e do Raciocínio Aproximado Fuzzy. Ao combinar essas duas teorias, concebeu-se uma nova medida de dimensão fractal, a medida de Dimensão Fractal Fuzzy Significativa (DFFS) de um conjunto de dados. Tanto o processo de determinação da DFFS quanto sua aplicação como inferência da dimensãotopológica para a RNA-AO foram validados neste trabalho. O primeiro por meio de sua aplicação ao problema de Tendência a Agrupamentos e o segundo por meio da análise de qualidade das RNAs-AO projetadas segundo tal inferência Abstract: Self Organizing Maps (SOM), introduced by Teuvo Kohonen during the decade of 1960's, is a powerful tool for data analysis, mainly for clustering analysis and surface approximation. In this thesis, we have defined a new way to determine the output space topological dimension of the SOM using the analysis of the dataset to be explored by the map. This analysis is carried out with the combined support of the Fractal Theory and the Fuzzy Approximated Reasoning, deriving a new fractal dimension measure: the Meaningful Fractal Fuzzy Dimension - DFFS (of the Portuguese "Dimensão Fractal:..Fuzzy Significativa"). The DFFS determination process and its application as an inference to the SOM topological dimension have been both validated in this work. The former has been carried out through its application to the Clustering Tendency Analysis and the latter through the quality analysis of the SOM designed by such inference Doutorado Engenharia de Computação Doutor em Engenharia Elétrica

We present in this paper a scoping review conducted in the interactive clustering area. Interactive clustering has been applied to leverage the strengths of both unsupervised and supervised learning. In interactive clustering, supervised learning is represented by inserting the knowledge of human experts in an originally unsupervised data analysis process. This scoping review aimed to organize the knowledge on (i) the applicability of interactive clustering methods, (ii) clustering algorithms being used to support interactive clustering, (iii) how to model the expert supervision and (iv) the effects brought by the expert supervision in the results produced. A systematic search for related literature was conducted in the Scopus database, resulting in the selection of 50 primary studies published by 2018. The analysis of these studies allowed us to identify trends such as: the application in text/image; use of partitioning and hierarchical algorithms; application of strategies based on split/merge, pairwise constraints, similarity metrics learning and data reassignment; and concern with visualization. In addition, some relevant issues not yet adequately addressed were identified, such as: the evaluation of expert supervision; the evaluation of the expert’s effort; and the conduction of studies effectively involving human experts, instead of computer simulations.

Although process model discovery has been extensively investigated over the past two decades, existing discovery methods are still not considered fully satisfactory. One problem is the difficulty of discovering accurate process models, achievable with both high recall (or fitness) and high precision, particularly for real-world event logs. This paper introduces a process discovery method, namely X-Processes, based on genetic algorithms, which aims to optimize accuracy through the F-Score calculated between recall and precision. Although genetic algorithms have been used to discover process models, such methods also have limitations as do other non-genetic algorithms-based methods. Experimental results for 12 real-world event logs show the accuracy of the process models discovered by X-Processes is higher than those of six other state-of-the-art discovery methods, including one also based on genetic algorithms. Besides accuracy, X-Processes delivers sound process models. Although its execution time is longer than the other compared discovery methods, X-Processes emerges as a solution when the need for a highly accurate process model outweighs the hunger for agility.

This paper presents an application to Information Retrieval using the Management Systems of Fuzzy Relational Database. The system implementation provides the observation of advantages on textual document retrieval, when it regards to the imprecision and incompleteness information about the research process and decision making. In a simple way, the accomplished tests show the efficiency obtained through the processing and persistence of information natural form allowed by the integration between Fuzzy Sets Theory and Database Technology. Este trabalho apresenta uma aplicação de Sistemas de Banco de Dados Relacionais Fuzzy na Recuperação de Informação Textual. O sistema implementado permite observar as vantagens obtidas na recuperação de documentos textuais quando a imprecisão e a incompletude da informação é considerada no processo de busca e tomada de decisão. Os testes realizados mostram, de forma simplificada, a eficiência alcançada através do processamento e a persistência da informação em sua forma natural, possibilitadas pelo uso integrado da Teoria de Conjuntos Fuzzy e da Tecnologia de Banco de Dados.

Dissertação (Mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico.

Contests are usually applied in the academic environment to simulate real professional situations that require from the participants a more pro-active attitude than the one shown in conventional coursework. Although they are commonly applied in the scope of a unique course, the contest described here was an extracurricular experience applied in an Information System undergraduate program. The evaluation of the contest is also presented; the objective was to assess the role of the contest as a tool to bring together interdisciplinary subjects, complementary to the traditional disciplinary structure of the program curriculum. The results indicate that a significant portion of the participants noticed increase in their knowledge after the contest, which is verified by statistical tests. However, students from the first stages received more benefits, probably because such students were more motivated and had more available time to be involved in the contest activities.

Orientadores: Marcio Luiz de Andrade Netto, Jose Alfredo Ferreira Costa Acompanha Anexo A: Midia com informações adicionais em CD-R Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação Resumo: Esta tese propõe novas metodologias de classificação não-supervisionada de imagens de sensoriamento remoto que particularmente exploram as características e propriedades do Mapa Auto-organizável de Kohonen (SOM - Self-Organizing Map). O ponto chave dos métodos de classificação propostos é realizar a análise de agrupamentos das imagens através do mapeamento produzido pelo SOM, ao invés de trabalhar diretamente com os padrões originais das cenas. Tal estratégia reduz significativamente a complexidade da análise dos dados, tornando possível a utilização de técnicas normalmente consideradas computacionalmente inviáveis para o processamento de imagens de sensoriamento remoto, como métodos de agrupamentos hierárquicos e índices de validação de agrupamentos. Diferentemente de outras abordagens, nas quais o SOM é utilizado como ferramenta de auxílio visual para a detecção de agrupamentos, nos métodos de classificação propostos, mecanismos para analisar de maneira automática o arranjo de neurônios de um SOM treinado são aplicados e aprimorados com o objetivo de encontrar as melhores partições para os conjuntos de dados das imagens. Baseando-se nas propriedades estatísticas do SOM, modificações nos cálculos de índices de validação agrupamentos são propostas com o objetivo de reduzir o custo computacional do processo de classificação das imagens. Técnicas de análise de textura em imagens são aplicadas para avaliar e filtrar amostras de treinamento e/ou protótipos do SOM que correspondem a regiões de transição entre classes de cobertura terrestre. Informações espaciais a respeito dos protótipos do SOM, além das informações de distância multiespectral, também são aplicadas em critérios de fusão de agrupamentos procurando facilitar a discriminação de classes de cobertura terrestre que apresentam alto grau de similaridade espectral. Resultados experimentais mostram que os métodos de classificação propostos apresentam vantagens significativas em relação às técnicas de classificação não-supervisionada mais freqüentemente utilizadas na área de sensoriamento remoto. Abstract: This thesis proposes new methods of unsupervised classification for remotely sensed images which particularly exploit the characteristics and properties of the Kohonen Self-Organizing Map (SOM). The key point is to execute the clustering process through a set of prototypes of SOM instead of analyzing directly the original patterns of the image. This strategy significantly reduces the complexity of data analysis, making it possible to use techniques that have not usually been considered computationally viable for processing remotely sensed images, such as hierarchical clustering methods and cluster validation indices. Unlike other approaches in which SOM is used as a visual tool for detection of clusters, the proposed classification methods automatically analyze the neurons grid of a trained SOM in order to find better partitions for data sets of images. Based on the statistical properties of the SOM, clustering validation indices calculated in a modified manner are proposed with the aim of reducing the computational cost of the classification process of images. Image texture analysis techniques are applied to evaluate and filter training samples and/or prototypes of the SOM that correspond to transition regions between land cover classes. Spatial information about the prototypes of the SOM, in addition to multiespectral distance information, are also incorporated in criteria for merging clusters with aim to facilitate the discrimination of land cover classes which have high spectral similarity. Experimental results show that the proposed classification methods present significant advantages when compared to unsupervised classification techniques frequently used in remote sensing. Doutorado Engenharia de Computação Doutor em Engenharia Elétrica

Orientador: Fernando Antônio Campos Gomide Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Sistemas evolutivos e processamento de dados de alta dimensão são de grande importância prática, atualmente sob intensa investigação. Esta dissertação introduz um neuro classificador evolutivo, avalia seu desempenho usando dados de alta dimensão e compara seu desempenho com classificadores evolutivos e clássicos representativos do estado da arte na área. O neuro classificador processa fluxos de dados continuamente e determina a estrutura de uma rede neural artificial e seus respectivos pesos sinápticos. Os resultados de simulação sugerem que o algoritmo proposto é competitivo quando comparado com os modelos evolutivos analisados nesta dissertação. Ele supera, em termos de taxa de classificação, todos os modelos na maioria dos conjuntos de dados considerados. Ainda, o neuro classificador requer um menor tempo de processamento por amostra entre os classificadores evolutivos e os clássicos não evolutivos Abstract: Evolving systems and high dimensional stream data processing algorithms are of enormous practical importance, and currently are under intensive investigation. This dissertation in- troduces an evolving neural classifying approach, evaluates its performance using high dimensional data, and compare its performance with evolving and classic classifier algorithms representative of the state of the art. The evolving neural classifier works in one-pass mode to find the neural network structure and its weights using high dimensional stream data. The results achieved by the proposed approach suggests that it is competitive with the evolving models addressed in this dissertation. It outperforms in classification rate all of them in most of the datasets considered. Also, the approach requires the lowest per sample processing time amongst the evolving and classic batch classifiers Mestrado Automação Mestre em Engenharia Elétrica CNPQ 156374/2014-5

Orientador: Hélio Pedrini Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação Resumo: O reconhecimento de emoções tem-se tornado um tópico relevante de pesquisa pela comunidade científica, uma vez que desempenha um papel essencial na melhoria contínua dos sistemas de interação humano-computador. Ele pode ser aplicado em diversas áreas, tais como medicina, entretenimento, vigilância, biometria, educação, redes sociais e computação afetiva. Há alguns desafios em aberto relacionados ao desenvolvimento de sistemas emocionais baseados em expressões faciais, como dados que refletem emoções mais espontâneas e cenários reais. Nesta tese de doutorado, apresentamos diferentes metodologias para o desenvolvimento de sistemas de reconhecimento de emoções baseado em expressões faciais, bem como sua aplicabilidade na resolução de outros problemas semelhantes. A primeira metodologia é apresentada para o reconhecimento de emoções em expressões faciais ocluídas baseada no Histograma da Transformada Census (CENTRIST). Expressões faciais ocluídas são reconstruídas usando a Análise Robusta de Componentes Principais (RPCA). A extração de características das expressões faciais é realizada pelo CENTRIST, bem como pelos Padrões Binários Locais (LBP), pela Codificação Local do Gradiente (LGC) e por uma extensão do LGC. O espaço de características gerado é reduzido aplicando-se a Análise de Componentes Principais (PCA) e a Análise Discriminante Linear (LDA). Os algoritmos K-Vizinhos mais Próximos (KNN) e Máquinas de Vetores de Suporte (SVM) são usados para classificação. O método alcançou taxas de acerto competitivas para expressões faciais ocluídas e não ocluídas. A segunda é proposta para o reconhecimento dinâmico de expressões faciais baseado em Ritmos Visuais (VR) e Imagens da História do Movimento (MHI), de modo que uma fusão de ambos descritores codifique informações de aparência, forma e movimento dos vídeos. Para extração das características, o Descritor Local de Weber (WLD), o CENTRIST, o Histograma de Gradientes Orientados (HOG) e a Matriz de Coocorrência em Nível de Cinza (GLCM) são empregados. A abordagem apresenta uma nova proposta para o reconhecimento dinâmico de expressões faciais e uma análise da relevância das partes faciais. A terceira é um método eficaz apresentado para o reconhecimento de emoções audiovisuais com base na fala e nas expressões faciais. A metodologia envolve uma rede neural híbrida para extrair características visuais e de áudio dos vídeos. Para extração de áudio, uma Rede Neural Convolucional (CNN) baseada no log-espectrograma de Mel é usada, enquanto uma CNN construída sobre a Transformada de Census é empregada para a extração das características visuais. Os atributos audiovisuais são reduzidos por PCA e LDA, então classificados por KNN, SVM, Regressão Logística (LR) e Gaussian Naïve Bayes (GNB). A abordagem obteve taxas de reconhecimento competitivas, especialmente em dados espontâneos. A penúltima investiga o problema de detectar a síndrome de Down a partir de fotografias. Um descritor geométrico é proposto para extrair características faciais. Experimentos realizados em uma base de dados pública mostram a eficácia da metodologia desenvolvida. A última metodologia trata do reconhecimento de síndromes genéticas em fotografias. O método visa extrair atributos faciais usando características de uma rede neural profunda e medidas antropométricas. Experimentos são realizados em uma base de dados pública, alcançando taxas de reconhecimento competitivas Abstract: Emotion recognition has become a relevant research topic by the scientific community, since it plays an essential role in the continuous improvement of human-computer interaction systems. It can be applied in various areas, for instance, medicine, entertainment, surveillance, biometrics, education, social networks, and affective computing. There are some open challenges related to the development of emotion systems based on facial expressions, such as data that reflect more spontaneous emotions and real scenarios. In this doctoral dissertation, we propose different methodologies to the development of emotion recognition systems based on facial expressions, as well as their applicability in the development of other similar problems. The first is an emotion recognition methodology for occluded facial expressions based on the Census Transform Histogram (CENTRIST). Occluded facial expressions are reconstructed using an algorithm based on Robust Principal Component Analysis (RPCA). Extraction of facial expression features is then performed by CENTRIST, as well as Local Binary Patterns (LBP), Local Gradient Coding (LGC), and an LGC extension. The generated feature space is reduced by applying Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA). K-Nearest Neighbor (KNN) and Support Vector Machine (SVM) algorithms are used for classification. This method reached competitive accuracy rates for occluded and non-occluded facial expressions. The second proposes a dynamic facial expression recognition based on Visual Rhythms (VR) and Motion History Images (MHI), such that a fusion of both encodes appearance, shape, and motion information of the video sequences. For feature extraction, Weber Local Descriptor (WLD), CENTRIST, Histogram of Oriented Gradients (HOG), and Gray-Level Co-occurrence Matrix (GLCM) are employed. This approach shows a new direction for performing dynamic facial expression recognition, and an analysis of the relevance of facial parts. The third is an effective method for audio-visual emotion recognition based on speech and facial expressions. The methodology involves a hybrid neural network to extract audio and visual features from videos. For audio extraction, a Convolutional Neural Network (CNN) based on log Mel-spectrogram is used, whereas a CNN built on Census Transform is employed for visual extraction. The audio and visual features are reduced by PCA and LDA, and classified through KNN, SVM, Logistic Regression (LR), and Gaussian Naïve Bayes (GNB). This approach achieves competitive recognition rates, especially in a spontaneous data set. The second last investigates the problem of detecting Down syndrome from photographs. A geometric descriptor is proposed to extract facial features. Experiments performed on a public data set show the effectiveness of the developed methodology. The last methodology is about recognizing genetic disorders in photos. This method focuses on extracting facial features using deep features and anthropometric measurements. Experiments are conducted on a public data set, achieving competitive recognition rates Doutorado Ciência da Computação Doutora em Ciência da Computação CNPQ 140532/2019-6 CAPES

Orientadores: Paula Dornhofer Paro Costa, Kate Mamhy Oliveira Kumada Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Surdos ao redor do mundo usam a língua de sinais para se comunicarem, porém, apesar da ampla disseminação dessas línguas, os surdos ou indivíduos com deficiência auditiva ainda enfrentam dificuldades na comunicação com ouvintes, na ausência de um intérprete. Tais dificuldades impactam negativamente o acesso dos surdos à educação, ao mercado de trabalho e aos serviços públicos em geral. As tecnologias assistivas, como o Reconhecimento Automático de Língua de Sinais, do inglês Automatic Sign Language Recognition (ASLR), visam superar esses obstáculos de comunicação. No entanto, o desenvolvimento de sistemas ASLR confiáveis apresenta vários desafios devido à complexidade linguística das línguas de sinais. As línguas de sinais (LSs) são sistemas linguísticos visuoespaciais que, como qualquer outra língua humana, apresentam variações linguísticas globais e regionais, além de um sistema gramatical. Além disso, as línguas de sinais não se baseiam apenas em gestos manuais, mas também em marcadores não-manuais, como expressões faciais. Nas línguas de sinais, as expressões faciais podem diferenciar itens lexicais, participar da construção sintática e contribuir para processos de intensificação, entre outras funções gramaticais e afetivas. Associado aos modelos de reconhecimento de gestos, o reconhecimento da expressões faciais é um componente essencial da tecnologia ASLR. Neste trabalho, propomos um sistema automático de reconhecimento de expressões faciais para Libras, a língua brasileira de sinais. A partir de uma pesquisa bibliográfica, apresentamos um estudo da linguagem e uma taxonomia diferente para expressões faciais de Libras associadas ao sistema de codificação de ações faciais. Além disso, um conjunto de dados de expressões faciais em Libras foi criado. Com base em experimentos, a decisão sobre a construção do nosso sistema foi através de pré-processamento e modelos de reconhecimento. Os recursos obtidos para a classificação das ações faciais são resultado da aplicação combinada de uma região de interesse, e informações geométricas da face dado embasamento teórico e a obtenção de desempenho melhor do que outras etapas testadas. Quanto aos classificadores, o SqueezeNet apresentou melhores taxas de precisão. Com isso, o potencial do modelo proposto vem da análise de 77% da acurácia média de reconhecimento das expressões faciais de Libras. Este trabalho contribui para o crescimento dos estudos que envolvem a visão computacional e os aspectos de reconhecimento da estrutura das expressões faciais da língua de sinais, e tem como foco principal a importância da anotação da ação facial de forma automatizada Abstract: Deaf people around the world use sign languages to communicate but, despite the wide dissemination of such languages, deaf or hard of hearing individuals still face difficulties in communicating with hearing individuals, in the absence of an interpreter. Such difficulties negatively impact the access of deaf individuals to education, to the job market, and to public services in general. Assistive technologies, such as Automatic Sign Language Recognition (ASLR), aim at overcoming such communication obstacles. However, the development of reliable ASLR systems imposes numerous challenges due the linguistic complexity of sign languages. Sign languages (SLs) are visuospatial linguistic systems that, like any other human language, present global and regional linguistic variations, and a grammatical system. Also, sign languages do not rely only on manual gestures but also non-manual markers, such as facial expressions. In SL, facial expressions may differentiate lexical items, participate in syntactic construction, and contribute to change the intensity of a sentence, among other grammatical and affective functions. Associated with the gesture recognition models, facial expression recognition (FER) is an essential component of ASLR technology. In this work, we propose an automatic facial expression recognition (FER) system for Brazilian Sign Language (Libras). Derived from a literature survey, we present a language study and a different taxonomy for facial expressions of Libras associated with the Facial Action Coding System (FACS). Also, a dataset of facial expressions in Libras was created. An experimental setting was done for the construction of our framework for a preprocessing stage and recognizer model. The features for the classification of the facial actions resulted from the application of a combined region of interest and geometric information given a theoretical basis and better performance than other tested steps. As for classifiers, SqueezeNet returned better accuracy rates. With this, the potential of the proposed model comes from the analysis of 77% of the average accuracy of recognition of Libras' facial expressions. This work contributes to the growth of studies that involve the computational vision and recognition aspects of the structure of sign language facial expressions, and its main focus is the importance of facial action annotation in an automated way Doutorado Engenharia de Computação Doutora em Engenharia Elétrica CAPES 001

A quite recent development in Machine Learning, Deep Learning is having a huge impact in Data Analytics, virtually replacing Artificial Neural Network for classification, regression and time series forecasting tasks. The motivation for the work herein presented derives from the question: What impact if any is Deep Learning making in Learning Analytics and Educational Data Mining? In order to answer this question a systematic review of the literature was carried out. It managed to identify and document the very first applications of Deep Learning in these areas and the quite fast increase of related publications in the second half of the current decade. The review also documented the main tasks in Learning Analytics and Educational Data Mining that can benefit from this new approach, namely multimodal learning analytics and, more generally, any Learning Analytics or Educational Data Mining task that can be modeled as a supervised learning task where raw, unprocessed data is available. In order to develop a Learning Analytics application in this guise, an experiment in automated essay scoring was developed. The architecture used for the experiment was the stacked bidirectional LSTM. An innovative aspect of the experiment was to study the effect of different word embedding techniques has on the learning of the task. Um desenvolvimento relativamente recente na área de Aprendizagem de Máquina, Deep Learning tem tido um impacto muito grande em Analítica de Dados, praticamente substituindo Redes Neurais Artificiais nas tarefas relacionadas a classificação, regressão e previsão de séries temporais. A motivação do trabalho vem da interrogação a respeito dos possíveis impactos de Deep Learning nas áreas de Analítica de Aprendizagem e Mineração de Dados Educacionais. No sentido de responder a essa pergunta, foi feita uma revisão sistemática de literatura que identificou e documentou as primeiras aplicações de Deep Learning nessas áreas e o crescimento acelerado das publicações relacionadas ao longo da segunda metade da década corrente. A revisão também documentou as principais tarefas de Analítica de Aprendizagem e Mineração de Dados Educacionais às quais Deep Learning tem sido aplicada e identificou duas novas vertentes de pesquisa que podem se beneficiar dessa nova abordagem: Analítica de Aprendizagem Multimodal e, mais geralmente, qualquer tarefa de Analítica de Aprendizagem ou Mineração de Dados Educacionais que possa ser modelada com uma tarefa de aprendizagem supervisionada na qual dados brutos, não processados, estejam disponíveis. No intuito de desenvolver uma aplicação em Analítica de Aprendizagem nessa direção, foi feito um experimento voltado à pontuação automática de ensaios. A arquitetura de Deep Learning usada no experimento foi a rede LSTM bidirecional empilhada. Um aspecto inédito do experimento foi o estudo do efeito que teria na facilidade de aprendizado da tarefa a forma de se representar as palavras no ensaio, por meio de diferentes codificações vetoriais contínuas.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Despite the improvement in schooling rates pointed by international indicators such as PISA 2012/2015 - Program for International Student Assessment, the education quality in Brazil continues to be very poor, necessitating improvements in practically all aspects assessed by the OECD, which organizes PISA, such as performance in reading and mathematics. This study aims to contribute with techniques that can improve the analysis of educational data and proposes the use of self-organizing maps (SOM) as a tool for exploratory data analysis to support discoveries and diagnoses related to school performance, focusing on the analysis of tests developed to measure the development of cognitive abilities in students. It is hoped that these techniques of analysis can help educational researchers in the preparation of better diagnoses related to student’s cognitive development and to assist in the validation process and normalization of the cognitive tests, thus providing techniques for data visualization, patterns and outliers detection, cluster analysis and searching at hidden information in the data. Apesar da melhora nos índices de escolarização apontada por indicadores internacionais tais como o PISA 2012/2015 - Programme for International Student Assessment, a qualidade da educação no Brasil continua muito ruim, necessitando de melhorias em praticamente todos os aspectos avaliados pela Organisation for Economic Co-operation and Development - OECD, que organiza o PISA, tais como o desempenho na leitura e no ensino da matemática. Este estudo tem como objetivo contribuir com técnicas que possam aperfeiçoar a análise dos dados educacionais e propõe o uso de mapas auto-organizáveis (SOM) como ferramenta para a análise exploratória de dados no apoio a descobertas e diagnósticos relativos a performance escolar, focando na análise de testes voltados para medir o desenvolvimento das habilidades cognitivas em estudantes. Espera-se que essas técnicas de analise possam auxiliar os pesquisadores da área educacional na elaboração de melhores diagnósticos relativos ao desenvolvimento cognitivo dos estudantes e auxiliar no processo de validação e normalização dos testes cognitivos, provendo, desta forma, técnicas para visualização dos dados, identificação de padrões, identificação de outliers, detecção de agrupamentos e busca por informações ocultas nos dados.

Orientador: Prof. Dr. Fabrício Olivetti de França Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Ciência da Computação, 2017. Go é um jogo de tabuleiro que chama muita atenção na área de Inteligência Artificial, por ser um problema complexo de resolver e precisar de diferentes estratégias para obter um bom nível de habilidade no jogo. Até 2015, todos os melhores programas de Go precisavam começar a partida com vantagem para poder ganhar de um jogador profissional, mas no final de 2015, o programa AlphaGo foi o primeiro e único até o momento capaz de vencer um jogador profissional sem precisar de vantagem, combinando o uso de redes neurais convolucionais profundas para direcionar as buscas em árvores de Monte-Carlo. Esta dissertação tem como objetivo principal criar um agente inteligente de Go que decide seus próximos movimentoscom base no cenário atual do tabuleiro e em modelos de predição criados para três estratégias específicas do jogo. Para isso, duas hipóteses foram testadas: i) é possívelespecializar agentes inteligentes para o aprendizado de estratégias parciais do jogo de Go, ii) a combinação dessas estratégias permitem a construção de um agente inteligente para o jogo de Go. Para a primeira hipótese um agente foi treinado para aprender, com base em um jogador heurístico e posteriormente com base nos melhores agentes treinados, a posicionar as pedras para permitir a expansão do território, este agente aprendeu a generalizar esta estratégia contra os indivíduos treinados em diferentes estágios e também a capturar pedras. Também foram treinados dois agentes com base na resolução de problemas, com objetivo de aprenderem as estratégias específicas de captura e defesa das pedras. Em ambos os treinamentos foi possível notar que o conhecimento para resolver um problema era propagado para as próximas gerações de indivíduos, mas o nível de aprendizado foi baixo devido ao pouco treinamento. Para a segunda hipótese, um agente foi treinado para decidir qual das três estratégias específicas utilizar de acordo com o estado atual do tabuleiro. Foi possível constatar que este agente, jogando contra outros indivíduos da população, evoluiu na escolha de melhores estratégias, permitindo a dominação de territórios, captura e defensa das pedras. Os agentes foram criados utilizando Redes Neurais Convolucionais, sem qualquer conhecimento prévio sobre como jogar Go, e o treinamento foi feito com Neuroevolução. Como resultado foi possível perceber a evolução dos agentes para aprender as estratégias e comportamentos distintos de forma segmentada. O nível do agente inteligente gerado ainda está distante de um jogador profissional, porém ainda existem opções de melhorias para serem testadas com parametrização, reformulação da função de aptidão, entre outros. Esses resultados propõem novas possibilidades para a criação de agentes inteligentes para jogos complexos. Go is a board game that draws a lot of attention in the Artificial Intelligence area, because it is a complex problem to solve and needs different strategies in order to obtain a good skill level in the game. By 2015, all the Go¿s best programs must start the match with advantage to win over a professional player, but in the end of 2015, the AlphaGo program was the first and, so far, the only one capable of beating a professional player without needing advantage, combining the use of deep convolutional neural networks to orientate the searches on Monte-Carlo trees. This dissertation has as main objective to create an intelligent agent of Go that decides its next movements based on current scenario of the board and in prediction models created for three specific strategies of the game. For this purpose, two hypothesis were tested: i) whether it is possible to specialize intelligent agents to learn partial strategies of Go game, ii) whether the combination of these strategies allows the construction of an intelligent agent to play Go. For the first hyphotesis, an agent was trained to learn, based on matches again a heuristic player and later based on the best trained agents, to position the stones to allow the expansion of territory, this agent learn to generalize this strategy against individuals trained in different stages and capture stones too. Two agents were also trained based on problem solving, in order to learn the specific strategies of catching and defense of stones. In both trainings were possible to note that the knowledge to solve a problem was propagated to the next generations of individuals, but the level of learning was low due to the short training. For the second hyphotesis, an agent was trained to decide which of the three specific strategies to use according to the current state of the board. It was possible to verify that this agent, playing against other individuals population, evolved in choosing better strategies, allowing territories domination, capture and defend stones. The agents was created using Convolution Neural Networks, without any previous knowledge about how to play Go, and the training was performed using Neuroevolution. As a result, it was possible to perceive the evolution of agents to learn different strategies and behaviours in a segmented way. The intelligent agent generated¿s skill still far from a professional player, however there are still options for improvement to be tested with parameterization, reformulation of fitness function, and others. These results propose new opportunities for the creation of intelligent agents for complex games.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Self-organizing maps (SOM) are artificial neural networks widely used in the data mining field, mainly because they constitute a dimensionality reduction technique given the fixed grid of neurons associated with the network. In order to properly the partition and visualize the SOM network, the various methods available in the literature must be applied in a post-processing stage, that consists of inferring, through its neurons, relevant characteristics of the data set. In general, such processing applied to the network neurons, instead of the entire database, reduces the computational costs due to vector quantization. This work proposes a post-processing of the SOM neurons in the input and output spaces, combining visualization techniques with algorithms based on gravitational forces and the search for the shortest path with the greatest reward. Such methods take into account the connection strength between neighbouring neurons and characteristics of pattern density and distances among neurons, both associated with the position that the neurons occupy in the data space after training the network. Thus, the goal consists of defining more clearly the arrangement of the clusters present in the data. Experiments were carried out so as to evaluate the proposed methods using various artificially generated data sets, as well as real world data sets. The results obtained were compared with those from a number of well-known methods existent in the literature Os mapas auto-organizáveis (SOM) são redes neurais artificiais amplamente utilizadas no campo da mineração de dados, principalmente por se constituírem numa técnica de redução de dimensionalidade dada a grade fixa de neurônios associada à rede. A fim de particionar e visualizar adequadamente a rede SOM, os diversos métodos existentes na literatura devem ser aplicados em uma etapa de pós-processamento nos seus neurônios, visando inferir características relevantes do conjunto de dados. Em geral, tal processamento efetuado sobre os neurônios da rede, ao invés do conjunto de dados em sua totalidade, reduz o custo computacional, dada a quantização vetorial. Este trabalho propõe pós-processamentos dos neurônios da rede SOM nos espaços de entrada e de saída, aliando técnicas de visualização a algoritmos baseados na força gravitacional e na procura do menor caminho com maior recompensa. Tais métodos levam em consideração forças de ligação entre neurônios vizinhos e características de distâncias e densidade de padrões, ambas associadas a posição que o neurônio ocupa no espaço dos dados após o treinamento da rede. Dessa forma, busca-se definir mais nitidamente a disposição dos agrupamentos presentes nos dados. Experimentos foram realizados para avaliar os métodos propostos utilizando diversos conjuntos de dados gerados artificialmente, assim como conjuntos de dados do mundo real. Os resultados obtidos foram comparados com aqueles provenientes de alguns métodos bem conhecidos existentes na literatura

Orientador: Prof. Dr. Maurício Fernandes Figueiredo Dissertação (mestrado em Ciência da Computação)--Universidade Estadual de Maringá, 2006 Resumo: Inserido no contexto dos Sistemas Autônomos Inteligentes, este trabalho foca especificamente uma nova classe de redes neurais, com características apropriadas para fornecer suporte ao projeto de tais sistemas. O desenvolvimento e teste são detalhados e uma discussão sobre os resultados é oferecida. Em relação a diferentes aspectos, a rede neural é inovadora. Os principais adjetivos que rotulam a arquitetura são: modular, multicamadas e camadas topológicas. Ela apresenta ainda uma conectividade sináptica restrita e randômica que a distingue das propostas usuais. A dinâmica de ativação se origina a partir da configuração das conexões e do modelo neural utilizado. A capacidade de aprendizado é promovida através de uma estratégia não-supervisionada, especificamente, o aprendizado por reforço clássico (uma estratégia inspirada no condicionamento psicológico). A contraparte biológica é adotada como referência para guiar todas as decisões de projeto, aumentando a probabilidade do desenvolvimento de boas propostas artificiais. Um simulador, desenvolvido especificamente par a os propósitos deste trabalho, é implementado juntamente com os testes e os sistemas investigados, provendo um ambiente apropriado para experimentação. Diferentes classes de experimentos são consideradas, cada uma associada a objetivos e critérios específicos. Alguns experimentos avaliam a capacidade da rede neural em reproduzir resultados relatados pela teoria do condicionamento operante, enquanto outros estão relacionados a problemas de controle autônomo simples. Bons resultados são encontrados em termos de reprodução das características psicológicas da contraparte biológica. Os sistemas autônomos apresentam também desempenho satisfatório. De maneira geral, os experimentos mostram que a proposta oculta potenciais interessantes, gerando expectativas cativantes que motivam futuras melhorias Abstract: Inserted in the context of the Intelligent Autonomous Systems, this work focuses specifically on a new class of neural network, with suitable characteristics to support intelligent autonomous system projects. Development chapters, namely, design and tests are detailed and a discussion about the results is offered. According to different aspects, the neural network is innovative. The main adjectives of the architecture are: modular, multilayer and layer topologic. Furthermore it presents a restricted and random synaptic connectivity, distinguishing it from usual proposals. Activation dynamics are originated from the connectivity pattern and from the neuron model, as well. A non-supervised strategy provides the capability for learning. In fact it is considered the classical reinforcement learning (a strategy inspired from the psychological conditioning) to underlie that capability. The biological counterpart is adopted as a reference to guide all project decisions, increasing the probability to design good artificial counterpart proposals. A simulator, designed specifically for the purposes of this work and implemented jointly with tests and investigated systems, provides an appropriate environment for experimentation. Different classes of experiments are considered, each of which associated to respective objectives and criteria. Some of them evaluate the capability of the neural network to reproduce results reported from the operant conditioning theory, while others are related to simple autonomous control problems. Good results are found in terms of reproducing the psychological characteristics of biological counterparts. The autonomous systems show satisfactory performances. As a whole, the experiments show that the proposal hide interesting potentials, generating captivating expectations that motivate future improvements