Search

Labeling a music recording according to its genre is an intuitive and familiar way to describe its content. Music genres are valuable information, especially for music organization, personalized listening experience, and playlist generation. Automatically classifying music genres is a challenging endeavor due to the inherent ambiguity and subjectivity. Most efforts on music genre classification consider the complete independence between labels. However, music genres typically respect a hierarchical structure based on the influences or origins of each style. Conversely, many of the methods available for hierarchical classification are based on assumptions about the class hierarchy, such as the need for multiple children in each hierarchy's node, which may limit their use in music applications. Also, the local classifier per node approach that would be the most suitable for this scenario is costly regarding time and memory. In this paper, we present two local hierarchical classification approaches and show how to combine them to obtain a single one that is more robust and faithful to the music genre classification scenario. We evaluate our proposal in a music dataset hierarchically labeled with 120 music genres. As shown, compared to state-of-the-art approaches, our approach has a lower computational cost and can achieve competitive performances.

Music information retrieval (MIR) has been gaining increasing attention in both industry and academia. While many algorithms for MIR rely on assessing feature subsequences, the user normally has no resources to interpret the significance of these patterns. Interpreting the relations between these temporal patterns and some aspects of the assessed songs can help understanding not only some algorithms' outcomes but the kind of patterns which better defines a set of similarly labeled recordings. In this work, we present a novel method to assess these relations, constructing an association rule network from temporal patterns obtained by a simple quantization process. With an empirical evaluation, we illustrate how we can use our method to explore these relations in a varied set of data and labels.

[TODO] Add abstract here.

[TODO] Add abstract here.

Outra Machine learning is a term linked to data science, a multidisciplinary area that encom- passes knowledge of computer science, mathematics, and domain experience. Given this multidisciplinary nature, a wide variety of challenges are presented to its practitioners, as a wide range of skills is required to train models and put them into production. Part of these challenges can be solved with the help of machine learning tools and platforms. In this context, the Apache Marvin-AI is an open-source machine learning platform that offers a standardized way to develop and put machine learning models into production. While Apache Marvin-AI has a lot to offer for novices and data scientists who do not have the software engineering skills to deal with the aforementioned issues, it lacks features desired by more advanced users. To solve this problem, an architectural evolution and evaluation was carried out. The process was guided by a simplified version of ATAM (Architecture Tradeoff Analysis Method), adapted to work on a distributed open-source development en- vironment. The results of this process were analyzed in four different ways: (i) source code static analysis; (ii) feedback from stakeholders; (iii) taxonomy analysis to assess the ma- turity of the developed solutions; and (iv) an assessment of the new monitoring features. Overall, the process of designing, implementing, and evaluating the new architecture was deemed successful by all four independent evaluations, and the lessons learned are impor- tant contributions from this work. Aprendizado de máquina é um termo vinculado à ciência de dados, uma área multidis- ciplinar que engloba conhecimentos da ciência da computação, matemática e experiência em um domínio. Dada esta natureza multidisciplinar, uma grande variedade de desafios se apresenta para seus praticantes, visto que uma vasta gama de habilidades é necessária para treinar modelos e colocá-los em produção. Parte desses desafios pode ser resolvida com a ajuda de ferramentas e plataformas de aprendizado de máquina. Nesse contexto, a plataforma de aprendizado de máquina de código aberto Apache Marvin-AI oferece uma maneira padronizada de desenvolver e colocar modelos de aprendizado de máquina em pro- dução. Embora o Apache Marvin-AI tenha muito a oferecer para iniciantes e cientistas de dados que não possuem as habilidades de engenharia de software para lidar com os prob- lemas mencionados anteriormente, faltam recursos desejados por usuários mais avançados. Para resolver este problema, foi realizada a evolução e avaliação arquitetural do Marvin- AI. O processo foi guiado por uma versão simplificada do ATAM (Architecture Tradeoff Analysis Method), que foi adaptada para funcionar em um ambiente de desenvolvimento distribuído de código aberto. O resultado do processo foi avaliado de quatro formas distin- tas: (i) análise estática de código-fonte; (ii) feedback das partes interessadas; (iii) a análise de taxonomia para avaliar a maturidade das soluções desenvolvidas; e (iv) uma avaliação das novas features de monitoramento. No geral, o processo de concepção, implementação e avaliação da nova arquitetura foi considerado bem-sucedido por todas as quatro avaliações independentes, e as lições aprendidas constituem importantes contribuições deste trabalho. B2W Digital: 23112.000186/2020-97

Outra Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Network Architecture Search (NAS) has achieved great results and generated models comparable with humans’ classifications. Automating the definition of a neural architecture reduces the need for expert work efforts and mitigates human bias from architecture design. NAS techniques usually consist of an algorithm to search for the best architecture in a predetermined space of parameters or functions. Due to the number of deep neural architectures parameters, this search space includes millions of combinations, making NAS a cost procedure and may lead the search to overfit the training set. To reduce NAS search spaces’ complexity and still obtain competitive results, we propose CoNAS, a committee of NAS-based models, by restricting the search spaces to perform Differentiable ARchiTecture Search (DARTS). Our results point to improved accuracy over DARTS on two experimental scenarios: raining from scratch and using a transfer learning approach. A Busca por Arquitetura de Redes Neurais (Network Architecture Search – NAS) tem obtido ótimos resultados e gerou modelos comparáveis às classificações humanas. Automatizar a definição de uma arquitetura neural reduz a necessidade de esforços de trabalho especializado e mitiga o preconceito humano do projeto de arquitetura. As técnicas de NAS geralmente consistem em um algoritmo para buscar a melhor arquitetura em um espaço pré-determinado de parâmetros ou funções. Devido ao número de parâmetros de arquiteturas neurais profundas, esse espaço de busca inclui milhões de combinações, o que torna o NAS um procedimento custoso e pode levar a busca a super ajustar o conjunto de treinamento. Para reduzir a complexidade dos espaços de busca NAS e ainda obter resultados competitivos, propomos o CoNAS, um comitê de modelos baseados em NAS, restringindo os espaços de busca para realizar a Busca Diferenciável de Arquitetura (Differentiable ARchiTecture Search – DARTS). Nossos resultados apontam para uma maior precisão em relação ao DARTS tanto em cenários em que a rede é treinada do zero quanto usando uma abordagem de aprendizagem por transferência. B2W Digital: 23112.000186/2020-97 CAPES: Código de Financiamento 001

Outra Data preparation is a essential stage in the machine learning pipeline, aiming to convert noisy and disordered data into refined data compatible with the algorithms. However, data preparation is time-consuming and requires specialized knowledge. In this scenario, automating data preparation and decreasing the effort made by data scientists at this stage is a scientific challenge of great practical relevance. Each dataset has its particular characteristics and can be interpreted in different ways. Despite its relevance, current automated machine learning (AutoML) platforms disregard or make simple hardcoded pipelines for data preparation. Trying to fill this gap, we present a meta-learning-based recommendation system for data preparation. Our system recommends five pipelines, ranked by their relevance, so it is useful for users with varied experience levels. Using the top recommendation to simulate an entirely automatic choice of data preparation pipeline, we demonstrate that our proposal allows a better performance of an AutoML system, unable to find a classification model due to the noisy data. Besides, our method's accuracy rates are similar to those achieved by a reinforcement-learning-based algorithm with the same goal, but it is up to two orders of magnitude faster. Morevover, we demonstrate our method in a real-world application and evaluate its benefits and limitations in this scenario. A preparação de dados é uma etapa essencial no pipeline de aprendizado de máquina, com o objetivo de converter dados volumosos e inconstantes em dados refinados compatíveis com os algoritmos a serem aplicados. No entanto, a preparação de dados demanda muito tempo e requer conhecimento especializado. Cada conjunto de dados tem suas características particulares, que devem ser levadas em conta, e pode ser interpretado de maneiras diferentes. Nesse cenário, automatizar a preparação de dados e, por consequência, diminuir o esforço feito pelos cientistas de dados nesse estágio é um desafio científico de grande relevância prática. Apesar de sua relevância, as plataformas de automatização do aprendizado de máquina (AutoML) atuais desconsideram ou criam pipelines pré-definidos para a preparação de dados, que não se adaptam às características do conjunto de dados a ser tratado. Tentando preencher essa lacuna, apresentamos um sistema de recomendação baseado em meta-aprendizado para a preparação de dados. Nosso sistema recomenda cinco pipelines, classificados por relevância. Dessa maneira, é útil para usuários com níveis de experiência variados. Usando a principal recomendação para simular uma escolha totalmente automática, demonstramos que nossa proposta permite um melhor desempenho de um sistema AutoML, incapaz de encontrar um modelo de classificação devido aos dados ruidosos. Além disso, as taxas de precisão do nosso método são semelhantes às alcançadas por um algoritmo baseado no aprendizado por reforço com o mesmo objetivo, mas é até duas ordens de magnitude mais rápido. Além disso, demonstramos nosso método em uma aplicação do mundo real e avaliamos seus benefícios e limitações neste cenário. 132783/2019-3

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) AutoML has the goal to find the best Machine Learning (ML) pipeline in a complex and high dimensional search space by evaluating multiple algorithm configurations. Training multiple ML algorithms is time costly, and as AutoML tools usually obey a time constraint, the exploration of the search space may find sub-optimal results. In this work, we explore the application of curriculum learning techniques to overcome this limitation. Curriculum learning and anti-curriculum learning are strategies for ordering examples during model training based on their difficulty. These have shown to improve model performance and accelerate the training process on previous empirical investigations using optimization-based models. We apply and compare curriculum strategies on two optimizers of an AutoML system to accelerate the search space exploration and find good performing machine learning pipelines with efficiency. The results indicate that AutoML can benefit from a curriculum strategy. In most of the evaluated scenarios, the curriculum strategies led the AutoML algorithm to better classification results. A automatização do aprendizado de máquina (AutoML) tem como objetivo encontrar o melhor pipeline de aprendizado de máquina (ML) em um espaço de pesquisa complexo e de grande dimensionalidade, avaliando várias configurações de algoritmos. O treinamento de vários algoritmos de ML custa tempo e, como as ferramentas de AutoML geralmente obedecem a uma restrição de tempo, a exploração do espaço de pesquisa pode encontrar resultados abaixo do ideal. Neste trabalho, exploramos a aplicação de técnicas de aprendizado de currículo para superar essa limitação. A aprendizagem curricular e a aprendizagem anticurricular são estratégias para ordenar exemplos durante o treinamento do modelo com base em sua dificuldade. Estes mostraram melhorar o desempenho de modelos e acelerar o processo de treinamento em investigações empíricas anteriores usando modelos baseados em otimização. Aplicamos e comparamos estratégias de currículo em dois otimizadores de um sistema AutoML para melhorar a exploração do espaço de pesquisa e encontrar pipelines de aprendizado de máquina de bom desempenho com eficiência. Os resultados indicam que o AutoML pode se beneficiar de uma estratégia curricular. Na maioria dos cenários avaliados, as estratégias de currículo levaram o algoritmo AutoML a melhores resultados de classificação. CAPES: Código de Financiamento 001 B2W Digital: 23112.000186/2020-97

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) The ability to extract knowledge and forecast stock trends is crucial to mitigate investors' risks and uncertainties in the market. The stock trend is affected by non-linearity, complexity, noise, and especially the surrounding events. External factors such as daily news became one of the investors' primary resources for making decisions about buying or selling assets. However, this kind of information appears very fast. There are thousands of news generated by numerous web sources, taking a long time to analyze them, which can cost millions of dollars losses for investors due to a late decision. Recent contextual language models have transformed the area of natural language processing. However, classification models that use news that influence stock values need to deal with the unlabeled, class imbalance, and dissimilar texts. Recent studies show that the prediction of time series substantially improves by considering external information. This work proposes a hybrid methodology with three phases, one for news mining, a model for representation compact features, and the forecast model of time series, which merge for a more accurate prediction of prices. Initially, a small corpus is built using as support the time series. After that, we label the corpus based on semi-supervised learning to assign labels to other unlabeled news. In the second phase, the mining model with a classifier is used, whose output is concatenated with time series features, so the compact model representation extracts new features in a latent space. Finally, we predicted future prices with this fused knowledge. In a case study with Bitcoin cryptocurrency, the proposed methodology achieved a 1.62% decrease in the mean absolute percentage error. A capacidade de extrair conhecimento e prever tendências de ações é crucial para mitigar os riscos e incertezas dos investidores no mercado. A tendência das ações é afetada pela não linearidade, complexidade, ruído e especialmente, eventos do entorno. Fatores externos, como notícias diárias, tornaram-se um dos principais recursos dos investidores para a tomada de decisões sobre a compra ou venda de ativos. Porém, essas notícias acontecem muito rápido, são milhares de notícias geradas por diferentes sítios web, demorando muito para serem analisadas, o que pode custar milhões de dólares em perdas para seus investidores devido a uma decisão tardia. Abordagens recentes baseadas em modelos de linguagem contextuais transformaram a área de processamento de linguagem natural. No entanto, os modelos de classificação que usam notícias que influenciam as ações lidam com textos não rotulados, desbalanceados e dissimilares. Estudos recentes mostram que a previsão de séries temporais melhora substancialmente ao considerar informações externas. Este trabalho propõe uma metodologia híbrida em três fases, uma para a mineração de notícias, um modelo de representação de características compactas e uma para a previsão de séries temporais, que se fundem para uma previsão mais precisa dos preços. Inicialmente é construído um corpus pequeno a partir da serie temporal. Após isso, utiliza-se uma rotulação baseada em aprendizado semissupervisionado para atribuir rótulos às demais notícias. Na segunda fase, é realizado o processo de mineração de textos com um classificador de novas notícias, cuja saída é alinhada as características da serie temporal, para que o modelo de representação compactada extraia novas características num espaço latente. Finalmente, realizamos a predição dos preços futuros com este conhecimento fundido. Em um estudo de caso com a cripto-moeda Bitcoin, a metodologia proposta alcançou uma diminuição de 1.62% no porcentagem de erro médio absoluto. CNPq: 49096/2018-6 CAPES: Código de Financiamento 001

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) Different technologies and social-cultural aspects of our lives have allowed the acquisition of people's mobility data. The same applies to other moving objects, such as birds with GPS trackers and hurricanes with real-time satellite data. Although these raw positioning and timings are useful in many applications, it has been long recognized by the Trajectory Data community that semantics are required to capture the complexity of humans' and other objects' behaviors. Semantic Trajectories were proposed in this context as raw trajectories enriched with semantic annotations and possibly interlinked with external data. Based on these requirements, many works incorporate concepts and technologies from the Semantic Web to deal with the complexity of merging, representing, and querying heterogeneous data. They usually use ontologies to represent and manipulate concepts such as Moving Objects, Trajectories, Stops and Moves, and semantic aspects related to each of them. Nonetheless, we find that no previous work has explored mining patterns from these ontology-based representations. On the contrary, current efforts use standard association rule mining algorithms, such as Apriori, which require propositional data represented as Boolean feature vectors. To mine patterns aware of the semantic relations in a Semantic Trajectory ontology, we explore algorithms from the Knowledge Base Refinement field. These methods were proposed to use real-world facts represented in Knowledge Bases such as YAGO and DBPedia to infer new entities and relationships. We build on previous works describing ontology-based trajectory representations and tackle the knowledge discovery task using AMIE, a well-known state-of-the-art KB rule mining algorithm. This approach mines patterns in the form of Horn rules, which allows us to investigate associations between time, spatial, and semantic relations interlinking trajectory events. We show that representations previously proposed in the Semantic Trajectory community are not suitable to be directly mined by this approach. However, they can be easily extended to power the AMIE algorithm. We also describe and address different issues that arise when using a domain-agnostic mining algorithm. The proposed data pipeline mines interesting patterns in experiments using Foursquare datasets. Nonetheless, there is a large number of rules which state facts that are too general. We build on these issues and argue in favor of the design of a domain-specific mining algorithm. We discuss future opportunities based on the acquired experience and experiments. Our approach shows how the Semantic Trajectory and Knowledge Base Refinement communities have built in recent years a large number of representations and mining approaches that could be put together to mine rules with rich semantic expressiveness from semantic data. Diferentes tecnologias e aspectos socioculturais em nosso dia a dia permitem a aquisição de dados de mobilidade de pessoas. O mesmo se aplica a outros objetos móveis, como pássaros utilizando rastreadores GPS e furacões analisados via satélite. Embora estes dados de localização espacial e temporal sejam úteis em muitas aplicações, a comunidade de dados de trajetórias reconheceu há tempos a necessidade de aspectos semânticos para capturar a complexidade dos comportamentos de humanos e de outros objetos. Nesse contexto, foram propostas as Trajetórias Semânticas, que se baseiam em trajetórias espaço-temporais enriquecidas com anotações semânticas e possivelmente interligadas com dados externos. Por conta disso, muitos trabalhos incorporam conceitos e tecnologias da Web Semântica para lidar com a complexidade de representar, mesclar e consultar dados heterogêneos. Esses trabalhos geralmente utilizam ontologias para manipular conceitos como Objetos Móveis, Trajetórias, Paradas (Stops) e Movimentos (Moves), bem como os diferentes aspectos semânticos relacionados a cada um deles. Entretanto, não é possível encontrar na literatura trabalhos que explorem a mineração de padrões aplicada diretamente nestas representações baseadas em ontologia. Em vez disso, os esforços atuais utilizam algoritmos de mineração de regras de associação, como o Apriori, que requerem dados proposicionais. Esta dissertação explora algoritmos do campo do Refinamento de Bases de Conhecimento de modo a extrair padrões que tirem proveito das relações armazenadas em uma ontologia de Trajetórias Semânticas. A proposta original desses algoritmos é a inferência de novas entidades e relacionamentos em Bases de Conhecimento (KBs, do inglês Knowledge Bases), como a YAGO e a DBPedia, utilizando-se para isso os fatos já armazenados nas bases. Neste trabalho, utiliza-se a ferramenta AMIE, um representante do estado da arte na mineração de regras em KBs, que permite a extração eficiente de padrões na forma de Regras de Horn. No contexto de Trajetórias Semânticas, isso representa a mineração de associações entre as relações temporais, espaciais e semânticas que interligam eventos em uma base de trajetórias. O pipeline de dados proposto é capaz de extrair padrões interessantes em experimentos utilizando conjuntos de dados do Foursquare. No entanto, a utilização de um algoritmo agnóstico de domínio acaba por minerar um grande número de regras que definem fatos que são muito gerais. Construímos técnicas para avançar sobre essas questões e argumentamos a favor do desenvolvimento de um algoritmo de mineração específico de domínio. Além disso, a abordagem investigada mostra como as comunidades de Trajetórias Semânticas e Refinamento de KBs construíram um grande número de representações e abordagens de mineração que poderiam ser reunidas para extrair padrões com rica expressividade semântica a partir de dados semânticos. CAPES: 001 CNPq: 130790/2020-6 FAPESP: #2017/24340-6

Orientador: Romis Ribeiro de Faissol Attux Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Uma Interface Cérebro-Computador (ICC) é um sistema de comunicação que mapeia atividades cerebrais para dispositivos externos não musculares. A comunicação é realizada por meio de sensores que monitoram alguns processos físicos que ocorrem no cérebro para mapeá-los posteriormente em um conjunto conhecido de ações por um controlador externo. BCI podem ser usadas em várias áreas, como saúde, entretenimento, ambientes inteligentes, poligrafia e aprimoramento cognitivo. A área de saúde é o campo mais estudado e impactado por aplicações de ICCs devido ao seu apelo social, uma vez que pode ser a única maneira de comunicação para quem tem alguma função de mobilidade comprometida, devido a acidentes, derrames, amputações ou distrofias musculares, por exemplo. Redes neurais profundas, em particular as redes convolucionais (CNN, Convolutional Neural Networks), trouxeram grandes avanços em diversas áreas e aplicações, como em visão computacional, processamento de linguagem natural, processamento de imagens, reconhecimento de voz e previsão de séries temporais. Algumas das razões incluem seu maior número de parâmetros livres, melhorias de hardware para processamento de dados, formas mais complexas de conexões entre neurônios, aumento da disponibilidade de dados, principalmente, sua capacidade de representação de informações complexas como uma combinação de componentes mais simples, dispensando a necessidade de engenharia de características de forma manual. Os resultados promissores em outros contextos indicam que CNNs também podem ser aplicadas com êxito no processamento de sinais cerebrais. Entretanto, uma característica particular do desenvolvimento de ICCs é baixa disponibilidade de dados. As bases de dados encontradas na literatura são construídas, em sua maioria, por voluntários dos laboratórios de pesquisa onde os estudos são realizados, resultando em poucas amostras para uso. Custo de equipamento, usabilidade e necessidade de voluntários durante um longo período de tempo são algumas da razões que explicam bases de dados pequenas. A principal consequência disto é a alta chance de uma rede profunda sofrer sobre-ajuste durante o processo de aprendizado, comprometendo sua capacidade de generalização. Isso posto, este trabalho explora o uso de CNNs no contexto de ICCs baseadas em potenciais visualmente evocados em estado estacionário (SSVEP, Steady State Visually Evoked Potentials), investigando o impacto e a semântica de mudanças incrementais na arquitetura de uma rede neural. Para tal, a investigação parte de uma configuração simples e aspéctos como quantidade de filtros e camadas convolucionais, função de ativação e fator de regularização são avaliados de forma incremental em termos de melhoria de performance e análise da semântica de seus respectivos usos. Este trabalho também compara o uso de CNNs à técnicas clássicas de aprendizado de máquina, com intuito de avaliar se os benefícios de aprendizado profundo anteriormente destacados se aplicam no contexto de SSVEP em um cenário de poucos dados. Os resultados experimentais sugerem a factibilidade do uso de CNNs como opção para processamento de sinais cerebrais com resultados superiores às técnicas clássicas. Além disso, quando bem configuradas, as CNNs se mostraram capazes de realizar engenharia de características automática de forma a utilizar apenas informação da região occipital, onde o fenômeno SSVEP ocorre de forma mais notória como um filtro espectral e espacial simultaneamente Abstract: A Brain-Computer Interface (BCI) is a system which translates brain activities into actions in order to allow someone to interact with the world using external non-muscular components. This is possible through the use of sensors that monitor some physical process undergoing the brain for further mapping them into a known set of actions by an external controller. A BCI can be used within several areas such healthcare, entertainment, smart environments, polygraphy and cognitive enhancement. Healthcare is the most studied and impacted field from BCI applications, once it can be the only communication enabler for those with compromised mobility due to accidents, strokes, amputations or muscular dystrophies. Deep neural networks, in particular convolutional neural networks, have brought great advances on several areas and applications, such as computer vision, natural language processing, image processing, speech recognition and time series forecasting. Some of the reasons include its larger number of free parameters, hardware improvements for larger data processing, more complex ways of connecting neurons, increasing in data availability and especially its ability to represent complex information as a combination of simpler components, frequently avoiding the need of manual feature engineering. The promising results in other contexts indicate that CNNs can also be successfully applied for BCIs. However, a particular aspect of BCI development is the low data availability. The databases found in the literature are mostly built under volunteers from the research laboratories where the studies are carried out, which leads to small datasets. Equipment cost, usability and the need for volunteers for a long period of time are some of the reasons for the short amount of data. The main consequence of this is a deep neural network to be more likely to overfit during the learning process, compromising its generalization ability. This work explores the use of CNNs in the context of BCIs based on Steady State Visually Evoked Potentials (SSVEP) investigating the impact on classification accuracy and the semantics of incremental changes on a neural network architecture. For such, the investigation starts from a simple setup and changes on features, such as the number of filters and convolutional layers, activation function and regularization factor are evaluated incrementally in terms of classification accuracy and their semantics. This work also compares CNNs to classical machine learning techniques, in order to assess whether the above-mentioned deep learning benefits can also be explored in the context of SSVEP in a short-data scenario. The experimental results suggest the feasibility of using CNNs as an option for processing brain signals with results superior to classical techniques. Results suggest that when well configured, CNNs showed to be able to perform automatic feature engineering in order to filter information from the occipital region only, where the SSVEP phenomenon occurs, working as a spectral and spatial filter simultaneously Mestrado Engenharia de Computação Mestre em Engenharia Elétrica

Submitted by Carlos Ara??jo (vicente@icomp.ufam.edu.br) on 2019-12-18T16:28:39Z No. of bitstreams: 4 1576684130685_Disserta????o - Carlos Vicente.pdf: 2372569 bytes, checksum: bd8597853eee3f3a861145d2cf347bc7 (MD5) Carta de Encaminhamento do p??s-graduando Carlos Vicente Soares Ara??jo.pdf: 206338 bytes, checksum: 59ccc74620ddf509b9be1a824d22b6a8 (MD5) 345 ATA de Defesa - Carlos Vicente_assinada.pdf: 302838 bytes, checksum: 9c3fe41fec384762bf12e17a66f62e94 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Approved for entry into archive by Secretaria PPGI (secretariappgi@icomp.ufam.edu.br) on 2019-12-18T19:45:04Z (GMT) No. of bitstreams: 4 1576684130685_Disserta????o - Carlos Vicente.pdf: 2372569 bytes, checksum: bd8597853eee3f3a861145d2cf347bc7 (MD5) Carta de Encaminhamento do p??s-graduando Carlos Vicente Soares Ara??jo.pdf: 206338 bytes, checksum: 59ccc74620ddf509b9be1a824d22b6a8 (MD5) 345 ATA de Defesa - Carlos Vicente_assinada.pdf: 302838 bytes, checksum: 9c3fe41fec384762bf12e17a66f62e94 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Approved for entry into archive by Divis??o de Documenta????o/BC Biblioteca Central (ddbc@ufam.edu.br) on 2019-12-19T12:24:50Z (GMT) No. of bitstreams: 4 1576684130685_Disserta????o - Carlos Vicente.pdf: 2372569 bytes, checksum: bd8597853eee3f3a861145d2cf347bc7 (MD5) Carta de Encaminhamento do p??s-graduando Carlos Vicente Soares Ara??jo.pdf: 206338 bytes, checksum: 59ccc74620ddf509b9be1a824d22b6a8 (MD5) 345 ATA de Defesa - Carlos Vicente_assinada.pdf: 302838 bytes, checksum: 9c3fe41fec384762bf12e17a66f62e94 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2019-12-19T12:24:50Z (GMT). No. of bitstreams: 4 1576684130685_Disserta????o - Carlos Vicente.pdf: 2372569 bytes, checksum: bd8597853eee3f3a861145d2cf347bc7 (MD5) Carta de Encaminhamento do p??s-graduando Carlos Vicente Soares Ara??jo.pdf: 206338 bytes, checksum: 59ccc74620ddf509b9be1a824d22b6a8 (MD5) 345 ATA de Defesa - Carlos Vicente_assinada.pdf: 302838 bytes, checksum: 9c3fe41fec384762bf12e17a66f62e94 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2019-12-13 CAPES - Coordena????o de Aperfei??oamento de Pessoal de N??vel Superior The music market is extremely competitive and moves billions of dollars every year. In the United States alone, there are over 1400 music labels currently registered. Standing out in this scenario is an arduous mission. In this dissertation, a model for success prediction in the music market is presented, which artists and record labels may use to direct their efforts into songs with higher potential to return profit. The proposed model makes avail of information about the songs to predict, even before their release, whether they will appear or not in the Top 50 Global ranking from the streaming platform Spotify. To validate this model, we chose as a baseline the most similar model already consolidated in the scientific literature. The baseline employs the kind of information we have employed in our model, but with a distinct approach with respect to the data preparation. Our results are 920% better than those achieved by the baseline. O mercado musical ?? extremamente competitivo e movimenta bilh??es de d??lares todos os anos. S?? nos Estados Unidos, existem mais de 1400 selos musicais atualmente registrados. Destacar-se nesse cen??rio ?? uma ??rdua miss??o. Neste trabalho, apresentamos um modelo de previs??o do sucesso no mercado musical que pode ser usado por artistas e gravadoras para focar seus esfor??os em m??sicas com maior tend??ncia a obter retorno comercial. O modelo proposto utiliza informa????es sobre as m??sicas para prever, antes mesmo de seus lan??amentos, se ir??o ou n??o aparecer no ranking Top 50 Global da plataforma de streaming Spotify. Para valida????o do modelo, n??s adotamos como baseline o trabalho mais semelhante ao nosso j?? estabelecido na literatura cient??fica. Esse baseline utiliza o mesmo tipo de informa????o que utilizamos, mas com uma abordagem distinta em rela????o ?? prepara????o da base. Nossos resultados chegaram a ser 920% superiores aos obtidos pelo baseline.