[en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: JEFRY SASTRE PEREZ
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: MAXWELL
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
[pt] APRENDIZADO DE MAQUINA
[pt] CALIBRAGEM DE MODELOS
[pt] SISTEMAS MULTIAGENTES
[en] MACHINE LEARNING
[en] CALIBRATION PROCESS
[en] MULTIAGENT SYSTEMS
Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=2
http://doi.org/10.17771/PUCRio.acad.35657
Resumo: [pt] Hoje em dia, a enorme quantidade de dados disponíveis online apresenta um novo desafio para os processos de descoberta de conhecimento. As abordagens mais utilizadas para enfrentar esse desafio são baseadas em técnicas de aprendizado de máquina. Apesar de serem muito poderosas, essas técnicas exigem que seus parâmetros sejam calibrados para gerar modelos com melhor qualidade. Esses processos de calibração são demorados e dependem das habilidades dos especialistas da área de aprendizado de máquinas. Neste contexto, esta pesquisa apresenta uma estrutura baseada em agentes de software para automatizar a calibração de modelos de aprendizagem de máquinas. Esta abordagem integra conceitos de Engenharia de Software Orientada a Agentes (AOSE) e Aprendizado de Máquinas (ML). Como prova de conceito, foi utilizado o conjunto de dados Iris para mostrar como nossa abordagem melhora a qualidade dos novos modelos gerados por nosso framework. Além disso, o framework foi instanciado para um dataset de imagens médicas e finalmente foi feito um experimento usando o dataset Grid Sector.
id PUC_RIO-1_16dccd4ceab46db520a9e641b7a0d760
oai_identifier_str oai:MAXWELL.puc-rio.br:35657
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str
spelling [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING [pt] UM FRAMEWORK BASEADO EM AGENTES PARA A CALIBRAGEM DE MODELOS DE APRENDIZADO DE MÁQUINA [pt] APRENDIZADO DE MAQUINA[pt] CALIBRAGEM DE MODELOS[pt] SISTEMAS MULTIAGENTES[en] MACHINE LEARNING[en] CALIBRATION PROCESS[en] MULTIAGENT SYSTEMS[pt] Hoje em dia, a enorme quantidade de dados disponíveis online apresenta um novo desafio para os processos de descoberta de conhecimento. As abordagens mais utilizadas para enfrentar esse desafio são baseadas em técnicas de aprendizado de máquina. Apesar de serem muito poderosas, essas técnicas exigem que seus parâmetros sejam calibrados para gerar modelos com melhor qualidade. Esses processos de calibração são demorados e dependem das habilidades dos especialistas da área de aprendizado de máquinas. Neste contexto, esta pesquisa apresenta uma estrutura baseada em agentes de software para automatizar a calibração de modelos de aprendizagem de máquinas. Esta abordagem integra conceitos de Engenharia de Software Orientada a Agentes (AOSE) e Aprendizado de Máquinas (ML). Como prova de conceito, foi utilizado o conjunto de dados Iris para mostrar como nossa abordagem melhora a qualidade dos novos modelos gerados por nosso framework. Além disso, o framework foi instanciado para um dataset de imagens médicas e finalmente foi feito um experimento usando o dataset Grid Sector.[en] Nowadays, the challenge of knowledge discovery is to mine massive amounts of data available online. The most widely used approaches to tackle that challenge are based on machine learning techniques. In spite of being very powerful, those techniques require their parameters to be calibrated in order to generate models with better quality. Such calibration processes are time-consuming and rely on the skills of machine learning experts. Within this context, this research presents a framework based on software agents for automating the calibration of machine learning models. This approach integrates concepts from Agent Oriented Software Engineering (AOSE) and Machine Learning (ML). As a proof of concept, we first train a model for the Iris dataset and then we show how our approach improves the quality of new models generated by our framework. Then, we create instances of the framework to generate models for a medical images dataset and finally we use the Grid Sector dataset for a final experiment.MAXWELLCARLOS JOSE PEREIRA DE LUCENACARLOS JOSE PEREIRA DE LUCENACARLOS JOSE PEREIRA DE LUCENAJEFRY SASTRE PEREZ2018-11-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=2http://doi.org/10.17771/PUCRio.acad.35657engreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2018-11-26T00:00:00Zoai:MAXWELL.puc-rio.br:35657Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342018-11-26T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false
dc.title.none.fl_str_mv [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
[pt] UM FRAMEWORK BASEADO EM AGENTES PARA A CALIBRAGEM DE MODELOS DE APRENDIZADO DE MÁQUINA
title [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
spellingShingle [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
JEFRY SASTRE PEREZ
[pt] APRENDIZADO DE MAQUINA
[pt] CALIBRAGEM DE MODELOS
[pt] SISTEMAS MULTIAGENTES
[en] MACHINE LEARNING
[en] CALIBRATION PROCESS
[en] MULTIAGENT SYSTEMS
title_short [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
title_full [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
title_fullStr [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
title_full_unstemmed [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
title_sort [en] AN AGENT-BASED SOFTWARE FRAMEWORK FOR MACHINE LEARNING TUNING
author JEFRY SASTRE PEREZ
author_facet JEFRY SASTRE PEREZ
author_role author
dc.contributor.none.fl_str_mv CARLOS JOSE PEREIRA DE LUCENA
CARLOS JOSE PEREIRA DE LUCENA
CARLOS JOSE PEREIRA DE LUCENA
dc.contributor.author.fl_str_mv JEFRY SASTRE PEREZ
dc.subject.por.fl_str_mv [pt] APRENDIZADO DE MAQUINA
[pt] CALIBRAGEM DE MODELOS
[pt] SISTEMAS MULTIAGENTES
[en] MACHINE LEARNING
[en] CALIBRATION PROCESS
[en] MULTIAGENT SYSTEMS
topic [pt] APRENDIZADO DE MAQUINA
[pt] CALIBRAGEM DE MODELOS
[pt] SISTEMAS MULTIAGENTES
[en] MACHINE LEARNING
[en] CALIBRATION PROCESS
[en] MULTIAGENT SYSTEMS
description [pt] Hoje em dia, a enorme quantidade de dados disponíveis online apresenta um novo desafio para os processos de descoberta de conhecimento. As abordagens mais utilizadas para enfrentar esse desafio são baseadas em técnicas de aprendizado de máquina. Apesar de serem muito poderosas, essas técnicas exigem que seus parâmetros sejam calibrados para gerar modelos com melhor qualidade. Esses processos de calibração são demorados e dependem das habilidades dos especialistas da área de aprendizado de máquinas. Neste contexto, esta pesquisa apresenta uma estrutura baseada em agentes de software para automatizar a calibração de modelos de aprendizagem de máquinas. Esta abordagem integra conceitos de Engenharia de Software Orientada a Agentes (AOSE) e Aprendizado de Máquinas (ML). Como prova de conceito, foi utilizado o conjunto de dados Iris para mostrar como nossa abordagem melhora a qualidade dos novos modelos gerados por nosso framework. Além disso, o framework foi instanciado para um dataset de imagens médicas e finalmente foi feito um experimento usando o dataset Grid Sector.
publishDate 2018
dc.date.none.fl_str_mv 2018-11-23
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=2
http://doi.org/10.17771/PUCRio.acad.35657
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35657&idi=2
http://doi.org/10.17771/PUCRio.acad.35657
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv MAXWELL
publisher.none.fl_str_mv MAXWELL
dc.source.none.fl_str_mv reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)
instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron:PUC_RIO
instname_str Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron_str PUC_RIO
institution PUC_RIO
reponame_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
collection Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository.name.fl_str_mv Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
repository.mail.fl_str_mv
_version_ 1862548617011658752

Registros relacionados