Reconhecimento de padrões por processos adaptativos de compressão

Página do item simplificado
dc.contributor.advisor-co1Delbem, Alexandre Cláudio Botazzo
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/1201079310363734pt_BR
dc.contributor.advisor1Soares, Anderson da Silva
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1096941114079527pt_BR
dc.contributor.referee1Soares, Anderson da Silva
dc.contributor.referee2Silva, Nadia Felix Felipe da
dc.contributor.referee3Duque, Cláudio Gottschalg
dc.contributor.referee4Costa, Ronaldo Martins da
dc.contributor.referee5Monaco, Francisco José
dc.creatorBailão, Adriano Soares de Oliveira
dc.creator.Latteshttp://lattes.cnpq.br/4666887752401303pt_BR
dc.date.accessioned2020-09-04T18:21:35Z
dc.date.available2020-09-04T18:21:35Z
dc.date.issued2020-03-02
dc.description.abstractData compression is a process widely used by the industry in the storage and transport of information and is applied to a variety of domains such as text, image, audio and video. The compression processes are a set of mathematical operations that aim to represent each sample of data in compressed form, or with a smaller size. Pattern recognition techniques can use compression properties and metrics to design machine learning models from adaptive algorithms that represent samples in compressed form. An advantage of adaptive compression models, is that they have dimensionality reduction techniques resulting from the compression properties. This thesis proposes a general unsupervised learning model (for different problem domains and different types of data), which combines adaptive compression strategies in two phases: granulation, responsible for the perception and representation of the knowledge necessary to solve a problem generalization, and the codification phase, responsible for structuring the reasoning of the model, based on the representation and organization of the problem objects. The reasoning expressed by the model denotes the ability to generalize data objects in the general context. Generic methods, based on compactors (without loss of information), lack generalization capacity for some types of data objects, and in this thesis, lossy compression techniques are also used, in order to circumvent the problem and increase the capacity of generalization of the model. Results demonstrate that the use of techniques and metrics based on adaptive compression produce a good approximation of the original data samples in data sources with high dimensionality. Tests point to good machine learning models with good generalization capabilities derived from the approach based on the reduction of dimensionality offered by adaptive compression processes.eng
dc.description.provenanceSubmitted by Onia Arantes Albuquerque (onia.ufg@gmail.com) on 2020-09-02T20:10:29Z No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 parte 1 de 2.pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 parte 2 de 2.pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5)en
dc.description.provenanceRejected by Luciana Ferreira (lucgeral@gmail.com), reason: OLHE A CITACAO: ERRADA: BAILÃO, Adriano Soares de Oliveira. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede UFG/UFMS) - Universidade Federal de Goiás, Goiânia, 2020. CERTA: BAILÃO, A. S. O. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede) - Universidade Federal de Goiás, Goiânia, 2020. NO ROTEIRO DEZ QUE PARA ARQUIVOS GRANDES: Nos raros casos em que o arquivo for muito grande e tiver que ser dividido, cada parte deve ser renomeado da mesma forma, adicionando a indicação da parte, entre parênteses, no final. Exemplo 1: “Dissertação - João Carlos da Silva Júnior – 2014 (1)” “Dissertação - João Carlos da Silva Júnior – 2014 (2)” on 2020-09-03T19:13:55Z (GMT)en
dc.description.provenanceSubmitted by Onia Arantes Albuquerque (onia.ufg@gmail.com) on 2020-09-03T22:25:21Z No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (1).pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-04T18:21:35Z (GMT) No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (1).pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5)en
dc.description.provenanceMade available in DSpace on 2020-09-04T18:21:35Z (GMT). No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (1).pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5) Previous issue date: 2020-03-02en
dc.description.resumoA compressão de dados é um processo amplamente utilizado pela indústria no armazenamento e transporte de informações sendo aplicada a uma variedade de domínios como texto, imagem, áudio e vídeo. Os processos de compressão constituem-se em um conjunto de operações matemáticas que visam representar cada amostra de dados na forma comprimida, ou com menor tamanho. Técnicas de reconhecimento de padrões podem utilizar propriedades e métricas de compressão para conceber modelos de aprendizado de máquina a partir de algoritmos adaptativos que representam as amostras na forma comprimida. Uma vantagem dos modelos de compressão adaptativos, é que dispõem de técnicas de redução de dimensionalidade decorrentes das propriedades de compressão. Essa tese propõe um modelo de aprendizado não-supervisionado geral (para diversos domínios de problema e diferentes tipos de dados), que reúne as estratégias adaptativas de compressão em duas fases : a granulação, responsável pela percepção e representação do conhecimento necessário para resolver um problema de generalização, e a fase de codificação, responsável pela estruturação do raciocínio do modelo, a partir da representação e organização dos objetos do problema. O raciocínio expresso pelo modelo denota a capacidade de generalização dos objetos de dados no contexto geral. Métodos genéricos, baseados em compactadores (sem perda de informação), carecem de capacidade de generalização para alguns tipos de objetos de dados, sendo, nessa tese, utilizadas também, técnicas de compressão, com perdas, visando contornar o problema e aumentar a capacidade de generalização do modelo. Resultados demonstram que a utilização de técnicas e métricas baseadas em compressão adaptativa produzem uma boa aproximação das amostras de dados originais em fontes de dados com alta dimensionalidade. Testes apontam para bons modelos de aprendizado de máquina com boa capacidade de generalização derivados da abordagem baseada na redução de dimensionalidade oferecida por processos adaptativos de compressão.pt_BR
dc.identifier.citationBAILÃO, A. S. O. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede) - Universidade Federal de Goiás, Goiânia, 2020.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/10565
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Informática - INF (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação em Rede UFG/UFMS (INF)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectInteligência computacionalpor
dc.subjectReconhecimento de padrõespor
dc.subjectAprendizado de máquinapor
dc.subjectAnálise de agrupamentospor
dc.subjectCompressão de dadospor
dc.subjectComputational intelligenceeng
dc.subjectPattern recognitioneng
dc.subjectMachine learningeng
dc.subjectCluster analysiseng
dc.subjectData compressioneng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleReconhecimento de padrões por processos adaptativos de compressãopt_BR
dc.title.alternativePattern recognition by adaptive compression processeseng
dc.typeTesept_BR

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
Tese - Adriano Soares de Oliveira Bailão - 2020 (1).pdf
Tamanho:
39.35 MB
Formato:
Adobe Portable Document Format
Descrição:
Parte 1
Baixar
Nenhuma Miniatura disponível
Nome:
Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdf
Tamanho:
59.35 MB
Formato:
Adobe Portable Document Format
Descrição:
Parte 2
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Doutorado em Ciência da Computação em Rede - UFMS/UFG (INF)