Título: Um algoritmo de aprendizagem universalmente consistente com erro monótono

Palestrante: Vladimir Pestov (UFSC / uOttawa)

Data e local: 04/11/2024 às 10:30 no Auditório Ayrton Silva (auditório MTM).

Resumo: Vou apresentar um dos meus resultados favoritos: a solução afirmativa de um problema em aberto, discutido em 1996 no famoso “livro amarelo” de Devroye, Gyorfi e Lugosi, sobre a existência de um algoritmo de aprendizagem com as propriedades mencionadas no título (JMLR 23(157):1−27, 2022).

Um algoritmo (ou regra) de aprendizagem supervisionada é uma aplicação que associa um classificador a cada amostra rotulada, permitindo predizer os rótulos desconhecidos de todos os pontos. O erro de classificação é definido como a probabilidade de associar um rótulo incorreto. Um algoritmo é considerado universalmente consistente se, para qualquer distribuição dos dados rotulados, o erro de classificação converge para o menor erro possível (o erro de Bayes) à medida que o tamanho da amostra aumenta. Intuitivamente, quanto mais dados, menor o erro de classificação; porém, todos os algoritmos conhecidos apresentam situações em que o erro cresce temporariamente para determinados tamanhos de amostra. Vou descrever um algoritmo que apresenta a propriedade de monotonicidade no erro.

Todos os inscritos no curso receberam um e-mail de confirmação (e alguns de pendencia na documentação). Se você não recebeu um e-mail de confirmação (ou de vaga recusada) deverá entrar em contato no e-mail: professor.ufsc@gmail.com

No próximo verão de 2021, será ministrado na escola de verão do PPGMTM, o curso de Machine Learning pelo professor Edson Cilos Vargas Júnior.  As últimas vagas serão oferecidas aos que acompanham as atividades do GEAM.

Pré-requisitos: Já ter cursado cálculo 1, álgebra linear e ao menos uma disciplina de programação.  Conhecimentos em Python ou Julia é fortemente indicado, mas não estritamente obrigatórios.

Inscrições: até 23/12/2020 às 07h da manhã. Resultado dos selecionados: 12h do mesmo dia. Para se inscrever você deve preencher este formulário aqui e enviar o teu histórico escolar mais recente para o e-mail: professor.ufsc@gmail.com

Horário das aulas: As aulas teóricas serão de segunda a sexta das 18:30 as 20:30, dividas entre atividades síncronas e assíncronas através da plataforma Moodle da UFSC.

 Cronograma aproximado:

O curso terá uma abordagem com mais matemática do que os cursos típicos no assunto, mas pretende conjugar teoria e prática. O programa da disciplina pode ser acessado aqui.

Maiores informações: escola de verão.

OBS: Algumas aulas (ou curso todo), a depender da disponibilidade, estarão sendo disponibilizadas ao longo do ano no  YouTube do professor Edson.

Aplicação de Machine Learning e Ferramentas Estatísticas para Modelagem e Análise de Falhas em Aerogeradores

Palestrante: Vitor Pohlenz – AQTech

Resumo: Atualmente a energia eólica demonstra significativa expressividade na matriz elétrica brasileira. Esse tipo de geração de energia exige, todavia, uma grande quantidade de máquinas em operação, uma vez que cada unidade de geração eólica (aerogerador) possui uma capacidade relativamente baixa de geração em comparação, por exemplo, com unidades de geração hidrelétricas. Dessa forma, o grande número de equipamentos gera um desafio para equipes de operação e manutenção dos parques eólicos. Nesse contexto, o presente trabalho tem como foco central a utilização de uma metodologia baseada em ferramentas matemáticas e estatísticas, além de modelos de Machine Learning como o Gradient Tree Boosting, para modelar o comportamento de componentes dos aerogeradores, bem como estabelecer limites de normalidade para as curvas características (Curvas S) de cada aerogerador. Assim, busca-se desenvolver uma ferramenta de auxílio na identificação de problemas ou comportamentos anormais, ajudando dessa forma as equipes de operação e manutenção no aumento da vida útil e minimização de custos de reparos dos aerogeradores.

Data: 08/10/2020 às 16h.

Local: Link da webconferência aqui.

Teoremas NFL: uma discussão sobre projetos em Machine Learning

Apresentador: prof. Edson Cilos Vargas Júnior

Resumo: Neste seminário vamos discutir os Teoremas NFL (No free Lunch) de David Wolpert e a sua importância (teórica e prática) em Machine Learning, sobretudo nas principais etapas de um projeto na área. Responderemos se existe um modelo bala de prata capaz de resolver todos os nossos problemas e qual a relação dessa discussão com a equação que todos os cientistas de dados e gestores precisam conhecer

OBS: O link no YouTube contém duas apresentações, a primeira delas do William Velasco, que apresentou sobre “A álgebra parcial em um grupo como álgebra de convolução de uma categoria” e em torno dos 27”55′ iniciou-se a apresentação dos Teoremas NFL.

Bonus: ao final da apresentação houve uma conversa sobre oportunidades para matemáticos 🙂

Gravação disponível aqui

Aplicação de Aprendizado de Máquina na classificação de microplásticos no oceano

Palestrantes: Henrique de Medeiros Back (Doutorando PGMAT/UFSC) e Edson Cilos Vargas Júnior (MTM/UFSC)

Resumo: Devido à inúmeras vantagens na utilização de polímeros, esses materiais são amplamente utilizados, desde componentes industriais a objetos de consumo diário, principalmente os descartáveis. Em consequência disso, muitos resíduos são produzidos e não são adequadamente geridos. Assim, o lixo plástico acumula na natureza, degrada-se em microplásticos e afeta negativamente os ecossistemas. Nesse contexto, o estudo e caracterização de microplásticos têm importância fundamental para melhor compreender a procedência, o destino e os impactos desse poluente na natureza. Todavia, o processo de análise convencional que consiste em busca por similaridade em bibliotecas espectrais e análise visual de um expert é laborioso e pouco preciso, reduzindo a quantidade e a qualidade de informações disponíveis.  Assim, este trabalho visa comparar diversos modelos de machine learning  para análise dos dados de Espectroscopia no Infravermelho por Transformada de Fourier (FTIR), com o intuito de classificar polímeros de maneira mais rápida e com maior confiabilidade. Com a aplicação de uma metodologia e de princípios de aprendizado de máquina, escolhemos o modelo que demonstra o melhor desempenho, comparando os resultados com trabalhos anteriores.

Local: O link do seminário: https://meet.jit.si/mp_geam_ufsc

Data: 23 de Setembro (quarta-feira)

Horário:16h as 17h.

Título: Machine Learning Tour
Palestrante: Edson Cilos Vargas Júnior

Resumo: Neste seminário será abordado modelos básicos em machine learning, tais como:  k-NN, Naive Bayes, Logistic Regression, Decision Tree, Random Forest e Support Vector Machine (SVM).  Em linhas gerais, será abordado conceitos intuitivos das técnicas, assim como suas formulações matemáticas e alguns aspectos da implementação computacional do sklearn.  No final da palestra discutiremos se existe um modelo bala de prata para todos os nossos problemas e qual a relação dessa discussão com a equação que todos os cientistas de dados e gestores precisam conhecer.

Local: Clica Aqui!

Data: 12 de Setembro (sábado)

Horário: 10:00 as 11:50.

Título: O classificador de k vizinhos mais próximos em espaços métricos gerais

Palestrante:  prof. Dr. Vladimir Pestov (UFBA / uOttawa)

Resumo: O classificador k-NN ainda fica entre os classificadores mais usados na prática, mas tipicamente, apenas com uma distância euclidiana “default”. Ao mesmo tempo, o desempenho do classificador melhora sob uma escolha correta de distância no domínio, não necessariamente euclidiana. Vamos apresentar um panorâmico de trabalhos teóricos nesta área até agora, inclusive trabalho em andamento do palestrante, em parte junto com colaboradores.

Local: Auditório Airton Silva, Dep. de Matemática, Sala 007 (Térreo).

Data: 4a-Feira, dia 11 de Dezembro de 2019

Horário: 10:30

LINK CONFERÊNCIA