Aprendizado de Máquina e Otimização
O Aprendizado de Máquina (AM) é um ramo da Inteligência Artificial voltado para o desenvolvimento de novos algoritmos e metodologias capazes de identificar padrões e tomar decisões sem necessidade de programação explícita. Mais do que apenas aplicações práticas, o avanço dessa área depende da criação de novas abordagens teóricas e computacionais, que ampliem a eficiência, interpretabilidade e generalização dos modelos.
Este projeto de pesquisa investiga métodos avançados de AM, explorando desde técnicas tradicionais, como redes neurais profundas e modelos probabilísticos, até abordagens emergentes, como aprendizado auto-supervisionado, modelos generativos, aprendizado federado e aprendizado por reforço. Além disso, busca-se aprimorar estratégias de explicabilidade e interpretabilidade para tornar os modelos mais transparentes e confiáveis, especialmente em aplicações críticas.
Outro pilar fundamental deste projeto é a Otimização, área que se integra ao AM para melhorar o desempenho de modelos e resolver problemas complexos em diversos domínios. Busca-se a concepção e aplicação de técnicas para a resolução de problemas por meio de modelos de programação linear, não linear, inteira ou mista (métodos exatos e/ou heurísticos), bem como métodos bio-inspirados como colônia de formigas, algoritmos genéticos, enxame de partículas. Técnicas de otimização aplicadas em ajustar os parâmetros dos modelos de aprendizado de máquina, bem como na seleção de atributos e em arquiteturas de redes neurais também são avaliados.
Já a Computação Afetiva explora como os algoritmos de AM podem interpretar, processar e responder a estados emocionais humanos. Para isso, são investigados novos métodos para fusão de sinais fisiológicos e emocionais. O objetivo é avançar na construção de sistemas capazes de adaptar suas respostas de maneira mais natural e empática, com aplicações que vão desde interfaces conversacionais até robótica interativa.
Docentes Envolvidos:
- Eduardo Bezerra da Silva (responsável)
- Gustavo Paiva Guedes e Silva
- Diogo Silveira Mendonça
- Diego Moreira de Araújo Carvalho
- Laura Silva de Assis
