{"id":5842,"date":"2023-06-30T08:38:58","date_gmt":"2023-06-30T11:38:58","guid":{"rendered":"https:\/\/eic.cefet-rj.br\/ppcic\/?p=5842"},"modified":"2025-09-03T18:45:19","modified_gmt":"2025-09-03T21:45:19","slug":"defesa-de-dissertacao-30-06-2023-claudio-andre-da-silva-alves","status":"publish","type":"post","link":"https:\/\/eic.cefet-rj.br\/ppcic\/defesa-de-dissertacao-30-06-2023-claudio-andre-da-silva-alves\/","title":{"rendered":"Defesa de disserta\u00e7\u00e3o (30\/06\/2023): Claudio Andre da Silva Alves"},"content":{"rendered":"<p><strong>Discente:\u00a0<\/strong>Claudio Andre da Silva Alves<\/p>\n<p><strong>T\u00edtulo: <\/strong>An Adaptive Hybrid Genetic Algorithm for Hyperparameter Optimization<\/p>\n<p><strong>Orientador: <\/strong>Pedro Henrique Gonz\u00e1lez Silva<\/p>\n<p><strong>Dia:<\/strong> 30 de junho de 2023<\/p>\n<p><strong>Resumo:\u00a0<\/strong>O recente aumento na popularidade das aplica\u00e7\u00f5es de aprendizado de m\u00e1quina (AM) levou a um aumento na demanda por modelos de AM eficientes. Uma das principais etapas na constru\u00e7\u00e3o de tais modelos \u00e9 selecionar um conjunto adequado de hiperpar\u00e2metros. No entanto, com o aumento da complexidade dos modelos e t\u00e9cnicas de treinamento, definir manualmente esses par\u00e2metros tornaram-se uma tarefa trabalhosa, exigindo uma quantidade significativa de tempo e conhecimento espec\u00edfico sobre o modelo que est\u00e1 sendo ajustado. Para enfrentar esse desafio, a comunidade do Automatic Machine Learning (AutoML) est\u00e1 se concentrando em criar maneiras de encontrar automaticamente o melhor conjunto de hiperpar\u00e2metros para algoritmos de AM por meio de sua \u00e1rea de pesquisa chamada de Otimiza\u00e7\u00e3o de Hiperpar\u00e2metros (HPO). Recentemente, o Hybrid Biased Random Key Algoritmo Gen\u00e9tico (HBRKGA), um algoritmo gen\u00e9tico que usa fun\u00e7\u00f5es de otimiza\u00e7\u00e3o substitutas na etapa de explora\u00e7\u00e3o, foi usado para encontrar hiperpar\u00e2metros automaticamente de forma eficiente para diferentes conjuntos de dados. No entanto, o seu potencial n\u00e3o foi totalmente explorado, pois o HBRKGA usa apenas uma fun\u00e7\u00e3o substituta fixa na etapa de explora\u00e7\u00e3o. Esta pesquisa apresenta uma nova abordagem para HPO de modelos de AM baseados no HBRKGA. Um m\u00e9todo chamado Adaptive HBRKGA (A-HBRKGA) \u00e9 desenvolvido para melhorar a probabilidade de encontrar a melhor solu\u00e7\u00e3o. Este m\u00e9todo \u00e9 baseado no princ\u00edpio de diferentes passos evolutivos requerem diferentes fun\u00e7\u00f5es de otimiza\u00e7\u00e3o, o que permite \u00e0 HBRKGA ter v\u00e1rias fun\u00e7\u00f5es substitutas que s\u00e3o escolhidos com base em avalia\u00e7\u00f5es anteriores. A abordagem foi testada em v\u00e1rios conjuntos de dados dispon\u00edveis publicamente e apresentam os melhores resultados quando comparados a outros m\u00e9todos da literatura.<\/p>\n<p>&nbsp;<\/p>\n<div><a href=\"https:\/\/sucupira-legado.capes.gov.br\/sucupira\/public\/consultas\/coleta\/trabalhoConclusao\/viewTrabalhoConclusao.jsf?popup=true&amp;id_trabalho=14342316\"><img decoding=\"async\" class=\"alignnone wp-image-3271\" src=\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/logo-sucupira.png\" alt=\"\" width=\"81\" height=\"29\" \/><\/a><\/div>\n<div><strong>Disserta\u00e7\u00e3o\u00a0<\/strong><a href=\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2024\/11\/54-Claudio-Andre-da-Silva-Alves.pdf\"><img decoding=\"async\" class=\"alignnone wp-image-3273\" src=\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/download-logo2.png\" sizes=\"(max-width: 15px) 100vw, 15px\" srcset=\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/download-logo2.png 222w, https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/download-logo2-150x150.png 150w\" alt=\"\" width=\"15\" height=\"14\" \/><\/a><\/div>\n","protected":false},"excerpt":{"rendered":"<p>Discente:\u00a0Claudio Andre da Silva Alves T\u00edtulo: An Adaptive Hybrid Genetic Algorithm for Hyperparameter Optimization Orientador: Pedro Henrique Gonz\u00e1lez Silva Dia: 30 de junho de 2023 Resumo:\u00a0O recente aumento na popularidade das aplica\u00e7\u00f5es de aprendizado de m\u00e1quina (AM) levou a um aumento na demanda por modelos de AM eficientes. Uma das principais etapas na constru\u00e7\u00e3o de [&hellip;]<\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[14,33],"tags":[],"class_list":["post-5842","post","type-post","status-publish","format-standard","hentry","category-defesas","category-noticias-pt"],"_links":{"self":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/5842","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/comments?post=5842"}],"version-history":[{"count":2,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/5842\/revisions"}],"predecessor-version":[{"id":5845,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/5842\/revisions\/5845"}],"wp:attachment":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/media?parent=5842"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/categories?post=5842"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/tags?post=5842"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}