{"id":974,"date":"2020-01-28T02:00:33","date_gmt":"2020-01-28T05:00:33","guid":{"rendered":"http:\/\/eic.cefet-rj.br\/ppcic\/?p=974"},"modified":"2025-11-13T11:20:58","modified_gmt":"2025-11-13T14:20:58","slug":"aprendizado-de-maquina-e-otimizacao","status":"publish","type":"post","link":"https:\/\/eic.cefet-rj.br\/ppcic\/aprendizado-de-maquina-e-otimizacao\/","title":{"rendered":"Aprendizado de M\u00e1quina e Otimiza\u00e7\u00e3o"},"content":{"rendered":"

O Aprendizado de M\u00e1quina (AM) \u00e9 um ramo da Intelig\u00eancia Artificial voltado para o desenvolvimento de novos algoritmos e metodologias capazes de identificar padr\u00f5es e tomar decis\u00f5es sem necessidade de programa\u00e7\u00e3o expl\u00edcita. Mais do que apenas aplica\u00e7\u00f5es pr\u00e1ticas, o avan\u00e7o dessa \u00e1rea depende da cria\u00e7\u00e3o de novas abordagens te\u00f3ricas e computacionais, que ampliem a efici\u00eancia, interpretabilidade e generaliza\u00e7\u00e3o dos modelos.<\/span>\u00a0<\/span><\/p>\n

Este projeto de pesquisa investiga m\u00e9todos avan\u00e7ados de AM, explorando desde t\u00e9cnicas tradicionais, como redes neurais profundas e modelos probabil\u00edsticos, at\u00e9 abordagens emergentes, como aprendizado auto-supervisionado, modelos generativos, aprendizado federado e aprendizado por refor\u00e7o. Al\u00e9m disso, busca-se aprimorar estrat\u00e9gias de explicabilidade e interpretabilidade para tornar os modelos mais transparentes e confi\u00e1veis, especialmente em aplica\u00e7\u00f5es cr\u00edticas.<\/span>\u00a0<\/span><\/p>\n

Outro pilar fundamental deste projeto \u00e9 a Otimiza\u00e7\u00e3o, \u00e1rea que se integra ao AM para melhorar o desempenho de modelos e resolver problemas complexos em diversos dom\u00ednios. Busca-se a concep\u00e7\u00e3o e aplica\u00e7\u00e3o de t\u00e9cnicas para a resolu\u00e7\u00e3o de problemas por meio de modelos de programa\u00e7\u00e3o linear, n\u00e3o linear, inteira ou mista (m\u00e9todos exatos e\/ou heur\u00edsticos), bem como m\u00e9todos bio-inspirados como col\u00f4nia de formigas, algoritmos gen\u00e9ticos, enxame de part\u00edculas. T\u00e9cnicas de otimiza\u00e7\u00e3o aplicadas em ajustar os par\u00e2metros dos modelos de aprendizado de m\u00e1quina, bem como na sele\u00e7\u00e3o de atributos e em arquiteturas de redes neurais tamb\u00e9m s\u00e3o avaliados.<\/span>\u00a0<\/span><\/p>\n

J\u00e1 a Computa\u00e7\u00e3o Afetiva explora como os algoritmos de AM podem interpretar, processar e responder a estados emocionais humanos. Para isso, s\u00e3o investigados novos m\u00e9todos para fus\u00e3o de sinais fisiol\u00f3gicos e emocionais. O objetivo \u00e9 avan\u00e7ar na constru\u00e7\u00e3o de sistemas capazes de adaptar suas respostas de maneira mais natural e emp\u00e1tica, com aplica\u00e7\u00f5es que v\u00e3o desde interfaces conversacionais at\u00e9 rob\u00f3tica interativa.<\/span>\u00a0<\/span><\/p>\n

Docentes Envolvidos:<\/span>\u00a0<\/span><\/p>\n