Terminal de consulta web

Clustering ensembles (CE) é uma abordagem que se aproveita de um conjunto de cluster-
ings, conhecidos como partições-base, para produzir uma partição consenso. A literatura
tem demonstrado que a qualidade das partições obtidas pela abordagem CE é geralmente
superior à qualidade das partições-base, quando consideradas individualmente. Este tra-
balho aborda o problema de CE sob a perspectiva dos jogos hedônicos. No jogo cooperativo
formulado, os pontos (instâncias ou objetos) são vistos como jogadores, enquanto os clus-
ters são encarados como coalizões. As preferências de cada jogador são armazenadas em
uma matriz de similaridade, obtida através das partições-base, que contém propriedades
que garantem a existência de pelo menos uma estrutura de coalizão Nash estável. Ou seja,
uma estrutura de coalizão em que os jogadores não possuem o incentivo de mudar de suas
próprias coalizões para outra coalizão existente. Para alcançar esse tipo de solução, nós
propusemos o algoritmo HGCE (Hedonic Game based Clustering Ensemble) que é baseado
na abordagem de best response dynamics. Inicialmente, cada jogador está em uma coalizão
com um elemento, composta por ele mesmo. Depois disso, em cada iteração, cada jogador
pode se mover para uma nova coalizão, caso ele obtenha um payoff melhor. Este processo
se repete até um equilíbrio ser alcançado, em que nenhum jogador se beneficia em mudar
de coalizão. Pelo fato de diferentes estruturas de coalizão emergirem de acordo com a
ordem dos jogadores, nós também desenvolvemos uma versão do algoritmo HGCE que é
independente da ordem dos jogadores. Experimentos empíricos conduzidos em diversos
conjuntos de dados mostram que a estrutura de coalizão obtida pelo algoritmo HGCE,
em grande parcela dos casos, é uma solução de clustering melhor quando comparada
com soluções obtidas por outros algoritmos que também adotam a abordagem de CE.
Os experimentos mostram que o HGCE é computacionalmente eficiente e se demonstra
resiliente a perturbações nas partições-base utilizadas como entrada do algoritmo.

Palavras-chave: Clustering, Clustering ensembles, Coalizão, Jogos hedônicos, Teoria dos
jogos cooperativos.

Nos últimos anos, a Inteligência Artificial (IA) ultrapassou as fronteiras da pesquisa acadêmica para se consolidar como um dos pilares tecnológicos que moldam o presente e o futuro da sociedade. De aplicações que transformam a saúde, o meio ambiente e o setor empresarial a soluções que impactam diretamente o cotidiano, as subáreas de aprendizado de máquina e, mais recentemente, de aprendizado profundo, estão por trás dessa revolução. Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina, vencedor do Prêmio Jabuti 2012 na categoria Tecnologia e Informática, chega à terceira edição totalmente revisto, reestruturado e ampliado. Oferece uma base sólida e atualizada para estudantes e profissionais, abordando conceitos essenciais de IA, algoritmos avançados e tendências. Por explorar tanto os fundamentos quanto as fronteiras da pesquisa em IA, o livro ensina como transformar conhecimento técnico em soluções inovadoras, que podem ser empregadas em desafios reais, como: diagnóstico e tratamento personalizados em Medicina; monitoramento e preservação ambiental; detecção e mitigação de ameaças cibernéticas; otimização da eficiência energética em cidades inteligentes; geração de textos, imagens e vídeos; compreensão de imagens e vídeos para segurança e automação. A obra oferece, ainda, novos conteúdos dedicados a redes neurais profundas e aplicações com base em diferentes tipos de dados, como imagens e textos, além de exemplos práticos implementados em Python. Exercícios atualizados e estudos de caso reais ajudam a consolidar o conhecimento e a explorar os limites do estado da arte em IA, com ênfase em Aprendizado de Máquina. Com a autoria de profissionais renomados e abordagem didática, Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina segue indispensável para estudantes de graduação e de pós-graduação nas áreas de IA, Aprendizado de Máquina, Ciência de Dados e Sistemas Inteligentes. Para o estudo e para a prática, o conteúdo continua sendo a referência essencial para quem deseja dominar a área que não apenas define o presente e o futuro da Computação, mas também exerce um papel cada vez maior no mercado e na sociedade

Um notável avanço vem sendo recentemente obtido na área de agrupamento de
dados mediante o desenvolvimento de métodos de fusão de partições. Essa abordagem,
conhecida como clustering ensembles, consiste em combinar os resultados de múltiplos
agrupamentos de uma mesma base de dados em uma única partição-consenso. Embora
promissora, essa abordagem ainda é restritiva, já que uma única resposta para um
problema limita a aquisição do conhecimento que poderia ser obtido considerando
outras possíveis soluções (partições). Por outro lado, devido à existência de vários
critérios de avaliação da qualidade de agrupamentos, pode-se modelar essa tarefa como
um problema típico de otimização multiobjetivo. Nesse contexto, o presente estudo
apresenta uma nova abordagem, baseada em programação genética multiobjetivo, que
projeta automaticamente novos operadores hierárquicos de fusão de partições. Desse
modo, um conjunto inicial de partições, obtido via a aplicação de diferentes técnicas de
agrupamento, pode ser continuamente refinado através de uma população de hierarquias
de fusores, que selecionam e combinam as partições originais, utilizando diferentes
critérios de qualidade como funções-objetivo. Para validar a nova abordagem, em
termos de eficiência e eficácia, foi implementado um protótipo e conduzido um estudo
comparativo, envolvendo outros algoritmos de agrupamento (dentre os quais três são de
clustering ensembles e dois são multiobjetivo), sobre 10 diferentes bases de dados. Os
experimentos demonstram que, em geral, a ideia de se ter uma hierarquia de fusores
aliada à correta seleção das partições pode proporcionar ganhos significativos em
termos de eficácia e robustez.
Palavras-chave: Agrupamento de Dados. Clustering Ensembles. Fusão Hierárquica de
Partições. Algoritmos Evolutivos Multiobjetivos. Programação Genética.