Exportar registro bibliográfico

Aprendizado semi-supervisionado para o tratamento de incerteza na rotulação de dados de química medicinal (2017)

  • Authors:
  • USP affiliated authors: SOUZA, JOÃO CARLOS SILVA DE - EACH
  • Unidades: EACH
  • Subjects: QUÍMICA FARMACÊUTICA; APRENDIZADO COMPUTACIONAL; BIOINFORMÁTICA
  • Keywords: Aprendizado semi-supervisionado; Expectation and Maximization; Extreme Learning Machines; Máquinas de Aprendizado Extremo; Maximização da Esperança; Medicinal Chemistry; Semi-supervised learning; Tratamento de incerteza; Uncertainty handling
  • Language: Português
  • Abstract: Nos últimos 30 anos, a área de aprendizagem de máquina desenvolveu-se de forma comparável com a Física no início do século XX. Esse avanço tornou possível a resolução de problemas do mundo real que anteriormente não poderiam ser solucionados por máquinas, devido à dificuldade de modelos puramente estatísticos ajustarem-se de forma satisfatória aos dados de treinamento. Dentre tais avanços, pode-se citar a utilização de técnicas de aprendizagem de máquina na área de Química Medicinal, envolvendo métodos de análise, representação e predição de informação molecular por meio de recursos computacionais. Os dados utilizados no contexto biológico possuem algumas características particulares que podem influenciar no resultado de sua análise. Dentre estas, pode-se citar a complexidade das informações moleculares, o desbalanceamento das classes envolvidas e a existência de dados incompletos ou rotulados de forma incerta. Tais adversidades podem prejudicar o processo de identificação de compostos candidatos a novos fármacos, se não forem tratadas de forma adequada. Neste trabalho, foi abordada uma técnica de aprendizagem de máquina semi-supervisionada capaz de reduzir o impacto causado pelo problema da incerteza na rotulação dos dados, aplicando um método para estimar rótulos mais confiáveis para os compostos químicos existentes no conjunto de treinamento... (Continua)(Continuação) Na tentativa de evitar os efeitos causados pelo desbalanceamento dos dados, foi incorporada ao processo de estimação de rótulos uma abordagem sensível ao custo, com o objetivo de evitar o viés em benefício da classe majoritária. Após o tratamento do problema da incerteza na rotulação, classificadores baseados em Máquinas de Aprendizado Extremo foram construídos, almejando boa capacidade de aproximação em um tempo de processamento reduzido em relação a outras abordagens de classificação comumente aplicadas. Por fim, o desempenho dos classificadores construídos foi avaliado por meio de análises dos resultados obtidos, confrontando o cenário com os dados originais e outros com as novas rotulações obtidas durante o processo de estimação semi-supervisionado
  • Imprenta:
  • Data da defesa: 09.03.2017

  • How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      SOUZA, João Carlos Silva de; OLIVEIRA, Patrícia Rufino. Aprendizado semi-supervisionado para o tratamento de incerteza na rotulação de dados de química medicinal. 2017.Universidade de São Paulo, São Paulo, 2017. Disponível em: < http://www.teses.usp.br/teses/disponiveis/100/100131/tde-26062017-101202/ >.
    • APA

      Souza, J. C. S. de, & Oliveira, P. R. (2017). Aprendizado semi-supervisionado para o tratamento de incerteza na rotulação de dados de química medicinal. Universidade de São Paulo, São Paulo. Recuperado de http://www.teses.usp.br/teses/disponiveis/100/100131/tde-26062017-101202/
    • NLM

      Souza JCS de, Oliveira PR. Aprendizado semi-supervisionado para o tratamento de incerteza na rotulação de dados de química medicinal [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/100/100131/tde-26062017-101202/
    • Vancouver

      Souza JCS de, Oliveira PR. Aprendizado semi-supervisionado para o tratamento de incerteza na rotulação de dados de química medicinal [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/100/100131/tde-26062017-101202/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2020