Avanços em Machine Learning [NI-SERV-2020-27]

Elevado nível de especialização em Machine Learning, redes neuronais artificiais, programação genética, pré-processamento de dados, redução de ruídos, feature engineering, data augmentation, regularização, etc..

Breve descrição

O Data Analytics Lab tem a missão de desenvolver conhecimento de topo, para melhor o estado da arte na área do Machine Learning. Existem duas abordagens principais à investigação neste laboratório: investigação fundamental/teórica/básica e investigação aplicada. A primeira procura entender os princípios de funcionamento das técnicas mais conhecidas de Machine Learning, com o objetivo principal de definir técnicas novas/ melhoradas, capazes de ultrapassar os limites impostos pelas técnicas atuais. A segunda abordagem visa a aplicação de novas e técnicas já existentes de Machine Learning, a problemas e desafios reais que afetam a sociedade e as organizações.

Oportunidade a promover

 Prestação de serviços/ Conhecimento

Vantagens competitivas

Desenvolvimento de tecnologias inovadoras, capazes de ultrapassar as atuais tecnologias de Machine Learning.

Aplicações

Ciências da vida, biotecnologia, saúde, economia, consumo de energia, logística, engenharias, proteção ambiental, etc..

Mais detalhes

Segue se uma pequena amostra de publicações científicas recentes desenvolvidas no contexto do Data Analytics Lab:

[1] M. Castelli, F. M. Clemente, A. Popovic, S. Silva, and L. Vanneschi. A Machine Learning Approach to Predict Air Quality in California. Complexity. 2020.
[2] N. M. Rodrigues, S. Silva and L. Vanneschi. A Study of Generalization and Fitness Landscapes for Neuroevolution. IEEE Access. 2020.
[3] I. Azzali, L. Vanneschi, I. Bakurov, S. Silva, M. Ivaldi and M. Giacobini. Towards the Use of Vector Based GP to Predict Physiological Time Series. Applied Soft Computing. 2020
[4] M. Castelli, M. Dobreva, R. Henriques, and L. Vanneschi. Predicting Days on Market to Optimize Real Estate Sales Strategy. Complexity. 2020
[5] J. M. Silva, A. Figueiredo, J. Cunha, J. E. Eiras-Dias, S. Silva, L. Vanneschi and P. Mariano. Using Rapid Chlorophyll Fluorescence Transients to Classify Vitis Genotypes. Plants. 2020
[6] I. Azzali, L. Vanneschi, A. Mosca, L. Bertolotti and M. Giacobini. Towards the Use of Genetic Programming in the Ecological Modelling of Mosquito Population Dynamics. Genetic Programming and Evolvable Machines. 2020.
[7] A. Raglio, M. Imbriani, C. Imbriani, P. Baiardi, S. Manzoni, M. Gianotti, M. Castelli, L. Vanneschi, F. Vico and L. Manzoni. Machine Learning Techniques to Predict the Effectiveness of Music Therapy: A Randomized Controlled Trial. Computer Methods and Programs in Biomedicine. 2020.
[8] J. M. Moreira, I. Santiago, J. Santinha, N. Figueiredo, K. Marias, M. Figueiredo, L. Vanneschi and N. Papanikolaou. Challenges and Promises of Radiomics for Rectal Cancer. Current Colorectal Cancer Reports. 2020.
[9] D. Besozzi, M. Castelli, P. Cazzaniga, L. Manzoni, M. S. Nobile, S. Ruberto, L. Rundo, S. Spolaor, A. Tangherloni and L. Vanneschi. Computational Intelligence for Life Sciences. Fundamenta Informaticae. 2020.
[10] L. Vanneschi, M. Castelli, K. Scott and L. Trujillo. Alignment-Based Genetic Programming for Real Life Applications. Swarm and Evolutionary Computation. Volume 44, pages 840–851, 2019.
[11] S. Ruberto, L. Vanneschi and M. Castelli. Genetic Programming with Semantic Equivalence Classes. Swarm and Evolutionary Computation. Volume 44, pages 453–469, 2019.
[12] W. La Cava, S. Silva, K. Danai, L. Spector, L. Vanneschi and J. H. Moore. Multidimensional genetic programming for feature extraction in nearest centroid classification. Swarm and Evolutionary Computation. Volume 44, pages 260–272, 2019.
[13] M. Castelli, G. Cattaneo, L. Manzoni, and L. Vanneschi. A Distance Between Populations for n-Points Crossover in Genetic Algorithms. Swarm and Evolutionary Computation. Volume 44, pages 636–645, 2019.
[14] A. Rubio-Largo, L. Vanneschi, M. Castelli and M. A. Vega-Rodríguez. Multiobjective Metaheuristic to Design RNA Sequences. IEEE Transactions on Evolutionary Computation. Volume 23, issue 1, pages 156–169, 2019.