Redução de Dimensionalidade em Bases de Dados de Microarranjos utilizando Autocodifcadores

ID: 
7013
Sala virtual: 
https://us02web.zoom.us/j/85617716228?pwd=bDl2M243eTVFK1ZIbFcvbnM5Y1kwQT09
Vídeo: 
https://peertube.td.utfpr.edu.br/videos/watch/63f4d587-e87d-4bd3-83ed-8956b8d6a037
Resumo: 
Algoritmos de Aprendizagem de Maquina vem sendo cada vez mais utilizados pela sua capacidade de aprender a partir de grandes volumes de dados como, por exemplo, dados de expressão gênica obtidos pela técnica de microarranjo. Uma característica das bases de dados de microarranjos é que, geralmente, ela é formada por grande quantidade de atributos e um pequeno número de amostras. Sabe-se que dados com alta dimensionalidade podem possuir atributos redundantes e muitas vezes irrelevantes, podendo atrapalhar o processo de aprendizagem e o desempenho das predições. Métodos de redução de dimensionalidade são utilizados para reduzir a quantidade de atributos das bases de dados. Redes Neurais Autocodificadoras podem ser adaptadas e utilizadas para a extração de atributos e, consequentemente, a redução da dimensionalidade. Esta pesquisa tem como objetivo utilizar uma rede neural autocodificadora para ser utilizada na extração de atributos em bases de dados de microarranjo. Para isso, serão realizados experimentos em cinco bases de dados. Os resultados foram avaliados por meio da taxa de acerto de classificadores.
Autor(es): 
Rafael
Felipe Tasaka
de Melo
Universidade Tecnológica Federal do Paraná, Ponta Grossa, Paraná, Brasil
rafaelftmelo@outlook.com
Helyane
Bronoski
Borges
Universidade Tecnológica Federal do Paraná, Ponta Grossa, Paraná, Brasil
helyane@utfpr.edu.br
Modalidade: 
Computação
Data: 
25/11/2020
Hora: 
09:00