Uso de Meta-Learning em Tarefas de Aprendizado Profundo
Resumo
Bancos de Dados (BDs) NoSQL são uma tecnologia relativamente recente para gerenciamento de dados Aprendizado Profundo é uma subárea de Aprendizado de Máquina que utiliza redes neurais com sucessíveis camadas de representação dos dados, as quais permitem a realização de tarefas mais complexas. Em geral, esses modelos produzem melhores resultados quando trabalhados com grandes volumes de dados. Entretanto, em algumas situações, não é possível obter dados rotulados em grande quantidade para o treinamento dessas redes. A estratégia de meta-learning visa mitigar esse problema, fazendo com que modelos de aprendizagem consigam aprender, de forma rápida, a partir de outros modelos inicialmente treinados para diferentes tarefas. Este minicurso introduz algumas técnicas de meta-learning, focando em seu uso com modelos de Aprendizado Profundo para a resolução de tarefas com quantidade de dados reduzida.
Instrutores
Luis Gustavo Coutinho do Rêgo (UFC) – Bacharel em Computação pela Universidade Federal do Ceará (UFC, 2014), Mestre em Ciência da Computação (UFC, 2017) e doutorando em Ciência da Computação (UFC). Atualmente é Professor Efetivo no Instituto Federal do Ceará (IFCE) campus Jaguaribe, atuando principalmente nos seguintes temas: Desenvolvimento de Software, Consultas em Mapas e Processamento de Linguagem Natural.
Bárbara Stéphanie Neves Oliveira (UFC) – Bacharel em Ciência da Computação pela Universidade Federal do Ceará (2020), e mestranda também em Ciência da Computação pela Universidade Federal do Ceará. Atualmente é Cientista de Dados no Instituto Atlântico e Pesquisadora no Insight Data Science Lab. Atua principalmente na área de Processamento de Linguagem Natural com Aprendizagem Profunda, em diferentes técnicas, como pré-processamento e representação de textos; em problemas/tarefas, como Extração da Informação, com foco em Reconhecimento e Desambiguação de Entidades Nomeadas, Classificação de Textos e Modelagem de Tópicos; e, tecnologias, como assistentes virtuais contextuais.
Lucas Peres Gaspar (UFC) – Bacharel em Computação pela Universidade Federal do Ceará (2017), Mestre em Ciência da Computação pela Universidade Federal do Ceará (2019) e doutorando em Ciência da Computação pela Universidade Federal do Ceará (UFC). Professor no Centro Universitário Farias Brito e na Faculdade 7 de Setembro, atuando principalmente nos seguintes temas: Processamento de dados em Linguagem Natural e dados Georeferenciados, desenvolvimento de aplicações reativas e processamento de dados em tempo real.
João Araújo Castelo Branco (UFC) – Bacharel em Computação pela Universidade Federal do Ceará (UFC, 2021) e Mestrando em Ciência da Computação (UFC). Atualmente é pesquisador do Insight Data Science Lab, atuando principalmente nos seguintes temas: Desenvolvimento de Software, Processamento de Linguagem Natural, Machine Learning e Engenharia de Dados.
José Antônio Fernandes de Macêdo (UFC)- Professor Associado do Departamento de Computação da Universidade Federal do Ceará e pesquisador de produtividade do CNPq há mais de 12 anos. Atualmente, exerce a função de Cientista Chefe de Dados e Transformação Digital do Governo do Ceará. Concluiu mestrado e doutorado pela Pontifícia Universidade Católica do Rio de Janeiro. Realizou doutorado sanduíche na École Nationale Supérieure des Télécommunications Bretagne, na França e foi pesquisador sênior na École Polytechnique Fédéral de Lausanne (EPFL-Suiça) de 2006 até 2009. O foco de sua pesquisa é a inteligência artificial aplicada ao processamento de grandes volumes de dados (Big Data).