Tamanho da fonte: 

Encontrados em diversas aplicações do mundo real, os problemas de otimização multiobjetivo aliados à aprendizado de máquina têm sido de extrema relevância tanto no campo acadêmico como no ambiente de produção empresarial. Lidar com tais problemas têm promovido, ao
longo da última década, novos e complexos desafios para os pesquisadores da área, uma vez que resolvê-los pode resultar na descoberta de novas ferramentas para resolução geral de problemas. Quando o número de funções-objetivo aumenta, diversos inconvenientes podem
aparecer durante a análise e processamento dos dados, portanto diversos algoritmos vêm sendo aplicados para tentar obter bons conjuntos de atributos com o mínimo de perda de informação possível. Durante os últimos anos, novas estratégias foram criadas, tanto para melhorar algoritmos existentes como o PCA, K-Means, GMM ou perspectivas diferentes, como metodologias que exploram inferência Bayesiana, como o DP, ou ainda abordagens que consistem em tentar reduzir a dimensionalidade diretamente no espaço das funções objetivo, clusterizando matrizes de correlação por exemplo. Assim, este projeto de pesquisa estudou
técnicas clássicas do aprendizado de máquina e mineração de dados. As técnicas, tanto de seleção de atributo, quanto de clusterização estudadas foram consideradas e parcialmente utilizadas na construção de um algoritmo que poderá ser utilizado para realizar a clusterização de funções objetivo, buscando reduzir a perda de informação e manter a consistência original
dos dados.

Otimização com vários objetivos. Técnicas de Clusterização. Estatística Bayesiana.