Por: Pablo Henrique Penha Silva

Exemplo de agrupamento de mineração de dados (MathWork).

Descrição: Os Fluxos Contínuos de Dados são uma sequência de objetos que fluem continuamente ao longo do tempo, sendo que a distribuição que gera os exemplos pode mudar ao longo do tempo. Este trabalho propõe novas abordagens de mineração de dados (é o processo de explorar grandes quantidades de dados à procura de padrões consistentes, detectando assim novos subconjuntos de dados) para trabalhar com detecção de novidade e mudança de conceito em ambientes envolvendo Fluxo Contínuo De Dados. Um outro objetivo é aplicar as abordagens propostas a cenários de Fluxo Contínuo de Dados reais e analisar se os modelos gerados são capazes de se adequar à evolução dos dados ao longo do tempo.

Exemplo de funcionamento da Lógica Fuzzy (CondicaoInicial).

Descrição: Recuperação de Informação (RI) é a tarefa de analisar coleções de dados como, por exemplo, a Internet, encontrar e retornar ao usuário as informações relevantes que satisfazem uma determinada chave de busca. Neste contexto, há duas abordagens principais:

• Recuperação de informação baseada em anotações textuais;
• Recuperação de informação baseada em conteúdo (CBIR). Este último é o foco deste trabalho e utiliza-se de imagens para fazer tal recuperação.

O objetivo da técnica CBIR é encontrar imagens relevantes, conforme a necessidade do usuário, por meio de características visuais automaticamente extraídas das imagens (e não pelas informações obtidas analisando-se o texto próximo a elas). Tais características podem ser gerais (que são as consideradas neste trabalho) ou de domínio. As características gerais incluem aspectos como cor, forma e textura, enquanto as características de domínio incluem características específicas, tais como impressões digitais e faces humanas.

Imagem retirada de: ProfissionaisTI.

Descrição: Em uma rede de computadores, cada nó precisa ter um endereço, usado pelos outros nós para lhe enviar mensagens. A Internet usa os protocolos de comunicação conhecidos como IPv4, que define endereços de 32 bits. Recentemente, os últimos endereços IPv4 livres foram atribuídos. Com a crescente quantidade de novos dispositivos almejando um endereço na rede, é certo que não haverá espaço para todos se continuarmos a seguir os mesmos paradigmas de endereçamento, que oferecem uma quantidade limitada de endereços, exceto pelo uso de mecanismos de compartilhamento de endereços; estas abordagens, contudo, embora permitam que os dispositivos contatem outros dispositivos já na Internet, não permitem que eles próprios sejam contactados.

Tendo conhecimento deste problema, foram feitas novas propostas de endereçamento para substituir aquele do IPv4, dentre as quais podemos destacar o IPv6, que aumenta para 2^128 a quantidade de endereços disponíveis na rede. Apesar do grande número de endereços, o IPv6 esbarra em outro problema, a distribuição destes endereços. Outra possível abordagem é o uso de IdTrees como endereços. Com as IdTrees, é possível oferecer-se um número infinito de endereços e, mais importante, atribuídos de forma distribuída. O uso de IdTrees, contudo, esbarra no tamanho da representação de um endereço “no fio” e estes endereços podem crescer ad infinitum.

Imagem retirada de: eCommerce-business-solutions.

Descrição: Quase todos os algoritmos de busca que utilizam heurísticas partem do princípio que o objetivo estipulado é fixo e se manterá desta forma durante toda a busca. Por exemplo, na navegação de um robô em um labirinto, inicialmente estipulamos uma posição inicial e uma posição final (meta) a qual será mantida fixa em todo o trajeto do robô. No contexto deste projeto a meta não será considerada fixa e sofrerá alterações constantemente até que o agente de busca (robô) encontre a meta mais recente. Para essa atividade um algoritmo de busca em tempo real será utilizado para a resolução do problema. Os mesmos são capazes de proporcionar computação suficiente para determinar um movimento plausível para o agente solucionador do problema. Entretanto esses algoritmos não são capazes de encontrar a solução ótima do problema. Uma forma de aumentar a eficiência destes algoritmos é dotá-los de aprendizagem. Um algoritmo aprende quando sua eficiência é melhorada pela solução do mesmo problema em diversas tentativas. Um dos mais conhecidos algoritmos de busca e aprendizagem em tempo real é denominado LRTA* (Learning Real Time A*).

Para o presente trabalho será utilizado uma variação do LRTA* para a solução do problema proposto. A escolha desse se deve ao fato do mesmo ser um algoritmo de busca em tempo real que ao contrário dos chamado algoritmos de busca off-line, como por exemplo o A*, proporciona a melhor escolha de movimento em direção ao alvo, que estará em constante mudança de posição.

Referência:
FACOM-UFU