TIME SERIES PRE-PROCESSING FOR MULTI- OBJECTIVE MACHINE LEARNING

INTRODUÇÃO: O aprendizado de máquina vem sendo estudado e empregado em diferentes áreas do conhecimento, entre elas a engenharia, onde utilizamos o aprendizado supervisionado. OBJETIVOS: Emplear um método de pre-processamento de dados baseado em otimização multiobetivo para seleção de características para aprimorar o performance de máquinas de aprendizaje simples. MATERIAIS E MÉTODO: Plaaforma computacional: Matlab; Algoritmo de otimização: spMODEx; Banco de dados: registros da Thüringer Fernwasserversorgung, um importante provedor do serviço de saneamento de água localizado no centro da Alemanha. RESULTADOS: A otimização multiobetivo empregado na base de dados demostrou uma melhora na eficiência do aprendizado da máquina, assim podendo ser uma nova ferramenta para a seleção de máquina de aprendizagem proporcionando uma maior compreensão dos trade-offs e decisão sobre a aprendizagem de máquina. Com este trabalho foi preparado um artigo que foi submetido no Simpósio Brasileiro de Pesquisa Operacional e está sob análise. CONSIDERAÇÕES FINAIS: A aplicação de técnicas de visualização e análise de Pareto permite identificar soluções Pareto ótimas que representa o ponto de equilíbrio entre os objetivos considerados. Estas soluções oferecem uma variedade de opções para o usuário final, permitindo assim tomar decisões informadas e adaptadas as suas necessidades especificas.

PALAVRAS-CHAVE: Aprendizagem de máquina; Machine learning; Otimização multiobjetivo.