Candidato
Yassine Baghoussi
Data, Hora e Local
29 de maio, às 09:30, na Sala de Atos da Faculdade de Engenharia da Universidade do Porto
Presidente do Júri
Doutor Pedro Nuno Ferreira da Rosa da Cruz Diniz, Professor Catedrático da Faculdade de Engenharia da Universidade do Porto.
Vogais
Doutor Joydeep Chandra, Associate Professor do Department of Computer Science and Engineering do Indian Institute of Technology de Patna, Índia;
Doutor Mykola Pechenizkiy, Full Professor do Department of Mathematics and Computer Science da Eindhoven University of Technology, Países Baixos;
Doutor Luís Filipe Pinto de Almeida Teixeira, Professor Associado do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto;
Doutor João Pedro Carvalho Leal Mendes Moreira, Professor Associado do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto (Orientador).
A tese foi coorientada pelo Professor Doutor Carlos Manuel Milheiro de Oliveira Pinto Soares, Professor Associado do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto.
Resumo
“A Aprendizagem Automática (AA), conhecida como Machine Learning (ML) em inglês, depende tanto de dados quanto de algoritmos para funcionar de forma ideal. Enquanto a pesquisa convencional em AA frequentemente destaca melhorias algorítmicas, a importância do processamento de dados é frequentemente negligenciada. Em contraste, o pré-processamento de dados é uma tarefa distinta, executada antes de alimentá-los nos algoritmos. A diversidade de métodos de pré processamento adaptados para vários algoritmos de AA destaca a sua importância. No entanto, o ciclo de feedback entre algoritmos e dados é frequentemente negligenciado. Questões relacionadas a dados representam desafios significativos para algoritmos preditivos de AA, afetando adversamente a precisão das previsões. Esses desafios surgem porque problemas nos dados são inerentemente imprevisíveis, carecendo de um padrão discernível. Nesta tese de doutoramento, apresentamos a Aprendizagem de Máquina de Leitura e Escrita (RW-ML), um paradigma inovador que aprimora a precisão da previsão de séries temporais integrando técnicas de modificação de dados no processo de aprendizado. O RW-LSTM, uma adaptação do algoritmo de retro propagação, unifica o pré-processamento com redes neurais recorrentes (RNNs), superando significativamente modelos tradicionais como LSTM. O RW-LSTM possibilita a transição de RNNs apenas de leitura, que apenas aprendem com dados, para RW-ML, permitindo alterações diretas para previsões aprimoradas. Expandindo o framework, o Corrector Long Short-Term Memory (cLSTM) aborda as limitações de RNNs apenas de leitura, demonstrando maior precisão preditiva através de verificação empírica e experimentos extensivos. O último capítulo fornece uma avaliação do mundo real, destacando a vantagem competitiva do cLSTM sobre modelos LSTM em vários cenários”.
Este trabalho de investigação foi realizado no âmbito do SonaeIM.Lab@FEUP, envolvendo a Inovretail.
