Bolsa de PD em Ciência da Computação

Post doctoral fellowship in Computer Science

Nº: 621

Área de conhecimento: Ciência da Computação

Field of knowledge: Computer science

Nº do processo FAPESP: 2013/07375-0

FAPESP process: 2013/07375-0

Título do projeto: Centro de Ciências Matemáticas Aplicadas à Industria - CEPID CEMEAI

Project title: Center of Mathematical Science Applied to Industry - CEPID CEMEAI

Área de atuação: Detecção de Novidades por Aprendizado de Máquina

Working area: Novelty Detection Using Machine Learning

Pesquisador responsável: André Ponce de Leon Ferreira de Carvalho

Principal investigator: André Ponce de Leon Ferreira de Carvalho

Unidade/Instituição: Instituto de Ciências Matemáticas e de Computação/USP

Unit/Instituition: Instituto de Ciências Matemáticas e de Computação/USP

Data limite para inscrições: 15/07/2014

Deadline for submissions: 2014-07-15

Publicado em: 21/05/2014

Publishing date: 2014-05-21

Localização: Instituto de Ciências Matemáticas e de Computação,,

Locale: Instituto de Ciências Matemáticas e de Computação,,

  • Resumo Summary

    Técnicas tradicionais de Mineração de Dados são projetadas para lidar com conjuntos de dados estáticos, em que a distribuição de probabilidade que gera esses dados não muda com o passar do tempo. 

    Entretanto, nos últimos anos, uma grande quantidade de dados gerados por fluxos contínuos tem sido disponibilizada. Um conjunto contínuo de dados ou data stream é uma seqüência ordenada ilimitada de exemplos ou instâncias que podem ser lidas apenas uma vez ou um pequeno número de vezes usando uma capacidade limitada de processamento e armazenamento. 

    Este projeto investigará diferentes métodos para lidar com detecção de novidades em fluxos contínuos de dados. Dados de aplicações reais serão utilizados no projeto. 

    Interessados devem enviar CV em pdf para o email andre@icmc.usp.br, com o subject "Aplicação para bolsa de Pós-doutorado CEPID CEMEAI".

    Para mais informações sobre o CEMEAI: http://cepid.fapesp.br/centro/15/.

    Traditional data mining techniques are designed to deal with static databases, where the underlying probability distribution that generates these data does not change along the time. 

    However, in recent years, a growing amount of streaming data has become available. A data stream can be defined as a massive unbounded sequence of examples continuously generated at a high-rate, such as network ows, sensor data, mobile data, and web click streams that may change for some time scale. 

    In these scenarios, it is not possible to store all the examples that arrive and learning algorithms have to be able to update their decision models always that new examples become available. 

    This project intends to investigate di fferent methods to cope with novelty detection in data streams. Real data will be used in this project. 

    Registration should take place by e-mail with the documentation sent in PDF file format to andre@icmc.usp.br, with the subject "Application to Post doctoral fellowship CEPID CEMEAI".

    To learn more about CEMEAI: http://cepid.fapesp.br/en/centro/15/.

Voltar Back