Relatório de produção acadêmica da Universidade Federal de São Carlos (UFSCar) realizado em 21/11/2017

Ricardo Cerri

Possui graduação em Bacharelado em Ciências da Computação pela Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP), e Mestrado e Doutorado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (ICMC/USP). Durante seu Doutorado, realizou dois estágios de pesquisa no exterior, na Universidade de Surrey e na Universidade de Kent, ambas no Reino Unido. Tem experiência na área de Ciências da Computação, atuando principalmente com os temas Bioinformática e Aprendizado de Máquina, com interesse especial em técnicas de classificação de dados. Atualmente é Professor Adjunto no Departamento de Computação da Universidade Federal de São Carlos, atuando na graduação e na pós-graduação. (Texto informado pelo autor)

  • http://lattes.cnpq.br/6266519868438512 (28/10/2017)
  • Rótulo/Grupo:
  • Bolsa CNPq:
  • Período de análise: 2015-2017
  • Endereço: Universidade Federal de São Carlos, Centro de Ciências Exatas e de Tecnologia, Departamento de Computação. Rodovia Washington Luís, km 235 Jardim Guanabara - Sala G34 13565905 - São Carlos, SP - Brasil - Caixa-postal: 676 Telefone: (16) 33518609 URL da Homepage: http://sites.google.com/site/cerrirc/
  • Grande área: Ciências Exatas e da Terra
  • Área: Ciência da Computação
  • Citações: Google Acadêmico

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

Prêmios e títulos

Participação em eventos

Organização de eventos

Lista de colaborações

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

  • Total de projetos de pesquisa (4)
    1. 2017-Atual. Deep Learning para Classificacao Hierarquica e Multirrotulo
      Descrição: Em problemas convencionais de classificação, um exemplo de um conjunto de dados é classificado em apenas uma dentre duas ou mais classes. Esses problemas são chamados de problemas de classificação simples-rótulo. No entanto, existem problemas de classificação mais complexos nos quais um exemplo pode ser classificado em duas ou mais classes simultaneamente, inclusive classes estruturadas em uma taxonomia hierárquica. Esses problemas são conhecidos na literatura de Aprendizado de Máquina como problemas de classificação hierárquica e multirrótulo. Diversos problemas de aplicação prática estão relacionados a esse tipo de classificação, como categorização de imagens, documentos, música e predição de funções de proteínas. A tarefa de resolução de problemas hierárquicos e multirrótulo é muito desafiadora devido à dificuldade em se considerar as dependências entre as muitas classes envolvidas no problema durante o treinamento. Somado a isso, o desbalanceamento dos conjuntos de dados deteriora os desempenhos dos classificadores propostos na literatura. Neste projeto, pretende-se investigar abordagens Deep Learning para a tarefa de classificação hierárquica e multirrótulo, visando considerar os relacionamentos entre as classes durante o aprendizado. No aprendizado Deep Learning, é investigada a capacidade de aprendizado de redes neurais cujas arquiteturas possuem muitas camadas intermediárias. Cada uma dessas camadas é induzida por meio de um processo sequencial, uma camada de cada vez, utilizando aprendizado não supervisionado. A ideia é dividir o processo de aprendizado, com o objetivo de induzir um modelo complexo por meio da combinação de modelos mais simples, induzidos sequencialmente. Assim, pretende-se propor métodos de classificação baseados na abordagem Deep Learning, para investigar sua capacidade de generalização e aprendizado dos relacionamentos entre as muitas classes do problema. O método proposto será testado em conjuntos de dados de diferentes domínios de aplicação, e também comparado com outros métodos da literatura. Todos os métodos serão avaliados utilizando medidas de avaliação especialmente desenvolvidas para esses problemas de classificação. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (3) / Mestrado acadêmico: (3) . Integrantes: Ricardo Cerri - Coordenador / BARROS, RODRIGO C. - Integrante / BASGALUPP, MÁRCIO P. - Integrante / Felipe Kenji Nakano - Integrante / Gean Trindade Pereira - Integrante / Bruna Zamith Santos - Integrante / Joel David Costa Junior - Integrante / Lord Flaubert Steve Ataucuri Cruz - Integrante / Gustavo Giordano Colombini - Integrante / Iuri Bonna Maurício de Abreu - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.Número de orientações: 4
      Membro: Ricardo Cerri.
    2. 2017-Atual. Multi-Objective Evolutionary Methods for Hierarchical and Multi-label Classification
      Descrição: In conventional classification, an instance is classified in just one among two or more classes. These problems are called single-label classification problems. However, there are more complex problems in which an instance can be classified into two or more classes simultaneously. These are known in the Machine Learning literature as multi-label classification problems. When the classes involved are organized in a hierarchy, the task is even more challenging, and is known as hierarchical classification. Many practical applications are related to hierarchical and multi-label classification, like the classification of images, documents and music, and protein function prediction. These are very challenging tasks due the difficulty in considering the relationships between the many classes of the problem during training. Together with this, the unbalance of the datasets deteriorate the performances of the classifiers proposed in the literature. Given the high-dimensional space of possible classes, we propose to develop Multi-objective Evolutionary Methods for the generation of multi-label and hierarchical classification rules. The rules generated should satisfy the requisites of interpretability and good performance. The proposed methods will be compared with the state-of-the-art methods, using hierarchical and multi-label datasets from the bioinformatics domain. The methods will be evaluated with measures specifically proposed for hierarchical and multi-label problems.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (4) / Mestrado acadêmico: (5) / Doutorado: (3) . Integrantes: Ricardo Cerri - Coordenador / Marcio Porto Basgalupp - Integrante / Felipe Kenji Nakano - Integrante / Gean Trindade Pereira - Integrante / Bruna Zamith Santos - Integrante / Yaochu Jin - Integrante / Leonardo Utida Alcantara - Integrante / Joel David Costa Junior - Integrante / Lord Flaubert Steve Ataucuri Cruz - Integrante / Alisson Hayasi da Costa - Integrante / Frankson Teotonho de Sousa - Integrante / Patrícia Miquilini - Integrante / Handing Wang - Integrante / Guo Yu - Integrante / Sophie Mahendran - Integrante / Ataollah Ramezan Shirazi - Integrante. Financiador(es): University of Surrey - Auxílio financeiro / Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.Número de orientações: 1
      Membro: Ricardo Cerri.
    3. 2016-Atual. Classificacao Hierarquica de Elementos Transponiveis Utilizando Aprendizado de Maquina
      Descrição: Elementos Transponíveis (TEs) são sequências de DNA que podem se mover de um local para outro dentro do genoma de uma célula. Eles contribuem para a diversidade genética das espécies, e seus mecanismos de transposição podem afetar a funcionalidade dos genes. A correta identificação e classificação de TEs é útil para a compreensão de seus efeitos no processo evolutivo dos genomas. Os TEs são organizados em uma taxonomia hierárquica, com famílias e superfamílias. Geralmente, a identificação e classificação de TEs é realizada por meio de ferramentas de Bioinformática que utilizam homologia, comparando uma sequência com várias sequências de um conjunto de dados com TEs já identificados. Esse método apresenta limitações, pois a homologia entre sequências ignora as propriedades bioquímicas das mesmas, e também os relacionamentos hierárquicos entre as diferentes famílias e superfamílias de TEs. Assim, neste projeto, serão investigados e propostos diferentes métodos de classificação hierárquica de TEs utilizando Aprendizado de Máquina (AM). Inicialmente, diferentes conjuntos de dados serão construídos com sequências de nucleotídeos e de aminoácidos já com TEs previamente identificados. Para a construção desses conjuntos de dados, serão utilizadas ferramentas de Bioinformática desenvolvidas para extrair características bioquímicas de sequências, e também diferentes estratégias para conversão de sequências em valores de atributos adequados para a utilização em técnicas de AM. Os conjuntos de dados serão, então, estruturados hierarquicamente, de acordo com as famílias e superfamílias de TEs a que pertencem. Os métodos de classificação propostos serão comparados com métodos existentes na literatura, e avaliados por meio de medidas de avaliação específicas para problemas de classificação hierárquica. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) . Integrantes: Ricardo Cerri - Coordenador / Carlos Norberto Fischer - Integrante / André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Gisele Lobo Pappa - Integrante / BASGALUPP, MÁRCIO P. - Integrante / Felipe Kenji Nakano - Integrante / Gean Trindade Pereira - Integrante / Bruna Zamith Santos - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro. Número de produções C, T A: 4 / Número de orientações: 4
      Membro: Ricardo Cerri.
    4. 2015-Atual. Hiper-heuristicas para Construcao de Algoritmos de Inducao de Arvores de Decisao em Problemas de Classificacao Hierarquica Multirrotulo
      Descrição: Problemas de Classificação Hierárquica Multirrótulo são problemas de classificação complexos, nos quais as classes envolvidas no problema são estruturadas em uma hierarquia contendo centenas ou até milhares de classes. Adicionalmente, exemplos sendo classificados podem ser atribuídos simultaneamente a mais de um caminho dessa hierarquia. Esses problemas são muito comuns, por exemplo em tarefas de predição de funções de proteínas e anotação de imagens médicas. Dentre os diferentes algoritmos que podem ser utilizados nesses problemas, estão os algoritmos de indução de árvores de decisão, por sua robustez e eficiência, além de produzirem modelos interpretáveis e com taxas de acerto satisfatórias. Apesar disso, ainda há muitas questões em aberto sobre a utilização desses algoritmos no contexto de problemas de classificação hierárquica multirrótulo, como por exemplo quais critérios de parada e de poda utilizar, qual tipo de divisão utilizar em um nó interno, e como considerar os relacionamentos entre as classes. Além disso, até agora apenas a estratégia de indução top-down foi utilizada. Dadas essas muitas possibilidades de configuração, esse projeto tem por objetivo implementar uma hiper-heurítica para a construção de algoritmos de indução de árvores de decisão aplicados em problemas de classificação hierárquica multirrótulo. Ao contrário das meta-heurísticas, as hiper-heurísticas operam em um nível maior de abstração, podendo ser utilizadas na procura das melhores combinações de componentes no espaço de possibilidades, componentes esses utilizados para a construção de algoritmos de indução de árvores de decisão. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Ricardo Cerri - Coordenador / Celine Vens - Integrante / Leander Schietgat - Integrante / BASGALUPP, MÁRCIO P. - Integrante. Financiador(es): Universidade Federal de São Carlos - Auxílio financeiro / Katholieke Universiteit Leuven - Auxílio financeiro. Número de produções C, T A: 2
      Membro: Ricardo Cerri.

Prêmios e títulos

  • Total de prêmios e títulos (0)

    Participação em eventos

    • Total de participação em eventos (9)
      1. ACM Symposium on Applied Computing.Hierarchical Multi-Label Classification with Chained Neural Networks. 2017. (Simpósio).
      2. Brazilian Conference on Intelligent Systems (BRACIS). A Multi-Target Deep Structure for Tracking Asynchronous Regressor Stack. 2017. (Congresso).
      3. Encontro Nacional de Inteligência Artificial e Computacional (ENIAC).Denoising Auto-Encoders as Feature Extractors in Hierarchical Classification Problems. 2017. (Encontro).
      4. International Joint Conference on Neural Networks. A Self-Organizing Map-based Method for Multi-Label Classification. 2017. (Congresso).
      5. International Joint Conference on Neural Networks. Incorporating Instance Correlations in Multi-label Classification via Label-Space. 2017. (Congresso).
      6. Symposium on Knowledge Discovery, Mining and Learning (KDMiLe).Label Powerset for Multi-label Data Streams Classification with Concept Drift. 2017. (Simpósio).
      7. Brazilian Conference on Intelligent System. Hyper-parameter Tuning of a Decision Tree Induction Algorithm. 2016. (Congresso).
      8. Encontro Nacional de Inteligência Artificial e Computacional.A New Machine Learning Dataset for Hierarchical Classification of Transposable Elements. 2016. (Encontro).
      9. International Joint Conference on Neural Networks. Hierarchical Classification of Gene Ontology-based Protein Functions with Neural Networks. 2015. (Congresso).

    Organização de eventos

    • Total de organização de eventos (3)
      1. MERSCHMANN, L. H. C. ; Ribeiro, E. ; CERRI, RICARDO. Symposium on Knowledge Discovery, Mining and Learning (KDMiLe). 2017. Congresso
      2. Lorena, A. C. ; KASTER, D. S. ; Ribeiro, E. ; FERNANDES, F. C. R. ; RODRIGUES, I. ; NIELSEN, J. ; CERRI, RICARDO ; MELO, V. V.. KDD-BR (Brazilian Knowledge Discovery in Databases) competition. 2017. Concurso
      3. CERRI, RICARDO; ZADROZNY, B. ; BARROS, L. ; Barros, R. C.. Concurso de Teses e Dissertações em Inteligência Artificial e Computacional (CTDIAC). 2016. Concurso

    Lista de colaborações

    • Colaborações endôgenas (0)



      Data de processamento: 24/11/2017 12:06:56