Pesquisa de Doutorado da Veronica

Data 24/07 - 17h Ciência das Redes x Teoria dos Grafos: Uma Nova Esperança Link https://youtu.be/3I8_vHKt9T8 Professores Daniel Ratton Figueiredo , Fábio Botler (COPPE / PESC) Teoria de Grafos (TG) e Problemas Combinatórios A TG começou com jogos e passatempos como um ferramental matemático fazem 200 anos (século XVIII). Em 1878 o termo grafo foi citado pela primeira vez em um artigo da Nature sobre um estudo da área de química (detecção de isômeros de cadeias de carbono, ou seja, identificar se dois grafos são isomorfos) Grafo é uma abstração (modelagem) para muitas aplicações, tem estreita relação com teoria da computação e é um estudo de combinatória com estrutura. São problemas em sua maioria NP-Difíceis para tratar questões como Decomposição de grafos (identificar estruturas indivisíveis), Circuitos Hamiltonianos* (caixeiro viajante) e Coloração de Grafos. * Um caminho hamiltoniano é um caminho que permite passar por todos os vértices de um grafo G, não repetindo ne

Um pouco sobre o texto LIquid: The soul of a new graph database, Part 1 Disponível em https://engineering.linkedin.com/blog/2020/liquid-the-soul-of-a-new-graph-database-part-1 Acessado em 26/07/2020 O que é o LIquid?  LIquid, a new graph database built by LinkedIn to support human real-time querying of the economic graph . It is a complete implementation of the relational model that supports fast, constant-time traversal of graph edges with a relational graph data model that is simple and self-describing, yet still manages to support the definition and indexing of complex n-ary relationships and property graphs . LIquid’s interface is a declarative query language based on Datalog . LIquid’s query processing engine achieves high performance by using dynamic query planning on wait-free shared-memory index structures . A maioria das redes sociais usam grafos para modelar as interações/relações entre perfis. Qual é o desafio que motivou LinkedIn a desenvolver o seu próprio

O Human-in-the-loop (HITL) é um ramo da inteligência artificial que aproveita a inteligência humana e de máquina para criar modelos de aprendizado de máquina. Em uma abordagem tradicional do HITL, as pessoas estão envolvidas em um círculo virtuoso, onde treinam, sintonizam e testam um algoritmo específico. Geralmente, funciona assim: Primeiro, os seres humanos rotulam dados. Isso fornece ao modelo uma alta qualidade e quantidade de dados de treinamento. Um algoritmo de aprendizado de máquina aprende a tomar decisões com base nesses dados. Em seguida, os seres humanos ajustam o modelo. Isso pode acontecer de várias maneiras diferentes, mas geralmente os humanos atribuem uma pontuação aos dados para indicar excesso de ajuste (overfitting), para ensinar um classificador sobre casos extremos (outlier) ou novas categorias no âmbito do modelo. Por fim, as pessoas podem testar e validar um modelo atribuindo uma pontuação ao resultado, especialmente em casos onde um algoritmo não tem