Examination timetabling automation using hybrid meta-heuristics

Trabalho de projeto realizado para obtenção do grau de Mestre em Engenharia Informática e de Computadores

Repertório para saxofone, criado e estreado no âmbito da Escola Superior de Música

Este relatório de Projeto Artístico pretende documentar o contributo das classes de Saxofone e Composição da Escola Superior de Música de Lisboa (ESML) no desenvolvimento do repertório contemporâneo para Saxofone. Como resultado da investigação realizada, foi possível compilar uma lista de obras escritas ao longo dos 16 anos de existência da Classe de Saxofone da ESML, para as mais variadas formações. Será também apresentada uma breve análise, feita pelos compositores, das obras a apresentar em Recital, assim como vários meios de resolução que utilizei para as dificuldades encontradas na sua preparação. De forma a ajudar na divulgação desta produção, este trabalho é complementado com uma base de dados relativa a todas as obras escritas para Saxofone na ESML, que pode ser consultada em Base de Dados online.

Feature Discretization with Relevance and Mutual Information Criteria

Feature discretization (FD) techniques often yield adequate and compact representations of the data, suitable for machine learning and pattern recognition problems. These representations usually decrease the training time, yielding higher classification accuracy while allowing for humans to better understand and visualize the data, as compared to the use of the original features. This paper proposes two new FD techniques. The first one is based on the well-known Linde-Buzo-Gray quantization algorithm, coupled with a relevance criterion, being able perform unsupervised, supervised, or semi-supervised discretization. The second technique works in supervised mode, being based on the maximization of the mutual information between each discrete feature and the class label. Our experimental results on standard benchmark datasets show that these techniques scale up to high-dimensional data, attaining in many cases better accuracy than existing unsupervised and supervised FD approaches, while using fewer discretization intervals.