Aquatic weed automatic classification using machine learning techniques

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

HOW FAR do WE GET USING MACHINE LEARNING BLACK-BOXES?

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

A machine learning approach for genome-wide prediction of morbid and druggable human genes based on systems-level data

Background: The genome-wide identification of both morbid genes, i.e., those genes whose mutations cause hereditary human diseases, and druggable genes, i.e., genes coding for proteins whose modulation by small molecules elicits phenotypic effects, requires experimental approaches that are time-consuming and laborious. Thus, a computational approach which could accurately predict such genes on a genome-wide scale would be invaluable for accelerating the pace of discovery of causal relationships between genes and diseases as well as the determination of druggability of gene products.Results: In this paper we propose a machine learning-based computational approach to predict morbid and druggable genes on a genome-wide scale. For this purpose, we constructed a decision tree-based meta-classifier and trained it on datasets containing, for each morbid and druggable gene, network topological features, tissue expression profile and subcellular localization data as learning attributes. This meta-classifier correctly recovered 65% of known morbid genes with a precision of 66% and correctly recovered 78% of known druggable genes with a precision of 75%. It was than used to assign morbidity and druggability scores to genes not known to be morbid and druggable and we showed a good match between these scores and literature data. Finally, we generated decision trees by training the J48 algorithm on the morbidity and druggability datasets to discover cellular rules for morbidity and druggability and, among the rules, we found that the number of regulating transcription factors and plasma membrane localization are the most important factors to morbidity and druggability, respectively.Conclusions: We were able to demonstrate that network topological features along with tissue expression profile and subcellular localization can reliably predict human morbid and druggable genes on a genome-wide scale. Moreover, by constructing decision trees based on these data, we could discover cellular rules governing morbidity and druggability.

Precipitates segmentation from scanning electron microscope images through machine learning techniques

The presence of precipitates in metallic materials affects its durability, resistance and mechanical properties. Hence, its automatic identification by image processing and machine learning techniques may lead to reliable and efficient assessments on the materials. In this paper, we introduce four widely used supervised pattern recognition techniques to accomplish metallic precipitates segmentation in scanning electron microscope images from dissimilar welding on a Hastelloy C-276 alloy: Support Vector Machines, Optimum-Path Forest, Self Organizing Maps and a Bayesian classifier. Experimental results demonstrated that all classifiers achieved similar recognition rates with good results validated by an expert in metallographic image analysis. © 2011 Springer-Verlag Berlin Heidelberg.

Remote phenology: Applying machine learning to detect phenological patterns in a cerrado savanna

Plant phenology has gained importance in the context of global change research, stimulating the development of new technologies for phenological observation. Digital cameras have been successfully used as multi-channel imaging sensors, providing measures of leaf color change information (RGB channels), or leafing phenological changes in plants. We monitored leaf-changing patterns of a cerrado-savanna vegetation by taken daily digital images. We extract RGB channels from digital images and correlated with phenological changes. Our first goals were: (1) to test if the color change information is able to characterize the phenological pattern of a group of species; and (2) to test if individuals from the same functional group may be automatically identified using digital images. In this paper, we present a machine learning approach to detect phenological patterns in the digital images. Our preliminary results indicate that: (1) extreme hours (morning and afternoon) are the best for identifying plant species; and (2) different plant species present a different behavior with respect to the color change information. Based on those results, we suggest that individuals from the same functional group might be identified using digital images, and introduce a new tool to help phenology experts in the species identification and location on-the-ground. ©2012 IEEE.

The assessment of the quality of sugar using electronic tongue and machine learning algorithms

The correct classification of sugar according to its physico-chemical characteristics directly influences the value of the product and its acceptance by the market. This study shows that using an electronic tongue system along with established techniques of supervised learning leads to the correct classification of sugar samples according to their qualities. In this paper, we offer two new real, public and non-encoded sugar datasets whose attributes were automatically collected using an electronic tongue, with and without pH controlling. Moreover, we compare the performance achieved by several established machine learning methods. Our experiments were diligently designed to ensure statistically sound results and they indicate that k-nearest neighbors method outperforms other evaluated classifiers and, hence, it can be used as a good baseline for further comparison. © 2012 IEEE.

An approach to implement data fusion techniques in wireless sensor networks using genetic machine learning algorithms

Wireless Sensor Networks (WSNs) can be used to monitor hazardous and inaccessible areas. In these situations, the power supply (e.g. battery) of each node cannot be easily replaced. One solution to deal with the limited capacity of current power supplies is to deploy a large number of sensor nodes, since the lifetime and dependability of the network will increase through cooperation among nodes. Applications on WSN may also have other concerns, such as meeting temporal deadlines on message transmissions and maximizing the quality of information. Data fusion is a well-known technique that can be useful for the enhancement of data quality and for the maximization of WSN lifetime. In this paper, we propose an approach that allows the implementation of parallel data fusion techniques in IEEE 802.15.4 networks. One of the main advantages of the proposed approach is that it enables a trade-off between different user-defined metrics through the use of a genetic machine learning algorithm. Simulations and field experiments performed in different communication scenarios highlight significant improvements when compared with, for instance, the Gur Game approach or the implementation of conventional periodic communication techniques over IEEE 802.15.4 networks. © 2013 Elsevier B.V. All rights reserved.

Applying machine learning based on multiscale classifiers to detect remote phenology patterns in Cerrado savanna trees

Plant phenology is one of the most reliable indicators of species responses to global climate change, motivating the development of new technologies for phenological monitoring. Digital cameras or near remote systems have been efficiently applied as multi-channel imaging sensors, where leaf color information is extracted from the RGB (Red, Green, and Blue) color channels, and the changes in green levels are used to infer leafing patterns of plant species. In this scenario, texture information is a great ally for image analysis that has been little used in phenology studies. We monitored leaf-changing patterns of Cerrado savanna vegetation by taking daily digital images. We extract RGB channels from the digital images and correlate them with phenological changes. Additionally, we benefit from the inclusion of textural metrics for quantifying spatial heterogeneity. Our first goals are: (1) to test if color change information is able to characterize the phenological pattern of a group of species; (2) to test if the temporal variation in image texture is useful to distinguish plant species; and (3) to test if individuals from the same species may be automatically identified using digital images. In this paper, we present a machine learning approach based on multiscale classifiers to detect phenological patterns in the digital images. Our results indicate that: (1) extreme hours (morning and afternoon) are the best for identifying plant species; (2) different plant species present a different behavior with respect to the color change information; and (3) texture variation along temporal images is promising information for capturing phenological patterns. Based on those results, we suggest that individuals from the same species and functional group might be identified using digital images, and introduce a new tool to help phenology experts in the identification of new individuals from the same species in the image and their location on the ground. © 2013 Elsevier B.V. All rights reserved.

Preliminary diagnosis of ophtalmological diseases through machine learning techniques

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

Desempenho de escolares com e sem dificuldades de aprendizagem de ensino particular em habilidade fonológica, nomeação rápida, leitura e escrita

OBJETIVOS: caracterizar e comparar o desempenho de escolares com e sem dificuldades de aprendizagem no ensino particular em habilidades fonológicas, nomeação rápida, leitura e escrita. MÉTODOS: participaram desse estudo 60 escolares de 2ª a 4ª séries de escola de ensino particular, distribuídos em 6 grupos, sendo cada grupo composto por 10 escolares, sendo 3 grupos de escolares com dificuldades de aprendizagem e 3 grupos de escolares sem dificuldades de aprendizagem. Como procedimentos, foram realizadas a prova de nomeação automática rápida, a de consciência fonológica e a prova de leitura oral e escrita sob ditado. RESULTADOS: os resultados desse estudo evidenciaram desempenho superior dos escolares sem dificuldades de aprendizagem em relação àqueles com dificuldades. Os escolares com dificuldades de aprendizagem apresentaram maior relação velocidade/tempo em tarefas de nomeação e, conseqüentemente, desempenho inferior em tarefas de consciência fonológica e leitura e escrita de palavras isoladas quando comparados aos sem dificuldades de aprendizagem. CONCLUSÃO: os escolares com dificuldades de aprendizagem apresentaram comprometimento na relação entre as capacidades de nomeação e automatização dos estímulos apresentados com a capacidade de acesso lexical, discriminação visual, freqüência de uso dos estímulos e competição para a apresentação do menor tempo possível na nomeação dos códigos necessários para o estabelecimento do mecanismo de conversão fonema-grafema, exigido para a realização da leitura e escrita em um sistema alfabético como o português.

Deep learning architecture for gesture recognition

Pós-graduação em Engenharia Mecânica - FEG

Desempenho de escolares com dislexia, transtornos e dificuldades de aprendizagem em provas de habilidades metafonológicas (PROHFON)

OBJETIVO: Elaborar um procedimento de avaliação de habilidades metafonológicas e caracterizar o desempenho de escolares com dislexia do desenvolvimento, transtornos e dificuldades de aprendizagem, e bom desempenho acadêmico. MÉTODOS: Foram elaboradas provas de habilidades metafonológicas baseadas em habilidades necessárias para o desenvolvimento da leitura e da escrita. Participaram 134 escolares do 3º ao 5º ano do ensino fundamental, de ambos os gêneros, com faixa etária entre 7 e 13 anos de idade, divididos em GI (20 escolares com dislexia do desenvolvimento), GII (20 escolares com transtornos de aprendizagem), GIII (20 escolares com dificuldades de aprendizagem) e GIV (74 escolares com bom desempenho acadêmico). Foi aplicada a avaliação das habilidades metafonológicas - PROHFON. RESULTADOS: GI e GII diferenciaram-se de GIV na maior parte das provas; GI diferenciou-se de GII apenas na prova de síntese e análise fonêmica e de GIII em habilidades de deleção e combinação de fonemas. GIII diferenciou-se de GIV nas habilidades de contagem, identificação, rima, deleção e combinação. CONCLUSÃO: Escolares com dislexia do desenvolvimento, transtornos e dificuldades de aprendizagem, e bom desempenho acadêmico apresentam desempenhos semelhantes nas habilidades de identificação, contagem e combinação de fonemas, rima e aliteração. Os grupos diferenciam-se em relação às habilidades silábicas (contagem, identificação, síntese e análise, deleção, combinação) e fonêmicas (deleção, síntese e análise). O PROHFON contribuiu para a caracterização do perfil metafonológico de escolares com diferentes comprometimentos em aprendizagem.

Eficácia do programa de remediação fonológica e leitura no distúrbio de aprendizagem

TEMA: Programa de Remediação Fonológica e Leitura no distúrbio de aprendizagem. OBJETIVO: verificar a eficácia terapêutica do Programa de Remediação Fonológica e Leitura em escolares com distúrbio de aprendizagem. MÉTODO: participaram deste estudo 40 escolares, sendo que estes foram divididos em: GI, subdivididos em GIE (10 escolares sem dificuldade de aprendizagem submetidos ao Programa de Remediação Fonológica e leitura), GIC (10 escolares sem dificuldade de aprendizagem não submetidos ao Programa de Remediação Fonológica e Leitura) e GII, subdividido em GIIE (10 escolares com distúrbio de aprendizagem submetidos ao Programa de Remediação Fonológica e Leitura), GIIC (10 escolares com distúrbio de aprendizagem não submetidos ao Programa de Remediação Fonológica e Leitura). Como procedimento foi aplicado o Teste de Desempenho Cognitivo-Linguístico, em situação de pré e pós-testagem antes da realização do Programa de Remediação Fonológica e Leitura. RESULTADOS: os resultados evidenciaram diferença estatisticamente significante entre os GIE e GIC e GIIE e GIIC indicando que os escolares submetidos ao programa obtiveram melhor desempenho em situação de pós-testagem se comparado a pré-testagem. CONCLUSÃO: a realização deste estudo evidenciou que o Programa de Remediação Fonológica e Leitura foi eficaz, pois proporcionou melhora na percepção, produção e manipulação dos sons e sílabas, interferindo diretamente na habilidade de leitura e compreensão dos escolares com distúrbio de aprendizagem.

Particle Competition and Cooperation in Networks for Semi-Supervised Learning

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

Aprendizado não-supervisionado em redes neurais pulsadas de base radial: um estudo da capacidade de agrupamento para a classificação de pixels

Redes neurais pulsadas - redes que utilizam uma codificação temporal da informação - têm despontado como uma promissora abordagem dentro do paradigma conexionista, emergente da ciência cognitiva. Um desses novos modelos é a rede neural pulsada com função de base radial, que é capaz de armazenar informação nos tempos de atraso axonais dos neurônios. Um algoritmo de aprendizado foi aplicado com sucesso nesta rede pulsada, que se mostrou capaz de mapear uma seqüência de pulsos de entrada em uma seqüência de pulsos de saída. Mais recentemente, um método baseado no uso de campos receptivos gaussianos foi proposto para codificar dados constantes em uma seqüência de pulsos temporais. Este método tornou possível a essa rede lidar com dados computacionais. O processo de aprendizado desta nova rede não se encontra plenamente compreendido e investigações mais profundas são necessárias para situar este modelo dentro do contexto do aprendizado de máquinas e também para estabelecer as habilidades e limitações desta rede. Este trabalho apresenta uma investigação desse novo classificador e um estudo de sua capacidade de agrupar dados em três dimensões, particularmente procurando estabelecer seus domínios de aplicação e horizontes no campo da visão computacional.