Amanhã (12) e na quarta-feira (13), serão apresentados, no Centro de Informática (CIn) da UFPE, dois seminários pelo professor Sergei Kuznetsov, do National Research University Higher School of Economics, Moscou, Rússia. Os eventos ocorrerão no anfiteatro do CIn e terão os seguintes temas: no dia 12, às 9h, “Pattern structures for data analysis”; e no dia 13, às 14h, “Explainable knowledge discovery in numerical data with interval pattern structures”. O evento é aberto à comunidade do centro e não é necessário realizar inscrição prévia.

O professor Sergei O. Kuznetsov formou-se no Instituto de Física e Tecnologia de Moscou e defendeu a tese de doutorado em modelos de aprendizado de máquina baseados em redes conceituais em 2002 no Centro de Computação da Academia Russa de Ciências. Ele agora é professor titular da Universidade HSE em Moscou, sendo chefe da Escola de Análise de Dados e Inteligência Artificial, Laboratório Internacional de Sistemas Inteligentes e supervisor acadêmico do programa de mestrado em Ciência de Dados. Seu principal tema de pesquisa são os métodos de descoberta de conhecimento baseados em conjuntos ordenados.

12/11 – às 9h

Seminário 1 - anfiteatro do CIn
Título: Pattern structures for data analysis

Resumo

Pattern Structures is an extension of Formal Concept Analysis to data where descriptions of objects make a semilattice based on similarity operation which takes object descriptions to the maximal common description . We’ll consider pattern structures defined by sets of graphs and tuples of numerical intervals. Pattern structures allow one to avoid binarization and work directly with data in their original form, by generating clusters of objects, taxonomies of objects, functional dependencies and implicational dependencies in data of different kinds. We’ll consider applications of pattern structures from bioinformatics to NLP.

13/11 – às 14h

Seminário 2 - anfiteatro do CIn
Título: Explainable knowledge discovery in numerical data with interval pattern structures

Resumo

Interval pattern structures allow for direct processing of numerical data by constructing clusters, taxonomies of objects, implicational dependencies, biclusters of similar values while avoiding  binarization. Models, applications, and algorithmic problems related to interval pattern structures will be discussed. We show that interval pattern structures propose explainable methods of knowledge discovery in numerical data. Several applications in various domains will be discussed.