Anderson Ara
Universidade Federal do Paraná , Brazil
19 November 2025 (Wednesday) – 14h00
Abstract:
Since the coined question in 1986 “Can a set of weak learners create a single strong learner?”, ensemble learning has been focused on merging simple machine learning methods in order to increase predictive performance. Characteristics such as stability and diversity are important to choose these weak learners in bagging procedure. In the same field, Support Vector Models (SVM) are strong and stable learners which have been drawing the attention of the community once these models have some properties which are easy to characterize and at the same time provide an estimation process with global optimization properties. In this talk, we present the Random Machines method. A new machine learning method based on SVM ensemble learning which exposes how a set of strong learners can create a single stronger learner.
Short bio:
Doutor em Estatística (2016) através dos Programas de Pós-graduação em Estatística (PPGEst-UFSCar) e Pós-graduação em Ciência da Computação (PPG-CC-UFSCar). Professor Adjunto da Universidade Federal do Paraná (UFPR), campus Curitiba/PR, Departamento de Estatística (DEst) do Setor de Ciências Exatas. Foi Professor Adjunto da Universidade Federal da Bahia (2017-2021), campus Salvador/BA, Departamento de Estatística (DEst) do Instituto de Matemática e Estatística (IME) e Professor da Faculdade de Tecnologia SENAI-SP (2009-2015), campus São Carlos/SP. Docente da Especialização em Data Science & Big Data (DSBD-UFPR). Pesquisador Permanente do Programa de Pós-Graduação em Informática (PPGInf-UFPR) e do Programa Pós-Graduação em Métodos Numéricos (PPGMNE-UFPR). Pesquisador Visitante da University of Toronto (2023), Toronto/ON, Canadá. Atua principalmente nas seguintes áreas: Aprendizado Estatístico de Máquina, Inferência Estatística e Métodos Computacionais. Bolsista MEC/FNDE (2022-2028). Website: http://leg.ufpr.br/~ara/.
A joint CEAUL / CEMAT