@MASTERSTHESIS{ 2015:609992520,
 	title = {Infer?ncia de contexto para dispositivos m?veis utilizando aprendizagem por refor?o},
 	year = {2015},
 	url = "http://tede.ufam.edu.br/handle/tede/4243",
 	abstract = "Os avan?os das tecnologias de comunica??o sem fio e de hardware impulsionaram a
 populariza??o do uso de dispositivos m?veis. Cada vez mais, estes dispositivos ganham
 novos recursos de hardware (i.e., sensores e outros gadgets) e software (e.g., reconhecimento
 facial, de voz, gestos) a fim de que a intera??o humano-computador ocorra
 de forma mais natural. Esses recursos deram aos dispositivos m?veis uma capacidade
 maior de percep??o do ambiente e das condi??es nas quais os usu?rios se encontram,
 possibilitando o desenvolvimento de aplica??es cada vez mais proativas e sens?veis ao
 contexto.
 Um sistema sens?vel ao contexto ? capaz de modificar seu comportamento de
 acordo com os contextos inferidos do ambiente. Entretanto, interpreta??es err?neas
 dos dados coletados podem induzir a??es inapropriadas e indesejadas nas aplica??es.
 Embora exista uma variedade de t?cnicas de infer?ncia na literatura (e.g., regras, ontologias,
 que utilizam aprendizagem supervisionada e n?o supervisionada), em geral,
 elas n?o consideram se as infer?ncias foram de fato adequadas para os contextos do
 usu?rio. Al?m disso, a maioria dessas t?cnicas utiliza modelos est?ticos de infer?ncia
 (i.e., que n?o s?o capazes de se ajustar ? mudan?as nas condi??es do ambiente), o que
 representa uma limita??o dessas t?cnicas quando aplicadas ao dom?nio das aplica??es
 m?veis.
 Neste trabalho, ? proposta uma nova t?cnica de infer?ncia de contexto para aplica??es
 m?veis ? chamada de CoRe-RL ? que utiliza aprendizagem por refor?o a fim de
 que sejam produzidas infer?ncias cada vez mais adequadas aos contextos do usu?rio.
 Nesta t?cnica, a aprendizagem ocorre de maneira incremental e conforme o usu?rio
 interage com o sistema, permitindo que a infer?ncia seja ajustada por meio de recompensas
 (refor?os positivos) e puni??es (refor?os negativos) associadas aos contextos
 inferidos. Como os contextos est?o continuamente sendo aprendidos, a t?cnica proposta
 tamb?m permite ?s aplica??es um gerenciamento flex?vel de contextos, ou seja,
 ? poss?vel que novos contextos (r?tulos) sejam cadastrados e aprendidos ao longo do
 tempo. O funcionamento da t?cnica ? divido em duas etapas ? classifica??o e adapxiii
 ta??o. O CoRe-RL utiliza o m?todo dos K vizinhos mais pr?ximos (modificado) na
 classifica??o. A aprendizagem (adapta??o) ? baseada em exemplos, mas tamb?m faz
 ajustes sobre os modelos (ranking de caracter?sticas) que ponderam as caracter?sticas
 mais relevantes de cada contexto, na etapa de classifica??o.
 Com o intuito de testar e avaliar o desempenho da t?cnica proposta, foi desenvolvido,
 como estudo de caso deste trabalho, um aplicativo que implementa todas as
 funcionalidades e recursos do CoRe-RL. Atrav?s deste aplicativo, foram realizados experimentos
 pr?ticos de avalia??o da classifica??o e adapta??o, em dois cen?rios espec?ficos:
 no primeiro cen?rio havia um ?nico contexto; e no segundo haviam tr?s. Por meio
 dos experimentos pr?ticos, observou-se que, de acordo com o limiar de corte usado, ?
 poss?vel obter bons desempenhos na classifica??o mesmo com uma base pequena e com
 um ranking pouco ajustado. Al?m disso, demonstrou-se que o CoRe-RL melhora seu
 desempenho, convergindo para o desempenho ?timo, de acordo com a ocorr?ncia das
 intera??es.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}