Extração de conhecimento utilizando aprendizado de máquina (2016)
- Autor:
- Autor USP: BARANAUSKAS, JOSÉ AUGUSTO - FFCLRP
- Unidade: FFCLRP
- Sigla do Departamento: 595
- DOI: 10.11606/T.59.2016.tde-03082023-170549
- Assuntos: CIÊNCIA DA COMPUTAÇÃO; INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL
- Palavras-chave do autor: Aprendizado de máquina; Extração de conhecimento; Modelos simbólicos; Knowledge discovery; Machine learning; Symbolic models
- Idioma: Português
- Resumo: Em fevereiro de 1898, logo após uma tempestade, uma amostra de pardais foi levada ao Laboratório de Anatomia do professor Hermon Carey Bumpus na Universidade de Brown, Rhode Island, EUA [1]. Ele encontrou 136 pardais (Passer domesticus) machucados no chão e decidiu coletar um conjunto características físicas dos mesmos, dentre elas o comprimento total, comprimento das asas, comprimentos do bico e cabeça, comprimento do úmero, comprimento da envergadura do esterno, dentre outros. Posteriormente, Bumpus observou que apenas 72 pardais sobreviveram e viu neste fato a oportunidade de analisar o processo de seleção natural no qual os pardais que sobreviveram o fizeram porque eles possuíam certas características físicas; por outro lado, os pardais que pereceram, pereceram não por acidente, mas porque eram fisicamente desqualificados. Diante da observação de processos naturais ou artificiais por meio da coleta de informações há duas perguntas que surgem: (i) É possível criar alguma hipótese a partir dos dados coletados? (ii) Dada uma hipótese, como saber se ela generaliza para dados futuros? As respostas a estas perguntas podem ser dadas pela pesquisa em Aprendizado de Máquina (AM) que tem como objetivo desenvolver algoritmos capazes de adquirir conhecimento de forma automática, baseando-se em experiências acumuladas por meio da solução bem sucedida em problemas anteriores. Os algoritmos de AM podem ser categorizados de acordo com o grau de compreensibilidade proporcionado ao ser humano em: (a) sistemas tipo caixa-preta que desenvolvem sua própria representação do conceito, isto é, sua representação interna pode não ser facilmente interpretada por humanos e (b) sistemas orientados a conhecimento que têm como objetivo a criação de estruturas simbólicas que sejam compreensíveis por humanos. De especial interesse neste trabalho estão os sistemas de aprendizadosimbólico (orientados a conhecimento) que buscam aprender construindo representações de um conceito tipicamente na forma de alguma expressão lógica, árvore de decisão, regras ou rede semântica. Assim, este trabalho se concentra em sistemas que contribuem para a compreensão dos dados em contraste com indutores que visam apenas uma grande precisão. Um exemplo típico é o desenvolvimento de sistemas especialistas nos quais é importante que especialistas humanos possam, fácil e confiavelmente, verificar o conhecimento extraído e relacioná-lo ao seu próprio conhecimento. Além disso, algoritmos de aprendizado que induzem estruturas compreensíveis, contribuindo para a compreensão do domínio considerado, podem produzir conhecimento novo
- Imprenta:
- Local: Ribeirão Preto
- Data de publicação: 2016
- Data da defesa: 05.09.2016
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
BARANAUSKAS, José Augusto. Extração de conhecimento utilizando aprendizado de máquina. 2016. Tese (Livre Docência) – Universidade de São Paulo, Ribeirão Preto, 2016. Disponível em: https://www.teses.usp.br/teses/disponiveis/livredocencia/59/tde-03082023-170549/. Acesso em: 24 abr. 2024. -
APA
Baranauskas, J. A. (2016). Extração de conhecimento utilizando aprendizado de máquina (Tese (Livre Docência). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://www.teses.usp.br/teses/disponiveis/livredocencia/59/tde-03082023-170549/ -
NLM
Baranauskas JA. Extração de conhecimento utilizando aprendizado de máquina [Internet]. 2016 ;[citado 2024 abr. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/livredocencia/59/tde-03082023-170549/ -
Vancouver
Baranauskas JA. Extração de conhecimento utilizando aprendizado de máquina [Internet]. 2016 ;[citado 2024 abr. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/livredocencia/59/tde-03082023-170549/ - An adaptation of binary relevance for multi-label classification applied to functional genomics
- An iterative decision tree threshold filter
- Evaluation of stacking on biomedical data
- Extração automática de conhecimento por múltiplos indutores: José Augusto Baranauskas
- How many tress in a random forest
- Root attribute behavior within a random forest
- Sistema baseado em conhecimento para auxiliar no processo de alocacao de rins
- Uma avaliação de dados de expressão gênica em leucemias agudas utilizando árvores de decisão
- Avaliação do algoritmo de Stacking em dados biomédicos
- Analysis of decision tree pruning using windowing in medical datasets with different class distributions
Informações sobre o DOI: 10.11606/T.59.2016.tde-03082023-170549 (Fonte: oaDOI API)
Como citar
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
