Análise do conhecimento extraído de classificadores simbólicos utilizando medidas de avaliação e de interessabilidade (2002)
- Authors:
- Autor USP: GOMES, ALAN KELLER - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; MINERAÇÃO DE DADOS
- Language: Português
- Abstract: Com o avanço da tecnologia, grandes volumes de dados estão sendo coletados e acumulados numa velocidade espantosa. Data Mining constitui um campo de pesquisa recente em Inteligência Artificial, cujo objetivo é extrair conhecimento de grandes bases de dados. Um dos tópicos tratados em Data Mining para extrair conhecimento é o uso de algoritmos de Aprendizado de Máquina em grandes volumes de dados. Alguns algoritmos de Aprendizado de Máquina são capazes de criar generalizações, ou descrever conceitos, a partir de um conjunto de dados previamente rotulados. Esses algoritmos são conhecidos como indutores e são capazes de induzir uma hipótese (ou classificador). Um classificador pode estar descrito sob uma forma simbólica explícita, e assim, apresentar uma explicação do conceito aprendido de forma inteligível ao ser humano. Uma das formas de representação simbólica são as regras de conhecimento. Especialmente em Data Mining, o volume de regras de conhecimento que descrevem um classificador simbólico pode ser muito grande. Isso dificulta muito a análise de regras individuais ou de um grupo de regras por parte do usuário desse conhecimento. No intruito de propor uma solução para essa dificuldade, a análise automática de regras, utilizando medidas de avaliação e de interessabilidade, destaca-se como uma das fontes de resultados positivos da aplicação do Aprendizado de Máquina na área de Data Mining. Neste trabalho é apresentado o RuleSystem, um sistema computacionalprotótipo que implementa funcionalidades voltadas para Aprendizado de Máquina e data Mining. Uma dessas funcionalidades, implementadas no RuleSystem, refere-se à análise automática de regras. O Módulo de Análise de regras proposto neste trabalho, implementa diversas medidas de avaliação e de interessabilidade de regras, permitindo assim realizar uma análise tanto quantitativa das regras que constituem a(s) hipótese(s) induzida(s) por algoritmos de Aprendizado de Máquina simbólico
- Imprenta:
- Publisher place: São Carlos
- Date published: 2002
- Data da defesa: 02.05.2002
-
ABNT
GOMES, Alan Keller. Análise do conhecimento extraído de classificadores simbólicos utilizando medidas de avaliação e de interessabilidade. 2002. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2002. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04072002-144610/. Acesso em: 15 fev. 2026. -
APA
Gomes, A. K. (2002). Análise do conhecimento extraído de classificadores simbólicos utilizando medidas de avaliação e de interessabilidade (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04072002-144610/ -
NLM
Gomes AK. Análise do conhecimento extraído de classificadores simbólicos utilizando medidas de avaliação e de interessabilidade [Internet]. 2002 ;[citado 2026 fev. 15 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04072002-144610/ -
Vancouver
Gomes AK. Análise do conhecimento extraído de classificadores simbólicos utilizando medidas de avaliação e de interessabilidade [Internet]. 2002 ;[citado 2026 fev. 15 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04072002-144610/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
