Learning probabilistic relational models: a novel approach (2018)
- Authors:
- Autor USP: MORMILLE, LUIZ HENRIQUE BARBOSA - EP
- Unidade: EP
- Sigla do Departamento: PCS
- Subjects: PROGRAMAÇÃO LÓGICA; MODELOS PARA PROCESSOS ESTOCÁSTICOS; MINERAÇÃO DE DADOS
- Language: Inglês
- Abstract: Embora a maioria dos métodos de aprendizado estatístico tenha sido desenvolvida para se trabalhar com dados armazenados em uma única tabela, muitas bases de dados estão armazenadas em bancos de dados relacionais. Modelos Probabilísticos Relacionai (PRM) estendem Redes Bayesianas introduzindo relações e indivíduos, tornando possível a representação de informação em uma base de dados relacional. Entretanto, aprender um PRM através de dados relacionais é uma tarefa mais complexa que aprender uma Rede Bayesiana de uma única tabela. As maiores dificuldades que se impõe enquanto se aprende um PRM são estabelecer quais são as estruturas de dependência legais, procurar por possíveis estruturas, e avalia-las. Esta tese foca em desenvolver um novo método de aprendizado de estruturas de PRM, descrever um pacote na linguagem R que suporte este método e aplica-lo a um cenário real e de grande escala, a cidade de Atibaia, no estado de São Paulo, Brasil. Esta pesquisa está baseada em uma base de dados combinando três tabelas distintas, cada uma representando uma classe no domínio de estudo. A primeira tabela contém 27 atributos de 110.816 habitantes de Atibaia, e a segunda tabela contém 9 atributos de 20.162 empresas da cidade. Por fim, a terceira tabela possui 8 atributos para 327 setores censitários (pequenas unidades territoriais que formam a cidade de Atibaia). A proposta é aplicada para aprender-se a estrutura de um PRM e seus parâmetros através desta base de dados. O modelo foi utilizado para verificar se a classe social de uma pessoa pode ser explicada pelo local onde ela vive, seus vizinhos e as companhias próximas. Experimentos preliminares foram conduzidos e um artigo foi publicado no Symposium on Knowledge Discovery, Mining and Learning (KDMiLe). O desempenho do algoritmo foi reavaliada através de extensiva experimentação, e um estudo mais amplo foi conduzido comos dados da Serasa Experian. Por fim, o pacote em R que suporta o método proposto foi refinado, e documentação e tutorial apropriado foram descritos.
- Imprenta:
- Data da defesa: 17.08.2018
-
ABNT
MORMILLE, Luiz Henrique Barbosa. Learning probabilistic relational models: a novel approach. 2018. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2018. Disponível em: http://www.teses.usp.br/teses/disponiveis/3/3141/tde-12122018-091504/. Acesso em: 16 ago. 2024. -
APA
Mormille, L. H. B. (2018). Learning probabilistic relational models: a novel approach (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de http://www.teses.usp.br/teses/disponiveis/3/3141/tde-12122018-091504/ -
NLM
Mormille LHB. Learning probabilistic relational models: a novel approach [Internet]. 2018 ;[citado 2024 ago. 16 ] Available from: http://www.teses.usp.br/teses/disponiveis/3/3141/tde-12122018-091504/ -
Vancouver
Mormille LHB. Learning probabilistic relational models: a novel approach [Internet]. 2018 ;[citado 2024 ago. 16 ] Available from: http://www.teses.usp.br/teses/disponiveis/3/3141/tde-12122018-091504/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
