Redes Bayesianas aplicadas a tarefas de descoberta de conhecimento em bancos de dados

• Processo: 04/14218-9
• Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores
• Data de Início da vigência: 01 de junho de 2005
• Data de Término da vigência: 29 de fevereiro de 2012
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Estevam Rafael Hruschka Júnior
• Beneficiário: Estevam Rafael Hruschka Júnior
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado computacional Banco de dados
• Palavra(s)-Chave do Pesquisador: Aprendizado De Maquina | Redes Bayesianas | Regras De Classificacao | Selecao De Atributos | Valores Ausentes
• Publicação FAPESP: https://media.fapesp.br/bv/uploads/pdfs/Investindo...pesquisadores_222_176_176.pdf

Resumo

As técnicas de descoberta de conhecimento em bancos de dados (KDD), também chamadas ração de dados, surgiram da grande necessidade de se obter mais informação sobre os dados armazenados por empresas e grandes corporações. As redes bayesianas (RBs) podem ser consideradas como uma forma de representação do conhecimento baseada no raciocínio probabilístico e possuem características que as tornam muito adequadas para tarefas de descoberta de conhecimento em bancos de dados. Por isso, este é um campo de aplicação efervescente nos últimos anos. Este projeto tem como objetivo principal propor, implementar e avaliar algoritmos para a otimização do aprendizado de redes bayesianas a partir de dados para a aplicação em tarefas de descoberta de conhecimento em bancos de dados. O método de aprendizado bayesiano otimizado será aplicado mais especificamente na 'limpeza e integração', na 'seleção e transformação', na 'mineração' e na 'avaliação e apresentação' dos dados. Assim será definida uma metodologia bayesiana integrada de descoberta de conhecimento em bancos de dados. Os resultados deste projeto contribuirão para o desenvolvimento teórico e prático da área de mineração de dados e redes bayesianas. Neste sentido, as metodologias propostas levarão ao desenvolvimento de programas computacionais que automatizem as metodologias desenvolvidas e à produção de artigos científicos. (AU)