A selecao de atributos e aprendizado supervisionado de redes bayesianas no contexto da mineracao de dados.

• Processo: 05/58809-3
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de março de 2006
• Data de Término da vigência: 29 de fevereiro de 2008
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Estevam Rafael Hruschka Júnior
• Beneficiário: Sebastian David Carvalho de Oliveira Galvao
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Mineração de dados Redes bayesianas
• Palavra(s)-Chave do Pesquisador: Aprendizado Supervisionado | Mineracao De Dados | Redes Bayesianas | Selecao De Atributos

Resumo

As técnicas de Descoberta de Conhecimento em Bancos de Dados (KDD), também chamadas de Mineração 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. O objetivo técnico deste projeto é propor, implementar e avaliar algoritmos para a otimização do aprendizado de redes bayesianas, utilizando-se do conceito de seleção de atributos, para a aplicação em tarefas de descoberta de conhecimento em bancos de dados. Para tanto, pretende-se utilizar o conceito dos métodos de aprendizado da classe IC (Independência Condicional), para definir a estrutura de rede bayesiana mais adequada e com o menor número de atributos. 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)