Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações

Detalhes bibliográficos
Ano de defesa: 2009
Autor(a) principal: Carvalho, André Britto de
Orientador(a): Ramirez Pozo, Aurora Trinidad, 1959-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Informática
Otimização combinatoria
Particulas
Algorítmos
Ciência da computação
Link de acesso: https://hdl.handle.net/1884/23718
Resumo: Orientadora: Profª Drª Aurora Pozo
id UFPR_ca65fe662dc09237a34d37f41cf89ecd
oai_identifier_str oai:acervodigital.ufpr.br:1884/23718
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaRamirez Pozo, Aurora Trinidad, 1959-Carvalho, André Britto de2024-11-04T15:08:06Z2024-11-04T15:08:06Z2009https://hdl.handle.net/1884/23718Orientadora: Profª Drª Aurora PozoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 18/02/2009Bibliografia: fls. 105-110Resumo: A área da Mineraçãoo de Dados (MD), ou Data Mining, consiste em analisar uma grande quantidade de dados buscando-se identificar associações e relações entre os dados que não são conhecidas a priori. Nesta área há uma necessidade por novas ferramentas e técnicas com a habilidade de ajudar software de forma inteligente na análise de grandes massas de dados. Neste sentido, algoritmos de Aprendizado de Máquina são as técnicas mais indicadas para estas aplicações. Para a representação do conhecimento extraído, regras são as formas mais utilizadas atualmente, devido a seu caráter intuitivo e simplicidade. O Aprendizado de Regras é uma técnica de Aprendizado de Máquina que têm o objetivo de produzir um conjunto de regras a partir de um conjunto de dados de entrada, que representam o conhecimento extraído. Além disso, o modelo gerado pode ser usado como um classificador. Este trabalho tem como objetivo o desenvolvimento de um algoritmo para o problema do Aprendizado de Regras no contexto da Mineração de Dados. Para isto, a técnica escolhida e a metaheurística Otimização por Nuvem de Partículas Multiobjetivo. Esta metaheurística é pouco explorada no Aprendizado de Regras e possui alguns problemas ainda sem solução. Assim, além do desenvolvimento do algoritmo, são propostas algumas soluções de problemas que surgem na aplicação da técnica MOPSO no Aprendizado de Regra. Neste trabalho, busca-se também produzir um bom classificador em termo da área abaixo da curva ROC, AUC. Para a validação do algoritmo e suas extensões é proposto um conjunto de experimentos, que comparam a técnica MOPSO com alguns algoritmos conhecidos da literatura. Por fim, o algoritmo é aplicado num estudo de caso do contexto da predição de defeitos em softwares.Abstract: Data mining is the overall process of extracting knowledge from data. In this context there is a significant need for tools and techniques with the ability to intelligently assist humans in analyzing very large collections of data in search of useful knowledge. In this sense, Machine Learning Algorithms play an important role and they are the most indicated techniques for these applications. In the study of how to represent knowledge in data mining context, rules are one of the most used representation form. Therefore, Rule Learning is a Machine Learning technique which has the goal to produce a rule set from the original dataset. Besides, the generated model can be used as a unordered classifer. This work has the goal to develop an algorithm to the Rule Learning problem in the Data Mining Context. For this, the chosen technique is the metaheuristic of Multiobjective Particle Swarm Optimization, that has some interest topics not studied yet and some problems without solution. So, along the algorithm implementation, this work proposes some extensions that solve problems that arise from the application of MOPSO technique in the rule induction. Besides, this work has the goal to produce a good classifier in terms of the area under the ROC curve, AUC. The algorithm and all the proposed extensions are evaluated through a set of experiments that compares the MOPSO technique with other well-known algorithms from the literature. Finally, is presente a study-case that applies the MOPSO algoritmo in the fault-proneness prediction context.110f. : il., grafs., tabs.application/pdfDisponível em formato digitalInformáticaOtimização combinatoriaParticulasAlgorítmosCiência da computaçãoOtimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicaçõesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALDissertacao - Andre Britto de Carvalho.pdfapplication/pdf1302885https://acervodigital.ufpr.br/bitstream/1884/23718/1/Dissertacao%20-%20Andre%20Britto%20de%20Carvalho.pdf35f32a2adb5970e47607ef6aa84f96e5MD51open accessTEXTDissertacao - Andre Britto de Carvalho.pdf.txtExtracted Texttext/plain232607https://acervodigital.ufpr.br/bitstream/1884/23718/2/Dissertacao%20-%20Andre%20Britto%20de%20Carvalho.pdf.txtb527d5c2bf831d8bdfcc3ca402941ca4MD52open accessTHUMBNAILDissertacao - Andre Britto de Carvalho.pdf.jpgGenerated Thumbnailimage/jpeg1111https://acervodigital.ufpr.br/bitstream/1884/23718/3/Dissertacao%20-%20Andre%20Britto%20de%20Carvalho.pdf.jpg3431ac8679479e5cba54a98453fd50a6MD53open access1884/237182024-11-04 12:08:06.89open accessoai:acervodigital.ufpr.br:1884/23718Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-11-04T15:08:06Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
title Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
spellingShingle Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
Carvalho, André Britto de
Informática
Otimização combinatoria
Particulas
Algorítmos
Ciência da computação
title_short Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
title_full Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
title_fullStr Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
title_full_unstemmed Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
title_sort Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras : extensões e aplicações
author Carvalho, André Britto de
author_facet Carvalho, André Britto de
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.contributor.author.fl_str_mv Carvalho, André Britto de
contributor_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.subject.por.fl_str_mv Informática
Otimização combinatoria
Particulas
Algorítmos
Ciência da computação
topic Informática
Otimização combinatoria
Particulas
Algorítmos
Ciência da computação
description Orientadora: Profª Drª Aurora Pozo
publishDate 2009
dc.date.issued.fl_str_mv 2009
dc.date.accessioned.fl_str_mv 2024-11-04T15:08:06Z
dc.date.available.fl_str_mv 2024-11-04T15:08:06Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/23718
url https://hdl.handle.net/1884/23718
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 110f. : il., grafs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/23718/1/Dissertacao%20-%20Andre%20Britto%20de%20Carvalho.pdf
https://acervodigital.ufpr.br/bitstream/1884/23718/2/Dissertacao%20-%20Andre%20Britto%20de%20Carvalho.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/23718/3/Dissertacao%20-%20Andre%20Britto%20de%20Carvalho.pdf.jpg
bitstream.checksum.fl_str_mv 35f32a2adb5970e47607ef6aa84f96e5
b527d5c2bf831d8bdfcc3ca402941ca4
3431ac8679479e5cba54a98453fd50a6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526144271712256

Registros relacionados