Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.

Detalhes bibliográficos
Ano de defesa: 2005
Autor(a) principal: Cirelo, Marcelo Cesar
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado computacional
Artificial intelligence
Computational learning
Inteligência artificial
Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3132/tde-10112023-095922/
Resumo: Neste trabalho são apresentados métodos para aprendizado de classificadores Bayesianos a partir de bases de dados contendo dados rotulados e não-rotulados (aprendizado semi-supervisionado). O trabalho apresenta dois novos algoritmos, SSS e CBL-EM, e compara estes algoritmos com versões de classificadores Naive Bayes, Tree-Augmented Naive Bayes e Structural-EM. As principais contribuições foram o desenvolvimento de um método para utilizar o algoritmo CBL1 em conjunto com o algoritmo EM (do inglês Expectation-Maximization) e a definição de uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos. Os resultados empíricos mostram que os algoritmos propostos tem desempenho superior aos algoritmos existentes para aprendizado com dados rotulados e não-rotulados.
id USP_655ad8aefb74004e9f62f220e8400961
oai_identifier_str oai:teses.usp.br:tde-10112023-095922
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.Untitled in englishAprendizado computacionalArtificial intelligenceComputational learningInteligência artificialNeste trabalho são apresentados métodos para aprendizado de classificadores Bayesianos a partir de bases de dados contendo dados rotulados e não-rotulados (aprendizado semi-supervisionado). O trabalho apresenta dois novos algoritmos, SSS e CBL-EM, e compara estes algoritmos com versões de classificadores Naive Bayes, Tree-Augmented Naive Bayes e Structural-EM. As principais contribuições foram o desenvolvimento de um método para utilizar o algoritmo CBL1 em conjunto com o algoritmo EM (do inglês Expectation-Maximization) e a definição de uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos. Os resultados empíricos mostram que os algoritmos propostos tem desempenho superior aos algoritmos existentes para aprendizado com dados rotulados e não-rotulados.This work presents techniques for learning Bayesian classifiers from databases containing labeled and unlabeled data (semi-supervised learning). The work presents two new algorithms, SSS and CBL-EM, and compares their performance with versions of Naive Bayes, Tree-Augmented Naive Bayes and Structural-EM classifiers. The main contributions of this work are the development of a framework for using the CBL1 and EM algorithms together, and the development of a methodology for the semi-supervised learning of Bayesian classifiers. The empirical tests show that the proposed algorithms perform better than existing classifiers for labeled and unlabeled dataBiblioteca Digitais de Teses e Dissertações da USPCozman, Fabio GagliardiCirelo, Marcelo Cesar2005-03-31info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3132/tde-10112023-095922/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2023-11-10T12:08:02Zoai:teses.usp.br:tde-10112023-095922Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212023-11-10T12:08:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
Untitled in english
title Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
spellingShingle Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
Cirelo, Marcelo Cesar
Aprendizado computacional
Artificial intelligence
Computational learning
Inteligência artificial
title_short Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
title_full Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
title_fullStr Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
title_full_unstemmed Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
title_sort Uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos.
author Cirelo, Marcelo Cesar
author_facet Cirelo, Marcelo Cesar
author_role author
dc.contributor.none.fl_str_mv Cozman, Fabio Gagliardi
dc.contributor.author.fl_str_mv Cirelo, Marcelo Cesar
dc.subject.por.fl_str_mv Aprendizado computacional
Artificial intelligence
Computational learning
Inteligência artificial
topic Aprendizado computacional
Artificial intelligence
Computational learning
Inteligência artificial
description Neste trabalho são apresentados métodos para aprendizado de classificadores Bayesianos a partir de bases de dados contendo dados rotulados e não-rotulados (aprendizado semi-supervisionado). O trabalho apresenta dois novos algoritmos, SSS e CBL-EM, e compara estes algoritmos com versões de classificadores Naive Bayes, Tree-Augmented Naive Bayes e Structural-EM. As principais contribuições foram o desenvolvimento de um método para utilizar o algoritmo CBL1 em conjunto com o algoritmo EM (do inglês Expectation-Maximization) e a definição de uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos. Os resultados empíricos mostram que os algoritmos propostos tem desempenho superior aos algoritmos existentes para aprendizado com dados rotulados e não-rotulados.
publishDate 2005
dc.date.none.fl_str_mv 2005-03-31
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://www.teses.usp.br/teses/disponiveis/3/3132/tde-10112023-095922/
url https://www.teses.usp.br/teses/disponiveis/3/3132/tde-10112023-095922/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815258089781198848

Registros relacionados