Descrição
Autores: Maria do Carmo Nicoletti
Sinopse:
Este livro, dividido em onze capítulos, aborda diferentes tópicos, vários deles relacionados entre si, da área de Aprendizado de Máquina (AM). É um livro introdutório que tem o objetivo de familiarizar o leitor com a terminologia, notação e muitos dos conceitos básicos da área, bem como de iniciá-lo com relação às diferentes abordagens existentes de AM. Também mostra como o processo de aprendizado automático acontece, como seus resultados podem ser avaliados e apresenta/discute alguns dos muitos algoritmos que podem viabilizar tal processo. Devido à vasta abrangência da área de AM e ao volume de algoritmos e técnicas associadas, o conteúdo deste livro abrange apenas uma pequena parte da área.
Editora:Editora CRV
ISBN:ISBN: 9788544427163
DOI:10.24824/978854442716.3
Ano de edição:2018
Número de páginas:332
Formato:16x23
Compre a versão E-book nos principais marketplaces
Assunto:
N582
Nicoletti, Maria do Carmo
Tópicos de aprendizado de máquina e técnicas subjacentes Maria do Carmo Nicoletti –
Curitiba CRV, 2018
332 p
Bibliografi a
ISBN 978-85-444-2716-3
DOI 10248249788544427163
1 Educação 2 Computação 3 Inteligência artifi cial 4 Aprendizado de máquina I Título
II Série
CDU 37 CDD 370
APRESENTAÇÃO
Maria do Carmo Nicoletti
CAPÍTULO
APRENDIZADO DE MÁQUINA (AM)
Considerações iniciais
Contextualização, taxonomias e principais características
Os conjuntos de treinamento, de teste e de validação em um
ambiente de AM
Tipos de atributos em descrição de instâncias de dados
Aprendizado relacional – uma breve introdução à programação
lógica indutiva
Uso do sistema relacional GOLEM
Primeiro exemplo de uso do GOLEM – exemplos positivos
Segundo exemplo de uso do GOLEM –
exemplos positivos e exemplos negativos
Terceiro exemplo de uso do GOLEM –
aprendizado automático de conceito recursivo
Uso do sistema relacional FOIL
Primeiro e segundo exemplos do uso do FOIL –
conceito cena
Terceiro exemplo de uso do FOIL – aprendizado
automático de conceito recursivo
CAPÍTULO
ÁRVORES DE DECISÃO (AD)
Considerações iniciais
Primeiros algoritmos e sistemas de AM com foco em AD
O algoritmo ID
O mecanismo de janela
O funcionamento do ID
Induzindo uma árvore de decisão com o ID
CAPÍTULO
PROCESSOS DE SELEÇÃO DE ATRIBUTOS EM AM
Considerações iniciais
Breve revisão de conceitos de AM
Aspectos relacionados à seleção de atributos
MCN indd Definindo atributo relevante
Considerações iniciais
Abordando relevância sob diferentes enfoques
Abordagens associadas ao processo de seleção do
conjunto de atributos relevantes
Considerações sobre filtros e wrappers
Algoritmos do tipo filtro
Algoritmos do tipo wrapper
CAPÍTULO
INDUÇÃO DE CLASSIFICADORES EM DOMÍNIO DE
DADOS FARMACOTÉCNICOS
Contextualização
Uma breve descrição do sistema indutivo CN
Utilizando o sistema CN
Arquivos usados pelo CN
Atributos
Instâncias de treinamento
Regras induzidas pelo CN
Formas farmacêuticas e o uso de excipientes
Metodologia e experimentos
Conclusões
CAPÍTULO
INDUÇÃO CONSTRUTIVA
Considerações iniciais
Ampliação da linguagem de descrição de instâncias via
construção de features
Aprendizado de funções booleanas com construção
automática de features
Considerações e conclusões
CAPÍTULO
O USO DO FORMALISMO BAYESIANO EM AM
Considerações iniciais
Terminologia e conceituação – teoria de probabilidade básica
Aplicando a regra de Bayes
Normalização da regra de Bayes
A regra de Bayes em sistemas baseados em conhecimento
Propagação da crença por meio da regra de Bayes
O classificador probabilístico Naïve Bayes
Primeiro exemplo de uso do Naïve Bayes
MCN indd Segundo exemplo de uso do Naïve Bayes
Considerações finais
CAPÍTULO
APRENDIZADO BASEADO EM INSTÂNCIAS (ABI)
Considerações iniciais
O algoritmo Nearest Neighbour (NN)
Considerações sobre o NN
Exemplos de uso do NN e do k-NN
A família IBL (Instance Based Learning)
Considerações sobre o processo de redução do
volume de instâncias
Algoritmo CNN (Condensed Nearest Neighbour)
Usando o CNN
Algoritmo RNN (Reduced Nearest Neighbour)
T
CNN não contém subconjunto consistente minimal
T
CNN contém conjunto consistente minimal
Influência da ordem na qual instâncias são consideradas
Algoritmo de Tomek
CAPÍTULO
AM BASEADO EM EXEMPLARES – O MODELO NGE
Contextualização
Considerações gerais sobre o modelo NGE
O algoritmo de aprendizado NGE
A fase de aprendizado – subfase de inicialização
A fase de aprendizado – subfase de treinamento
A fase de classificação
Pseudocódigo do NGE
Considerações sobre o processo de atribuição de pesos
a exemplares e a atributos do NGE
CAPÍTULO
APRENDIZADO AUTOMÁTICO DE RELAÇÕES ESPACIAIS EM
SISTEMAS DE REFERÊNCIA
Introdução
Considerações sobre modelos espaciais
O sistema de programação lógica indutiva FOIL
Relações espaciais básicas
Relações de proximidade
Troca de sistema de referência
Aprendendo a transferir conhecimento de maneira automática
MCN indd Relações induzidas versus descrições formais
Conclusões
CAPÍTULO
APRENDIZADO AUTOMÁTICO DE RELAÇÕES ESPACIAIS DO
CÁLCULO DE CONEXÃO DE REGIÕES
Introdução
O cálculo de conexão de regiões (RCC)
Aprendizado automático dos axiomas do RCC via FOIL
DC(x,y) (predicado disconnect)
PP(x,y) (predicado proper_part)
EQ(x,y) (predicado identical)
O(x,y) (predicado overlaps)
DR(x,y) (predicado x_discrete_from_y)
PO(x,y) (predicado partially_overlaps)
EC(x,y) (predicado externally_connected)
TPP(x,y) (predicado tangencial_proper_part)
Indução de relações reversas
Conclusões
CAPÍTULO
APRENDIZADO NÃO SUPERVISIONADO – AGRUPAMENTO
PARTICIONAL E AGRUPAMENTO SEQUENCIAL
Considerações iniciais
Contextualização
Notação e definições básicas
O algoritmo k-Means
Considerações sobre o k-Means
k-Means – descrição e pseudocódigo
Algoritmos sequenciais – BSAS & variantes
O algoritmo BSAS
O algoritmo MBSAS
O algoritmo TTSAS
Processos de refinamento de agrupamento
APÊNDICE A
CONCEITOS INTRODUTÓRIOS À LÓGICA DE PRIMEIRA ORDEM
9788544427163
Maria do Carmo Nicoletti
TÓPICOS DE APRENDIZADO DE MÁQUINA E TÉCNICAS SUBJACENTES
ciência da computação
