Year: 2006
Type: dissertation
Abstract: AgradecimentosAgradeço primeiramente à minha família por todo apoio nos momentos mais difíceis.Minha mãe, uma mulher de extrema dedicação e perseverança, uma pessoa que não mediu esforços para me ajudar na conquista de mais esse objetivo.Obrigado pelos doces sorrisos a cada reencontro.Minha querida irmã, pelas lágrimas derramadas a cada despedida e pelo abraço carinhoso a cada volta para casa.Muito obrigado a vocês duas.Com certeza eu não conseguiria passar tanto tempo longe sem o incentivo de vocês.Amo vocês.Agradeço em especial à professora Maria Carolina Monard, por ter sido mais que uma orientadora.Em muitos momentos a sua função como orientadora foi esquecida, e no lugar passou a atuar uma companheira e amiga, quase uma mãe para seus alunos.Obrigado por sua dedicação, atenção e paciência.A senhora é um exemplo de postura ética e honestidade.Ao professor Feng Chung Wu e à professora Huei Diana Lee, pelas inestimáveis contribuições.Às moças da secretaria de pós-graduação, Ana Paula, Laura e Beth, sempre dispostas e pretativas.Obrigado pelo grande auxílio.Aos meus irmãos Pablio F. Neri e Leandro W. Moreira, pelos momentos de alegria, distração e companheirismo.Também pelo constante incentivo para continuar trilhando o meu caminho.Vocês, mais uma vez, contribuíram de maneira significativa para o desenvolvimento deste trabalho.À minha grande amiga Adriana O. Schmitz, pelos conselhos e palavras tranqüilizantes nos momentos de tormenta.Tenho muito carinho por você.À Thaís R. Lucca, uma companheira para todas as horas.Obrigado por toda ajuda e incentivo nos últimos dias.O seu carinho foi muito importante para mim.Adoro você.Aos meus colegas de república Maikon, Augusto e Luis.Valeu Rep. Saara.Aos colegas do LABIC.Em especial ao Richardson, Takashi e Ronaldo (o rei do LAT E X), pelo auxílio na execução de diversas tarefas.A todos os colegas da PgCompUSP-04 pelos momentos inesquecíveis de descontração, principalmente nas Jam Sessions.Valeu Casa Velha.Ao CNPq pelo apoio financeiro para o desenvolvimento deste trabalho.iii Resumo O processo de Mineração de Dados (MD) consiste na extração automática de padrões que representam o conhecimento implícito em grandes bases de dados.Em geral, a MD pode ser classificada em duas categorias: preditiva e descritiva.Tarefas da primeira categoria, tal como a classificação, realizam inferências preditivas sobre os dados enquanto que tarefas da segunda categoria, tal como o clustering, exploram o conjunto de dados em busca de propriedades que o descrevem.Diferentemente da classificação, que analisa exemplos rotulados, o clustering utiliza exemplos para os quais o rótulo da classe não é previamente conhecido.Nessa tarefa, agrupamentos são formados de modo que exemplos de um mesmo cluster apresentam alta similaridade, ao passo que exemplos em clusters diferentes apresentam baixa similaridade.O clustering pode ainda facilitar a organização de clusters em uma hierarquia de agrupamentos, na qual são agrupados eventos similares, criando uma taxonomia que pode simplificar a interpretação de clusters.Neste trabalho, é proposto e desenvolvido um módulo de aprendizado não-supervisionado, que agrega algoritmos de clustering hierárquico e ferramentas de análise de clusters para auxiliar o especialista de domínio na interpretação dos resultados do clustering.Uma vez que o clustering hierárquico agrupa exemplos de acordo com medidas de similaridade e organiza os clusters em uma hierarquia, o usuário/especialista pode analisar e explorar essa hierarquia de agrupamentos em diferentes níveis para descobrir conceitos descritos por essa estrutura.O módulo proposto está integrado em um sistema maior, em desenvolvimento no Laboratório de Inteligência Computacional -LABIC -, que contempla todas as etapas do processo de MD, desde o pré-processamento de dados ao pós-processamento de conhecimento.Para avaliar o módulo proposto e seu uso para descoberta de conceitos a partir da estrutura hierárquica de clusters, foram realizados diversos experimentos sobre conjuntos de dados naturais, assim como um estudo de caso utilizando um conjunto de dados real.Os resultados mostram a viabilidade da metodologia proposta para interpretação dos clusters, apesar da complexidade do processo ser dependente das características do conjunto de dados.
Author: Jean Metz
Institution: Universidade de São Paulo
Language: Portuguese
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W1500536626
