UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) 2016/ PPGCA PPGCA/UTFPR -- CAIA003
|
|
- Melissa Rico Macedo
- 6 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados -- Profs. Celso Kaestner e Heitor Lopes A - O dataset utilizado para o trabalho é resultado da análise do movimento de três pessoas que conversaram e gesticularam em três vídeos. O aparelho Microsoft Kinect registrou suas gesticulações e os pesquisadores anotaram os movimentos do pulso esquerdo de cada um dos indivíduos estudados. Os arquivos utilizados estão separados em dois: dados de treino e dados de teste. Os atributos são os mesmos, mas os dados são diferentes, bem como a quantidade de instâncias. Os nomes dos atributos estão relacionados abaixo: Processed files: 1. Vectorial velocity of left hand (x coordinate) 2. Vectorial velocity of left hand (y coordinate) 3. Vectorial velocity of left hand (z coordinate) 4. Vectorial velocity of right hand (x coordinate) 5. Vectorial velocity of right hand (y coordinate) 6. Vectorial velocity of right hand (z coordinate) 7. Vectorial velocity of left wrist (x coordinate) 8. Vectorial velocity of left wrist (y coordinate) 9. Vectorial velocity of left wrist (z coordinate) 10. Vectorial velocity of right wrist (x coordinate) 11. Vectorial velocity of right wrist (y coordinate) 12. Vectorial velocity of right wrist (z coordinate) 13. Vectorial acceleration of left hand (x coordinate) 14. Vectorial acceleration of left hand (y coordinate) 15. Vectorial acceleration of left hand (z coordinate) 16. Vectorial acceleration of right hand (x coordinate)
2 17. Vectorial acceleration of right hand (y coordinate) 18. Vectorial acceleration of right hand (z coordinate) 19. Vectorial acceleration of left wrist (x coordinate) 20. Vectorial acceleration of left wrist (y coordinate) 21. Vectorial acceleration of left wrist (z coordinate) 22. Vectorial acceleration of right wrist (x coordinate) 23. Vectorial acceleration of right wrist (y coordinate) 24. Vectorial acceleration of right wrist (z coordinate) 25. Scalar velocity of left hand 26. Scalar velocity of right hand 27. Scalar velocity of left wrist 28. Scalar velocity of right wrist 29. Scalar velocity of left hand 30. Scalar velocity of right hand 31. Scalar velocity of left wrist 32. Scalar velocity of right wrist 33. phase: -- D (rest position, from portuguese "descanso") -- P (preparation) -- S (stroke) -- H (hold) -- R (retraction) Rodando o OneR com 10 vezes de validação cruzada, obtemos o seguinte resultado RESUMIDO: === Run information === Scheme: weka.classifiers.rules.oner -B 6 Relation: train Instances: 6663 Attributes: 33 (1,..., 32, Phase)
3 Test mode: 10-fold cross-validation === Classifier model (full training set) === 5:... (4079/6663 instances correct) Time taken to build model: 0.19 seconds === Stratified cross-validation === === Summary === Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6663 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class 0,799 0,342 0,584 0,799 0,675 0,443 0,728 0,542 D 0,154 0,045 0,355 0,154 0,215 0,159 0,555 0,172 P 0,569 0,257 0,514 0,569 0,540 0,305 0,656 0,432 S 0,041 0,007 0,281 0,041 0,071 0,087 0,517 0,068 H 0,232 0,040 0,406 0,232 0,295 0,249 0,596 0,174 R
4 Weighted Avg. 0,532 0,222 0,493 0,532 0,493 0,318 0,655 0,389 === Confusion Matrix === a b c d e <-- classified as a = D b = P c = S d = H e = R No nosso exemplo com OneR, o baseline foi ruim, resultando em praticamente metade dos dados classificados corretamente. Foi notado que o D e o S (descanso do pulso e torção ou batida do pulso, respectivamente) foram bem identificados pelo algoritmo. Isso pode ser devido ao movimento ser bem similar na maioria dos casos. Aplicando a árvore de decisão C4.5 da técnica J48 do Weka, obtivemos o seguinte resultado EM VERSÃO RESUMIDA: === Run information === Scheme: weka.classifiers.trees.j48 -C M 2 Relation: train Instances: 6663 Attributes: Test mode: 10-fold cross-validation === Classifier model (full training set) === J48 pruned tree
5 Number of Leaves : 676 Size of the tree : 1351 Time taken to build model: 1.59 seconds === Stratified cross-validation === === Summary === Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6663 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class 0,822 0,097 0,836 0,822 0,829 0,727 0,884 0,806 D 0,649 0,062 0,627 0,649 0,638 0,579 0,835 0,546 P 0,779 0,106 0,779 0,779 0,779 0,673 0,864 0,734 S 0,682 0,019 0,698 0,682 0,690 0,671 0,891 0,595 H 0,655 0,043 0,637 0,655 0,646 0,604 0,858 0,550 R Weighted Avg. 0,758 0,085 0,760 0,758 0,759 0,673 0,868 0,708
6 === Confusion Matrix === a b c d e <-- classified as a = D b = P c = S d = H e = R Analisando os dados na matriz de confusão, são praticamente os mesmos tipos de acertos que os anteriores no OneR, porém com um acerto bem maior (76% de TPR). A curva ROC é o cálculo da relação entre TPR (true positive rate) e FPR (false positive rate). B - Aplicando o Multilayer Perception (MLP), possuímos o resultado: === Run information === Scheme: weka.classifiers.functions.multilayerperceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a Relation: train Instances: 6663 Attributes: Time taken to build model: seconds === Stratified cross-validation === === Summary === Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error
7 Relative absolute error % Root relative squared error % Total Number of Instances 6663 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class 0,864 0,303 0,631 0,864 0,730 0,544 0,826 0,663 D 0,292 0,035 0,574 0,292 0,387 0,347 0,753 0,420 P 0,651 0,169 0,649 0,651 0,650 0,482 0,788 0,698 S 0,023 0,001 0,500 0,023 0,044 0,097 0,710 0,134 H 0,456 0,046 0,536 0,456 0,493 0,441 0,824 0,464 R Weighted Avg. 0,624 0,178 0,611 0,624 0,591 0,459 0,797 0,589 === Confusion Matrix === a b c d e <-- classified as a = D b = P c = S d = H e = R O resultado apresentado foi pior do que utilizando o algoritmo J48 (62,4% de TPR). Porém, considerando a matriz de confusão, percebemos a mesma característica no comportamento da predição de dados, onde alguns valores estão mais fáceis de ser visualizados. C - Treinando o algoritmo MLP com o modelo de treinamento utilizado anteriormente e testando o resultado no conjunto de testes disponibilizados no site da disciplina, foi possível observar: Time taken to build model: seconds
8 === Evaluation on test set === Time taken to test model on supplied test set: 0.18 seconds === Summary === Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 2489 === Detailed Accuracy By Class === TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class 0,254 0,178 0,143 0,254 0,183 0,060 0,524 0,128 D 0,160 0,068 0,562 0,160 0,249 0,146 0,574 0,435 P 0,718 0,603 0,308 0,718 0,431 0,106 0,558 0,297 S 0,002 0,013 0,036 0,002 0,004-0,038 0,677 0,265 H 0,190 0,054 0,286 0,190 0,228 0,164 0,472 0,160 R Weighted Avg. 0,298 0,215 0,332 0,298 0,248 0,097 0,572 0,309
9 === Confusion Matrix === a b c d e <-- classified as a = D b = P c = S d = H e = R D Tentando ajeitar os parâmetros como número de camadas, número de épocas de treinamento e taxa de aprendizado, obtivemos poucos acréscimos. Colocando a variável training (tempo de treinamento) em 2500, obtivemos o valor % para TPR, mínima coisa maior do que os dados padrões. Os valores 1000, 1500 e 4000 também foram testados, pouco aumentado do melhor valor (2500). A mudança no número de camadas também não demonstrou muita diferença para melhora no algoritmo. E Na comparação dos resultados gerados a partir do teste realizado no próprio conjunto de treinamento, obtivemos um resultado satisfatório. Quando o mesmo treinamento foi testado em um conjunto de teste separado (de outra pessoa) o resultado foi muito pior, sendo quase inaceitável (29,8% de TPR).
Sempre aplicando os algoritmos de classificação com a validação cruzada de 10 folds, os resultados foram os seguintes:
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
Leia maisRELATÓRIO TÉCNICO DISCIPLINA: MINERAÇÃO DE DADOS PPGCA fase 3 / 2016 Prof. Celso Antônio Alves Kaestner
RELATÓRIO TÉCNICO DISCIPLINA: MINERAÇÃO DE DADOS PPGCA fase 3 / 2016 Prof. Celso Antônio Alves Kaestner Aluno: Luciano Daniel Amarante (externo, nº: 195753, PPBEG) 1. Objetivo: Está em realizar as análises
Leia maisRelatório Técnico - SVM na base Breast Cancer Wisconsin
Relatório Técnico - SVM na base Breast Cancer Wisconsin Matheus Gutoski Universidade Tecnológica Federal do Paraná - CPGEI/PPGCA Mineração de Dados 4 de novembro de 2016 1 Objetivo O objetivo deste trabalho
Leia maisWeka. Universidade de Waikato - Nova Zelândia. Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining
Weka Universidade de Waikato - Nova Zelândia Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining implementado em Java open source software http://www.cs.waikato.ac.nz/ml/weka/
Leia maisData Mining: Ferramenta JAVA
Data Mining: Ferramenta JAVA JAVA para Data Mining Weka 3: Data Mining Software em Java http://www.cs.waikato.ac.nz/ml/weka/ Coleção de algoritmos para as tarefas de data mining; Free software. WEKA: JAVA
Leia maisTutorial: Árvore de Decisão com Weka para a classificação de carne suína
Universidade Estadual de Londrina - UEL 2 CTA 121 - Processamento de Imagens em Alimentos Prática de Aprendizado de Máquina com Weka 28/07/2016 Prof. Dr. Sylvio Barbon Jr Tutorial: Árvore de Decisão com
Leia maisAprendizado de Máquina
Tópicos Aprendizado de Máquina Aula 3 http://www.ic.uff.br/~bianca/aa/. Introdução Cap. (6/03). Classificação Indutiva Cap. (3/03) 3. Cap. 3 (30/03) 4. Ensembles - Artigo (06/04) 5. Avaliação Experimental
Leia maisMINERAÇÃO DE DADOS APLICADO AO JOGO LIGA QUATRO
INPE-16640-RPQ/845 MINERAÇÃO DE DADOS APLICADO AO JOGO LIGA QUATRO Wesley Gomes de Almeida Relatório final da disciplina Princípios e Aplicações de Mineração de Dados (CAP-359) do Programa de Pós-Graduação
Leia mais1ª Lista de Exercícios
Universidade Federal de Campina Grande Disciplina: Mineração de Dados Período: 2008.3 Data: 21/10/08 Aluno: Halley F. S. de Freitas 1ª Lista de Exercícios O arquivo de dados é o do tempo: @relation weather.symbolic
Leia maisBoas Maneiras em Aprendizado de Máquinas
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Boas Maneiras em Aprendizado de Máquinas David Menotti www.inf.ufpr.br/menotti/ci171-182 Boas Maneiras Agenda Introdução Métricas
Leia maisSilva (2014) faz a classificação dos elementos no trabalho Data Mining sobre um dataset de Câncer de Mama:
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
Leia maisRicardo Holt Pereira
Ricardo Holt Pereira APLICAÇÃO DE DATAMINING COMO EFICAZ MECANISMO DE CONTROLE NA EVASÃO DE RECEITAS FISCAIS E NA DETECÇÃO DE FRAUDES Monografia de Final de Curso 04/08/2009 Monografia apresentada ao Departamento
Leia maisMestrado em Análise de Dados e Sistemas de Apoio à Decisão. Faculdade de Economia. Universidade de Porto. Extracção de Conhecimento de Dados I
Mestrado em Análise de Dados e Sistemas de Apoio à Decisão Faculdade de Economia Universidade de Porto Extracção de Conhecimento de Dados I PROBLEMAS DE CLASSIFICAÇÃO Manuel José Ferreira Monteiro Novembro
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores. Estimativa da Acurácia. Introdução. Estimativa da Acurácia
Roteiro PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores Introdução Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br
Leia maisPPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados -- Profs. Celso Kaestner e Heitor Lopes Trabalho #2 Regras de Associação
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
Leia maisUSO DE TÉCNICAS DE MINERAÇÃO DE DADOS PARA INFERIR PADRÕES DE OCORRÊNCIA DA BRUSONE NO TRIGO 1
USO DE TÉCNICAS DE MINERAÇÃO DE DADOS PARA INFERIR PADRÕES DE OCORRÊNCIA DA BRUSONE NO TRIGO 1 RESUMO Isabela dos Santos Corrêa 2 Alexandre Tagliari Lazzaretti 3 O aumento considerável nas bases de dados
Leia maisAula 9. Prof. Adilson Gonzaga
Aula 9 Prof. Adilson Gonzaga Mapeamento Atribuir uma Instância a uma classe. Cada Instância é mapeada para um elemento do conjunto de Rótulos de Classe {p,n} p positivo n negativo Atribui uma Instância
Leia maisMineração de Dados - II
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados - II Sylvio Barbon Junior barbon@uel.br 10 de julho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa II Algoritmos Básicos Weka: Framework
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Fundamentação da disciplina Analise de dados Decisões
Leia maisCurso de Data Mining
Curso de Data Mining Sandra de Amo Curvas Roc Uma curva ROC (Receiver Operating Characteristic) é um enfoque gráfico que permite visualizar os trade-offs entre as taxas de positivos verdadeiros e positivos
Leia maisEmbrace - Briefing Meeting. Trabalhos de pesquisa
Embrace - Briefing Meeting Trabalhos de pesquisa J. R. Cecatto Workshop PG - AST 03 / 05 / 2016 Apresentação Investigações de periodicidade e características de Ejeções de Massa Coronais (CMEs); Estudos
Leia maisCledjalma Ferreira Neves DESCOBERTAS DE PADRÕES USANDO TÉCNICAS DE EXTRAÇÃO DE CONHECIMENTO
Cledjalma Ferreira Neves DESCOBERTAS DE PADRÕES USANDO TÉCNICAS DE EXTRAÇÃO DE CONHECIMENTO Palmas 2004 Cledjalma Ferreira Neves DESCOBERTAS DE PADRÕES USANDO TÉCNICAS DE EXTRAÇÃO DE CONHECIMENTO Trabalho
Leia maisInteligência Artificial
Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia maisUma Estratégia de Preparação de Dados para Aumento de Precisão de Modelos de Classificação da Produtividade de Cana-de-açucar
Uma Estratégia de Preparação de Dados para Aumento de Precisão de Modelos de Classificação da Produtividade de Cana-de-açucar Maria das Graças J.M. Tomazela¹, Luiz Antônio Daniel¹ ¹Faculdade de Tecnologia
Leia maisClassificação Automática de Gêneros Musicais
Introdução Método Experimentos Conclusões Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. Celso Kaestner Alessandro Koerich Pontifícia Universidade Católica do Paraná Programa de Pós-Graduação
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução ao WEKA Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR) Aprendizado de
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Desempenho de Classificação. Classificação IV: Avaliação de Classificadores
SCC0173 Mineração de Dados Biológicos Classificação IV: Avaliação de Classificadores Créditos O material a seguir consiste de adaptações e extensões dos originais: gentilmente cedidos pelo rof. André C..
Leia maisMineração de Dados Educacionais nos Resultados do ENEM de 2015
Mineração de Dados Educacionais nos Resultados do ENEM de 2015 Augusto Simon 1, Sílvio César Cazella 2,3 1 Programa de Pós-Graduação em Educação (PPGEDU) Universidade Federal do Rio Grande do Sul (UFRGS)
Leia maisMétodos de reamostragem
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Métodos de reamostragem Eduardo Vargas Ferreira Função custo 2 Função custo Matriz de confusão: é um layout de tabela que
Leia maisTÉCNICAS DE VALIDAÇÃO DE DADOS PARA SISTEMAS INTELIGENTES: UMA ABORDAGEM DO SOFTWARE SDBAYES
TÉCNICAS DE VALIDAÇÃO DE DADOS PARA SISTEMAS INTELIGENTES: UMA ABORDAGEM DO SOFTWARE SDBAYES JACQUES NELSON CORLETA SCHREIBER Universidade de Santa Cruz do Sul jacques@unisc.br ALVIN LAURO BESKOW Universidade
Leia maislnteligência Artificial Introdução a Aprendizado de Máquina
lnteligência Artificial Introdução a Aprendizado de Máquina 1 Aprendizado por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado
Leia maisAnálise ROC. 1 Introdução. 2 Performance dos Classicadores. Felipe Castro da Silva São José dos Campos, 6 de Dezembro de 2006
Análise ROC Felipe Castro da Silva felipe@dpi.inpe.br São José dos Campos, 6 de Dezembro de 2006 1 Introdução ROC 1 é uma técnica para visualizar, avaliar, organizar e selecionar classicadores baseado
Leia maisTutorial básico de classificação em RapidMiner
Tutorial básico de classificação em RapidMiner Mineração de dados biológicos Ciências físicas e biomoleculares Neste tutorial, aprenderemos a utilizar as funcionalidades básicas para classificação em Rapidminer.
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ PROGRAMA DE PÓS GRADUAÇÃO EM COMPUTAÇÃO APLICADA DISCIPLINA: MINERAÇÃO DE DADOS PPGCA Fase 3 / 2016
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ PROGRAMA DE PÓS GRADUAÇÃO EM COMPUTAÇÃO APLICADA DISCIPLINA: MINERAÇÃO DE DADOS PPGCA Fase 3 / 2016 TRABALHO FINAL Prof.Celso Kaestner & Heitor Silvério Lopes
Leia maisRedes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Redes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce
Leia maisExtracção de Conhecimento
Programa Doutoral em Engenharia Informática Mestrado Integrado em Engenharia Informática LIACC/FEUP Universidade do Porto www.fe.up.pt/ ec rcamacho@fe.up.pt Outubro 2007 conceitos básicos Conteúdo Definições
Leia maisAnálise de Risco de Crédito Bancário
UNIVERSIDADE FEDERAL DE CAMPINA GRANDE UFCG Curso de Mestrado em Informática Aluno: Francisco Fabian de Macedo Almeida Disciplina: Mineração de Dados Professor: Marcos Sampaio Data: 20 de dezembro de 2007
Leia maisà Análise de Padrões
CC-226 Introdução à Análise de Padrões Prof. Carlos Henrique Q. Forster Visão Geral do Curso e Introdução a Classificadores Padrões São apresentados como tuplas de variáveis aleatórias O conjunto amostra
Leia maisTrabalho 1 - Relatório Técnico
Trabalho 1 - Relatório Técnico Aluno: Adenir Pedro da Silva Junior Orientador: Heitor Silvério Lopes Co-orientador: Celso Antonio Alves Kaestner Disciplina: Mineração de Dados - PPGCA fase 3 / 2016 1.
Leia maisTrabalho de IA - Redes Neurais: Multilayer Perceptron e16 Learning de março Vector de 2015 Quantization 1 / 28
Trabalho de IA - Redes Neurais: Multilayer Perceptron e Learning Vector Quantization 16 de março de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT,
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisA CIÊNCIA DA ANTECIPAÇÃO: UM MODELO DE PREDIÇÃO DE INTERAÇÕES EM REDES SOCIAIS
A CIÊNCIA DA ANTECIPAÇÃO: UM MODELO DE PREDIÇÃO DE INTERAÇÕES EM REDES SOCIAIS Marco Aurélio Schünke e Dr. Dante Augusto Couto Barone Universidade Federal do Rio Grande do Sul - UFRGS RESUMO O principal
Leia maisRedes Neurais no WEKA
Redes Neurais WEKA http://www.cs.waikato.ac.nz/ml/weka/ Redes Neurais no WEKA Introdução ao WEKA Base Benchmark Estudo de Casos Análise de Crédito Bancário 1 Redes Neurais no Weka WEKA (Waikaito Environment
Leia maisSCC Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos
Métodos de Amostragem e Avaliação de Algoritmos SCC-630 - Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências
Leia maisscikit-learn: Aprendizado de máquina 101 com Python
scikit-learn: Aprendizado de máquina 101 com Python Luciana Fujii Campus Party BH 2016 1 / 30 Introdução Aprendizado de máquina Aprendizado de máquina é o campo da ciência da computação que dá aos computadores
Leia maisWeka na Munheca. Um guia para uso do Weka em scripts e integração com aplicações em Java. Rafael Santos (www.lac.inpe.br/ rafael.
Weka na Munheca Um guia para uso do Weka em scripts e integração com aplicações em Java Rafael Santos (www.lac.inpe.br/ rafael.santos) Sumário Sobre este documento 1 Notações usadas neste documento.................................
Leia maisBoas Maneiras Aprendizado Não Supervisionado Regressão
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Boas Maneiras Aprendizado Não Supervisionado Regressão David Menotti www.inf.ufpr.br/menotti/am-18b Hoje Boas Maneiras
Leia maisProf. Heitor Silvério Lopes
Prof. Heitor Silvério Lopes WEKA WEKA: Waikato Environment for Knowledge Analysis Iniciado em 1992, versão estável atual: 3.8.1 É um software para mineração de dados desenvolvido em Java com código aberto
Leia maisComparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR
Comparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR Leonardo Rodrigues de Deus 1 Rafael Santos 1 Leila Maria G. Fonseca 1
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisRegressão Linear. Fabrício Olivetti de França. Universidade Federal do ABC
Regressão Linear Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Overfitting 2. Treino e Validação 3. Baseline dos modelos 1 Overfitting Overfit Em muitos casos, a amostra de dados coletada
Leia mais2284-ELE/5, 3316-IE/3
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem Supervisionada 2 Os vários algoritmos de Aprendizagem
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Kuncheva pg. 8 a 25 (seções 1.3 e 1.4) Roteiro da aula Cálculo do erro de um classificador Técnicas de treinamento, avaliação e teste
Leia maisMineração de Dados (Regras de associação)
Aplicações Mineração de Dados (Regras de associação) Perfis de clientes ( Market basket analysis ) Merchandizing Detecção de fraudes em seguros de saúde Organização de produtos em vitrines de lojas M.
Leia maisThiago Marzagão 1. 1 Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 21
MINERAÇÃO DE DADOS Thiago Marzagão 1 1 marzagao.1@osu.edu ÁRVORE DE DECISÃO & VALIDAÇÃO Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 21 árvore de decisão Aulas passadas: queríamos
Leia maisBANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka
BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Mining Árvores de Decisão Categorização de Dados Parte II Rogério
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia mais21/02/17. Aprendendo pelas observações. PCS 5869 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 5869 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente para a atuação
Leia mais24/11/13. Aprendendo pelas observações. PCS 2428 / PCS 2059 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 2428 / PCS 2059 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia mais5 Experimentos Conjunto de Dados
Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto
Leia maisPROCESSO DE MINERAÇÃO DE DADOS NA DEFINIÇÃO DE ARQUITETURAS DE SATÉLITES PARA MISSÕES ESPACIAIS
sid.inpe.br/mtc-m19/2010/10.05.14.22-rpq PROCESSO DE MINERAÇÃO DE DADOS NA DEFINIÇÃO DE ARQUITETURAS DE SATÉLITES PARA MISSÕES ESPACIAIS Wanderson Gomes de Almeida Relatório final da disciplina Princípios
Leia maisLista de Exercícios - Capítulo 8 [1] SCC Inteligência Artificial 1o. Semestre de Prof. João Luís
ICMC-USP Lista de Exercícios - Capítulo 8 [1] SCC-630 - Inteligência Artificial 1o. Semestre de 2011 - Prof. João Luís 1. Seja breve na resposta às seguintes questões: (a) o que você entende por Aprendizado
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
Leia maisPREDIÇÃO À EVASÃO ESCOLAR: Estudo de caso aplicado no IFSULDEMINAS Campus Passos RESUMO
PREDIÇÃO À EVASÃO ESCOLAR: Estudo de caso aplicado no IFSULDEMINAS Campus Passos Carla Fernandes da SILVA 1 ; Clayton Silva MENDES 2. RESUMO A evasão escolar é um dos principais desafios a ser superado
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisEstudo de Caso. Índice. Descrição da Área. Daniel Gomes Dosualdo Solange Oliveira Rezende
Estudo de Caso Daniel Gomes Dosualdo Solange Oliveira Rezende Índice Descrição da Área Identificação do Problema Descrição do Conjunto de Dados Pré-Processamento Extração de Padrões Pós-Processamento Disponibilização
Leia maisTrabalho prático de mineração de dados
Trabalho prático de mineração de dados Algoritmos de aprendizado para avaliação de carros Carlos Ramisch Cartão: 134657 INF01179 Mineração de Dados Prof. Paulo Engel 22 de maio de 2009 1 Introdução No
Leia mais7 Resultados. F i (x j ) = j=1
7 Resultados Neste capítulo, utilizaremos os mesmos dados sintéticos gerados para realizar os experimentos no capítulo 4. Testaremos a aproximação implícita da variedade com duas subdivisões espaciais
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia maisReconhecimento de Gestos
Reconhecimento de Gestos Henrique Augusto Richter Tópicos em Visão Computacional Universidade Federal do Paraná Sumário Introdução Utilização Problemas Trabalhos Artigo 1 Artigo 2 Project Soli Introdução
Leia maisFigura 1: Metodologia de Reconhecimentos de Padrões desenvolvida na UFC
Uma Solução para o GISSA: Análise Comparativa entre Algoritmos de Aprendizagem de Máquina Aplicados em um Dataset Relacionado ao Óbito Infantil Joyce Quintino Alves (1) ; Cristiano Lima da Silva (2); Antônio
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Modelos preditivos A tarefa de classificação Modelos Preditivos A tarefa de geração de um modelo preditivo consiste em aprender um mapeamento de entrada para a saída. Neste caso,
Leia maisProcesso de Descoberta de Conhecimento em Base de Dados para Previsão de Ocorrências de Espécimes de Peixe-Boi Marinho
Processo de Descoberta de Conhecimento em Base de Dados para Previsão de Ocorrências de Espécimes de Peixe-Boi Marinho Malena Caroline de M. Assunção 1, Jailson Nunes Leocadio 1, Vinicius Ponte Machado
Leia maisMESTRADO EM INFORMÁTICA MÉDICA UNIDADE CURRICULAR DE SISTEMAS DE ESTUDO COMPARATIVO O DE 2009
FACULDADE DE MEDICINA DA UNIVERSIDADEE DO PORTOO M MESTRADO EM INFORMÁTICA MÉDICA UNIDADE CURRICULAR DE SISTEMAS DE APOIO À DECISÃO CLÍNICA ESTUDO COMPARATIVO DE TRÊS ALGORITMOS DE MACHINE LEARNING NA
Leia maisRede Neural Artificial Aplicada à Detecção de Intrusão em Redes de Computadores
1 Rede Neural Artificial Aplicada à Detecção de Intrusão em Redes de Computadores Danilo Mutti, Eduardo Rodrigues Cerejo e Jaqueline Ferreira de Brito Resumo A intrusão representa um sério risco na segurança
Leia maisAnálise do Uso de Descritores Locais e Classificadores no Reconhecimento de Cédulas de Real
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 218-223, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Análise do Uso de Descritores Locais
Leia maisANÁLISE ESPACIAL DOS ÍNDICES EDUCACIONAIS DO RIO GRANDE DO NORTE COM O USO DE TÉCNICAS DE MINERAÇÃO DE DADOS
ANÁLISE ESPACIAL DOS ÍNDICES EDUCACIONAIS DO RIO GRANDE DO NORTE COM O USO DE TÉCNICAS DE MINERAÇÃO DE DADOS Fábio Abrantes Diniz 1, Fabiano Rosemberg de Moura Silva 2, Roberto Douglas da Costa 3, Thiago
Leia maisRegras de Associação
Regras de Associação Engenharia Biomédica Programa de Aprendizagem: Professor: Heitor Silvério Lopes Aluno: Luciano Daniel Amarante Matricula: 1895753 (externo) Período: Fase III - 2016 CURITIBA - PR OUTUBRO
Leia maisMineração de Dados. Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri
Mineração de Dados Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri 1 Motivação Aumento da capacidade de processamento e de armazenamento de dados; Baixo custo; Grande quantidade de dados
Leia maisUtilização de técnicas de Mineração de Dados para diagnóstico de rendimento dos alunos do ensino básico do município de Indaiatuba
Utilização de técnicas de Mineração de Dados para diagnóstico de rendimento dos alunos do ensino básico do município de Indaiatuba Thaís Barros Nascimento 1, Maria das Graças J. M. Tomazela 1 1 Faculdade
Leia maisK-Nearest Neighbours & RSTUDIO
K-Nearest Neighbours & RSTUDIO Rodrigo Augusto Igawa Universidade Estadual de Londrina igawa@uel.br 17 de novembro de 2015 Rodrigo Augusto Igawa (UEL) KNN PARTE 2 17 de novembro de 2015 1 / 16 Sumário
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Departamento de Estatística
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelo estatístico ligado a tipos de vinhos e classificação de qualidade CE225 - Modelos Lineares Generalizados Prof. Cesar Augusto Taconeli Andrea
Leia maisReconhecimento de Linguagem de Sinais e Tecnologia Adaptativa
Reconhecimento de Linguagem de Sinais e Tecnologia Adaptativa Dr. Hemerson Pistori GPEC - Universidade Católica Dom Bosco (UCDB) - Campo Grande, MS Brasil www.gpec.ucdb.br Imagens extraídas de www.dicionariolibras.com.br
Leia maisInteligência Computacional
Inteligência Computacional CP78D Redes Neurais Aula 7 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 7º Período 1/24 Plano de Aula Perceptron
Leia maisSCC Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos
Métodos de Amostragem e Avaliação de Algoritmos SCC-630 - Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências
Leia maisWEKA: Prática Carregando a base de dados no Weka
WEKA: Prática 2 1. Introdução O objetivo desta prática é utilizar a ferramenta Weka para comparar dois algoritmos de aprendizagem de máquina em um problema de detecção de SPAM. Os algoritmos a serem comparados
Leia maisUtilização da Técnica de Árvores de Decisão para Prever Rupturas de Produtos em Determinados Períodos do Ano
Utilização da Técnica de Árvores de Decisão para Prever Rupturas de Produtos em Determinados Períodos do Ano Édson Wenning¹, Régis Schuch², Rodrigo Luiz Antoniazzi³. ¹Discente do Curso Ciência da Computação
Leia maisEscalonamento de Atualizações de Páginas Web Usando Programação
Escalonamento de Atualizações de Páginas Web Usando Programação Genética Aécio Solano Rodrigues Santos Orientador: Nivio Ziviani Departamento de Ciência da Computação Universidade Federal de Minas Gerais
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular WEKA Tópicos Introdução Simuladores de MD Principais módulos André C. P. L. F. de Carvalho Monitor: Váléria Carvalho André Ponce de Leon de Carvalho 2 Usando MD
Leia maisAttribute Information:
Universidade Tecnológica Federal do Paraná (UTFPR) 2010/03 Mineração de Dados Jean Avila Rangel PPGCA 1801317 Trabalho para o dia 18 do professor Heitor. Análise na ferramenta Rstudio de arquivos da base
Leia maisMAPEAMENTO PEDOLÓGICO DIGITAL COM BASE NO RELEVO E TREINAMENTO POR AMOSTRAGEM DE SOLOS DESENVOLVIDOS DE ARENITOS
MAPEAMENTO PEDOLÓGICO DIGITAL COM BASE NO RELEVO E TREINAMENTO POR AMOSTRAGEM DE SOLOS DESENVOLVIDOS DE ARENITOS LAURA MILANI DA SILVA DIAS 1 RICARDO MARQUES COELHO 2 STANLEY ROBSON DE MEDEIROS OLIVEIRA
Leia mais