RELATÓRIO TÉCNICO DISCIPLINA: MINERAÇÃO DE DADOS PPGCA fase 3 / 2016 Prof. Celso Antônio Alves Kaestner
|
|
- Alexandre Canela Cipriano
- 5 Há anos
- Visualizações:
Transcrição
1 RELATÓRIO TÉCNICO DISCIPLINA: MINERAÇÃO DE DADOS PPGCA fase 3 / 2016 Prof. Celso Antônio Alves Kaestner Aluno: Luciano Daniel Amarante (externo, nº: , PPBEG) 1. Objetivo: Está em realizar as análises dos algoritmos SVM (Support Vector Machines) utilizando a plataforma de desenvolvimento WEKA. 2. Descrição da Base de Dados utilizada: O dataset é Breast Cancer Wisconsin (Diagnostic), tem o título de Cancro da Mama Wisconsin Diagnóstico, coletado pelo Doador: Nick Street, no ano de novembro 1995 que se encontra com uma base de dados para consulta disponível em < 29>. Acessado em 01/11/2016. Tendo as dimensões de fonte e dados com número de instancias em 699 casos, onde estão divididos com os um número de 10 atributos. As características de valor real são calculadas para cada núcleo da célula: 1. Clump Thickness 1 10; 2. Uniformity of Cell Size 1 10; 3. Uniformity of Cell Shape 1 10; 4. Marginal Adhesion 1 10; 5. Single Epithelial Cell Size 1 10; 6. Bare Nuclei 1 10; 7. Bland Chromatin 1 10; 8. Normal Nucleoli 1 10; 9. Mitoses 1 10; 10. : (2 for benign, 4 for malignant).
2 3. Procedimentos, resultados, análise: Após ter realizado o download da dataset, no formato *.ARFF, a base de dados posso começar importando para dentro de ambiente de desenvolvimento WEKA, o qual realizar os trabalhos de analise com os algoritmos de Kernel, no modelos Linear: U *V, Polynomiel: (Gamma *U *V + Voef 0)^degree, Radial Bases Function: Exp( - Gamma * U - V ^2) e Sigmoid: Tang (Gamma * U *V + Coef 0) foi obtido os resultados. Para o Kernel, no modelos Linear: U *V, temos a análise: Scheme: weka.ifiers.functions.libsvm -S 0 -K 0 -D 3 -G 0.0 -R 0.0 -N 0.5 -M C === ifier model (full training set) === Time taken to build model: 0.01 seconds Time taken to test model on training data: 0 seconds === Summary === Correctly ified Instances % Incorrectly ified Instances % Kappa statistic Mean absolute error 0.03 Root mean squared error Relative absolute error % Root relative squared error %
3 TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area 0,974 0,037 0,980 0,974 0,977 0,934 0,968 0, ,963 0,026 0,951 0,963 0,957 0,934 0,968 0,928 4 Weighted Avg. 0,970 0,034 0,970 0,970 0,970 0,934 0,968 0, a = b = 4 Onde pose afirmar que: Correctly ified Instances 678 tem % e Incorrectly ified Instances 21 tem %. Para Kernel, no modelo Polynomiel: (Gamma *U *V + Voef 0)^degree, temos a análise: Scheme: weka.ifiers.functions.libsvm -S 0 -K 1 -D 3 -G 0.0 -R 0.0 -N 0.5 -M C === ifier model (full training set) === Time taken to build model: 0.17 seconds Time taken to test model on training data: 0 seconds === Summary === Correctly ified Instances % Incorrectly ified Instances % Kappa statistic Mean absolute error
4 Root mean squared error Relative absolute error % Root relative squared error % TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area 1,000 0,004 0,998 1,000 0,999 0,997 0,998 0, ,996 0,000 1,000 0,996 0,998 0,997 0,998 0,997 4 Weighted Avg. 0,999 0,003 0,999 0,999 0,999 0,997 0,998 0, a = b = 4 Onde pose afirmar que: Correctly ified Instances Instances 698 tem % e Incorrectly ified Instances 1 tem %. Para Kernel, no modelo Radial Bases Function: Exp( - Gamma * U - V ^2), temos a análise: Scheme: weka.ifiers.functions.libsvm -S 0 -K 2 -D 3 -G 0.0 -R 0.0 -N 0.5 -M C === ifier model (full training set) === Time taken to build model: 0.02 seconds Time taken to test model on training data: 0.03 seconds
5 === Summary === Correctly ified Instances % Incorrectly ified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area 0,996 0,004 0,998 0,996 0,997 0,991 0,996 0, ,996 0,004 0,992 0,996 0,994 0,991 0,996 0,989 4 Weighted Avg. 0,996 0,004 0,996 0,996 0,996 0,991 0,996 0, a = b = 4 Onde pose afirmar que: Correctly ified Instances Instances 696 tem % e Incorrectly ified Instances 3 tem %. Para Kernel, no modelo Sigmoid: Tang (Gamma * U *V + Coef 0), temos a análise: Scheme: weka.ifiers.functions.libsvm -S 0 -K 3 -D 3 -G 0.0 -R 0.0 -N 0.5 -M C === ifier model (full training set) ===
6 Time taken to build model: 0.08 seconds Time taken to test model on training data: 0.05 seconds === Summary === Correctly ified Instances % Incorrectly ified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area 0,528 1,000 0,501 0,528 0,514-0,485 0,264 0, ,000 0,472 0,000 0,000 0,000-0,485 0,264 0,345 4 Weighted Avg. 0,346 0,818 0,328 0,346 0,337-0,485 0,264 0, a = b = 4 Onde pose afirmar que: Correctly ified Instances Instances 242 tem % e Incorrectly ified Instances 457 tem %. 4. Conclusão: (geral sobre o trabalho realizado). Logo pode-se chegar a uma conclusão de que o Kernel, com melhor desempenho esta em Correctly ified Instances 696 tem % foi o Radial Bases Function: Exp( - Gamma * U - V ^2), com Incorrectly ified Instances 3 tem % podem se considerarmos as Incorrectly ified Instances sendo o nosso objetivo afirmo que o melhor Kernel com esta instancias é será: Polynomiel: (Gamma *U *V + Voef 0)^degree, com Incorrectly ified Instances 1 tem %.
Relatório 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 maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) 2016/ PPGCA PPGCA/UTFPR -- CAIA003
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 maisSempre 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 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 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 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 mais5 Estudo de Casos. Tabela 5 - Características dos Banco de Dados
5 Estudo de Casos O principal objetivo desse estudo de casos é a avaliação do desempenho do modelo FREx_SVM em problemas envolvendo duas ou mais classes. São estudados quatro problemas, dois de classificação
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 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 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 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 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 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 maisMestrado em Análise de Dados e Sistemas de Apoio à Decisão. Disciplina: Extracção e conhecimento de dados I
Mestrado em Análise de Dados e Sistemas de Apoio à Decisão Disciplina: Extracção e conhecimento de dados I Trabalho nº2: Comparação de métodos de classificação recorrendo aos softwares R e Weka Data: 18
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 maisRede Neural Artificial com Aprendizagem Híbrida para Problemas de Classificação de Padrões
STIN Simpósio de Tecnologia da Informação da Região Noroeste do RS 77 Rede Neural Artificial com Aprendizagem Híbrida para Problemas de Classificação de Padrões Franciele A. S. Alves 1, Evelyne L. Ferreira
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 maisLaboratório Como usar algoritmos de aprendizado de máquina de regressão em Weka
Laboratório Como usar algoritmos de aprendizado de máquina de regressão em Weka Faça o download do dataset housing.arff*, e execute as seguintes tarefas: *disponível em: www.inf.ufpr.br/menotti/am-182/data.zip
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 maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)
Leia maisUm Estudo Sobre a Efetividade do Método de Imputação Baseado no Algoritmo k-vizinhos Mais Próximos
Um Estudo Sobre a Efetividade do Método de Imputação Baseado no Algoritmo k-vizinhos Mais Próximos Gustavo Enrique de Almeida Prado Alves Batista Maria Carolina Monard Laboratório de Inteligência Computacional
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 maisSupport Vector Machines
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Support Vector Machines Eduardo Vargas Ferreira Definição Support Vector Machines são baseados no conceito de planos de decisão
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 maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
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 maisArtificial Neural Network Prediction for Cancer Survival Time by Gene Expression Data IEEE, 2009
Artificial Neural Network Prediction for Cancer Survival Time by Gene Expression Data IEEE, 2009 Yen-Chen Chen, Hung-Wen Chiu, Wen-Wen Yang Tapei Medical University - Tapei, Taiwan Apresentação: Walter
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 maisData Mining sobre um dataset de Câncer de Mama
Data Mining sobre um dataset de Câncer de Mama Fabio Luis Silva 1 1 Programa de PósGraduação em Computação Aplicada da Universidade Tecnológica Federal do Paraná Curitiba, PR Brasil fabiocuritiba@gmail.com
Leia maisINF Reconhecimento de Expressões Faciais
INF2979 - Reconhecimento de Expressões Faciais Rafael H. S. Rocha rhsantos@inf.puc-rio.br December 10, 2013 Resumo Este trabalho apresenta uma abordagem ao problema de reconhecimento de expressões faciais
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 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 maisIdentificação de alertas de segurança virtual veiculados no Twitter
Identificação de alertas de segurança virtual veiculados no Twitter Orientador: Daniel M. Batista Coorientadora: Elisabeti Kira Instituto de Matemática e Estatística IME-USP 27 de Janeiro de 2015 Introdução
Leia maisClassificação supervisionada baseada em árvore geradora mínima
Classificação supervisionada baseada em árvore geradora mínima Letícia Cavalari Pinheiro 1,3 Renato Martins Assunção 2 1 Introdução Classificação supervisionada é um dos problemas mais estudados na área
Leia maisNúmero: Nome:
Número: Nome: 1 -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame 1 20 junho 2006
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
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 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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisObservação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro
Observação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro Wanderson Santos Costa Trabalho do curso de Introdução ao
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia mais2COP355 INTELIGÊNCIA COMPETITIVA. Algoritmos. Sylvio Barbon Junior 27 de novembro de 2015 DC-UEL Sylvio Barbon Jr 1
2COP355 INTELIGÊNCIA COMPETITIVA Algoritmos Sylvio Barbon Junior barbon@uel.br 27 de novembro de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa I Etapa II Inteligência de Negócios Visão Geral sobre Mineração
Leia maisRedução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness
Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e classificador MVS Laércio N. Mesquita 1, Antônio O. de
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 maisNúmero: Nome:
Número: Nome: -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame: 2 6 Julho 2009
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 maisMáquinas de Vetores Suporte. Prof. Dr. Geraldo Braz Junior
Máquinas de Vetores Suporte Prof. Dr. Geraldo Braz Junior Introdução Máquinas de Vetores de Suporte (MVS) Criada por (VAPNIK, 1998) é um método de aprendizagem supervisionado usado para estimar uma função
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 maisClassificação em Imagens de Satélite e o Monitoramento de Hidrelétricas. Mestrando: Rafael Walter de Albuquerque Orientador: José Alberto Quintanilha
Classificação em Imagens de Satélite e o Monitoramento de Hidrelétricas Mestrando: Rafael Walter de Albuquerque Orientador: José Alberto Quintanilha Introdução Mapeamento da cobertura e uso do solo: importante
Leia maisPrediction of Secondary Structure of Protein using Support Vector Machine / 11
Prediction of Secondary Structure of Protein using Support Vector Machine Pankaj Agarwal, Shivani Agarwal e Deepali Mendiratta IMS Engineering College, Ghaziabad - India 2014 Prediction of Secondary Structure
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 Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
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 maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisClassificação de Tecidos da Mama em Maligno e Benigno baseado em Mamografias Digitais usando Descritores de Textura
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 100-105, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Classificação de Tecidos da Mama em Maligno
Leia maisUma Análise Comparativa entre Classificadores para Detecção de Nódulos Pulmonares
Uma Análise Comparativa entre Classificadores para Detecção de Nódulos Pulmonares Laércio Nascimento Mesquita¹, Maria Jaquelane Carvalho de Moura¹, Ivo Alves de Oliveira¹, Alcilene Dalília de Sousa² ¹
Leia maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisConteúdo da Apresentação
Extração de Regras Fuzzy para Máquina de Vetor Suporte (SVM) para Classificação em Múltiplas Classes Adriana da Costa F. Chaves Conteúdo da Apresentação Motivação Método de Extração de Regras Fuzzy Classificação
Leia mais4 Construção dos Classificadores
4 Construção dos Classificadores 4.1. Modelagem O aprendizado supervisionado contém a etapa de modelagem, nessa etapa definimos quais serão as características encaminhadas ao classificador para o treinamento.
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisNúmero: Nome: 1 --------------------------------------------------------------------------------------------------------------
Número: Nome: 1 -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame 2 15 julho 2006
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 maisINSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão
Número: Nome: -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame: Solution January
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisLSF na Verificação de Orador
LSF na Verificação de Orador Hugo Cordeiro Carlos Meneses M2A/ISEL Grupo de Multimédia e Aprendizagem Automática Instituto Superior de Engenharia de Lisboa Rua Conselheiro Emídio Navarro nº1, 1950-062
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 maisUTILIZANDO O SOFTWARE WEKA
UTILIZANDO O SOFTWARE WEKA O que é 2 Weka: software livre para mineração de dados Desenvolvido por um grupo de pesquisadores Universidade de Waikato, Nova Zelândia Também é um pássaro típico da Nova Zelândia
Leia maisINSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão
Número: Nome: -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame: 3 junho 04 --------------------------------------------------------------------------------------------------------------.
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 maisThiago Zavaschi Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade
Thiago Zavaschi (zavaschi@ppgia.pucpr.br) Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUC-PR) Conceitos relacionados a classificação
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisAnálise e Sugestão Automática de Câncer de Pele através de HOG e SVM
Análise e Sugestão Automática de Câncer de Pele através de HOG e SVM Lucas Bezerra Maia 1, Roberto M. Pinheiro Pereira 1, Thalles Alencar Silva 1, Alexandre César P. Pessoa 1, Geraldo Braz Junior 1 1 Núcleo
Leia maisPredição da Resposta ao Tramento Anti- Retroviral de Pacientes portadores do vírus HIV-1 através de Redes Neurais Artificiais
Universidade Federal de Pernambuco UFPE Centro de Informática CIn Pós-graduação em Ciência da Computação Princípios e Técnicas da Análise Estatística Experimental Predição da Resposta ao Tramento Anti-
Leia maisINSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão
Número: Nome: -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame: 6 January 207
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
Leia maisMétodos para Classificação: - Naïve Bayes.
Métodos para Classificação: - 1R; - Naïve Bayes. Visão Geral: Simplicidade em primeiro lugar: 1R; Naïve Bayes. 2 Classificação: Tarefa: Dado um conjunto de exemplos préclassificados, construir um modelo
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciatura em Economia E C O N O M E T R I A II (LEC310) NOTAS PRÉVIAS: Exame Final Época Normal 9 de Junho de 2006 1. A primeira parte da prova tem duração de 75 minutos
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 maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018 Examplo usando gamlssnp(): dados de cérebros de animais O tamanho do cérebro (brain) e peso corporal (body) foram registrados
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisLaércio N. Mesquita¹, Antônio O. de C. Filho¹, Alcilene D. de Sousa¹, Patrícia M. L. de L. Drumond¹
Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e múltiplos classificadores Laércio N. Mesquita¹, Antônio
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
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 maisMINERAÇÃO DE DADOS EM ARQUIVOS DE LOG GERADOS POR SERVIDORES DE PÁGINAS WEB
MINERAÇÃO DE DADOS EM ARQUIVOS DE LOG GERADOS POR SERVIDORES DE PÁGINAS WEB Acadêmico: Leonardo José Correia Orientador: Prof. Ricardo Alencar Azambuja Blumenau, Julho/2004 1 Roteiro Introdução Objetivo
Leia maisPalavras-chave: Redes Neurais Artificiais; Cooperativismo de Crédito; Insolvência; Desenvolvimento Regional.
Avaliação de insolvência em cooperativas de crédito: uma aplicação de redes neurais artificiais e do sistema PEARLS Evaluation of insolvency in cooperative credit unions: An application of artificial neural
Leia mais4 Experimentos. 4.1 Introdução
Experimentos 4 Experimentos 4.1 Introdução Foram realizados experimentos com os dois algoritmos propostos no capítulo anterior em duas bases de documentos, Reuters-21578 e Ohsumed. Primeiramente serão
Leia maisData Science. Data Stream Mining: trabalhando com dados massivos. André Luís Nunes Porto Alegre, Globalcode Open4education
Data Science Data Stream Mining: trabalhando com dados massivos André Luís Nunes Porto Alegre, 2018 Globalcode Open4education Data Stream Mining trabalhando com dados massivos 2018 agenda andré luís nunes
Leia maisREGRESSÃO LOGÍSTICA E INDICADORES DE GOVERNANÇA GLOBAL
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO FEA Faculdade de Economia e Administração Programa de Estudos Pós Graduados em Administração REGRESSÃO LOGÍSTICA E INDICADORES DE GOVERNANÇA GLOBAL Disciplina:
Leia maisDIAGNÓSTICO CLÍNICO DE AMOSTRAS DE CÂNCER DE MAMA UTILIZANDO SISTEMAS IMUNOLÓGICOS ARTIFICIAIS COM SELEÇÃO NEGATIVA
DIAGNÓSTICO CLÍNICO DE AMOSTRAS DE CÂNCER DE MAMA UTILIZANDO SISTEMAS IMUNOLÓGICOS ARTIFICIAIS COM SELEÇÃO NEGATIVA FERNANDO P. A. LIMA¹, MARA L. M. LOPES², ANNA D. P. LOTUFO¹, CARLOS R. MINUSSI¹ ¹ Departamento
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 maisNúmero: Nome:
Número: Nome: -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame: 4 junho --------------------------------------------------------------------------------------------------------------.
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisMineração em Data Streams - Weka e MOA. Profa. Elaine Faria UFU
Mineração em Data Streams - Weka e MOA Profa. Elaine Faria UFU - 2018 O que é o Weka? Ferramenta para Aprendizado de Máquina desenvolvida em Java Criado por pesquisadores da Universidade de Waikato Nova
Leia mais