1ª Lista de Exercícios
|
|
- Maria Eduarda Mendes Sampaio
- 5 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de Campina Grande Disciplina: Mineração de Dados Período: Data: 21/10/08 Aluno: Halley F. S. de Freitas 1ª Lista de Exercícios O arquivo de dados é o do outlook {sunny, overcast, temperature {hot, mild, humidity {high, windy {TRUE, play {yes, sunny, hot, high, FALSE, no sunny, hot, high, TRUE, no overcast, hot, high, FALSE, yes rainy, mild, high, FALSE, yes rainy, cool, normal, FALSE, yes rainy, cool, normal, TRUE, no overcast, cool, normal, TRUE, yes sunny, mild, high, FALSE, no sunny, cool, normal, FALSE, yes rainy, mild, normal, FALSE, yes sunny, mild, normal, TRUE, yes overcast, mild, high, TRUE, yes overcast, hot, normal, FALSE, yes rainy, mild, high, TRUE, no
2 Em todas as questões pertinentes, você deve seguir passo a passo o algoritmo respectivo; todos os passos devem ser mostrados. Questão 1) O modelo induzido pelo Prism para a classe play = yes. a) IF? THEN play = Yes Outlook = sunny 2/5 Outlook = overcast 4/4 Outlook = rainy 3/5 Temperature = hot 2/4 Temperature = mild 4/6 Temperature = cool 2/4 Humidity = high 3/7 Humidity = normal 6/7 Windy = TRUE 3/6 Windy = FALSE 6/8 Regra 1: IF Outlook = overcast THEN play = Yes
3 Retirando agora as quatro instâncias compreendidas pela regra anterior e recomeçando o algoritmo com 10 instâncias (14-4): a) IF? THEN play = Yes Outlook = sunny 2/5 Outlook = rainy 3/5 Temperature = hot 0/2 Temperature = mild 3/5 Temperature = cool 2/4 Humidity = high 1/5 Humidity = normal 4/5 Windy = TRUE 3/6 Windy = FALSE 1/4 b) IF Humidity = normal and? THEN play = Yes Outlook = sunny 2/2 Outlook = rainy 2/3 Temperature = hot 0/0 Temperature = mild 2/2 Temperature = cool 2/3 Windy = TRUE 1/2 Windy = FALSE 3/3 Regra 2: IF Humidity = normal and Windy = FALSE THEN play = Yes
4 Retirando agora as 3 instâncias compreendidas pela regra anterior e recomeçando o algoritmo com 7 instâncias (10-3): a) IF? THEN play = Yes Outlook = sunny 1/4 Outlook = rainy 1/3 Temperature = hot 0/2 Temperature = mild 2/4 Temperature = cool 0/1 Humidity = high 1/5 Humidity = normal 1/2 Windy = TRUE 1/4 Windy = FALSE 1/3 b) IF Temperature = mild and? THEN play = Yes Outlook = sunny 1/2 Outlook = rainy 1/2 Humidity = high 1/3 Humidity = normal 1/1 Windy = TRUE 1/4 Windy = FALSE 1/3 Regra 3: IF Temperature = mild and Humidity = normal THEN play = Yes
5 Será retirada a instância compreendida pela regra e será recomeçado o algoritmo com 6 instâncias (7-1). Após repetir a mesma lógica apresentada na obtenção das três primeiras regras, chegamos ao modelo resultante: If outlook = overcast then yes If humidity = normal and windy = FALSE then yes If temperature = mild and humidity = normal then yes If outlook = rainy and windy = FALSE then yes If outlook = sunny and humidity = high then no If outlook = rainy and windy = TRUE then no Questão 2) Probabilidade de ter jogo quando temperatura = fria. Resposta Quando a temperatura for fria, haverá jogo em 3 das 4 ocasiões, representando uma probabilidade de 75%.
6 Questão 3) Explique o aparente paradoxo: Id3 e J48 pruned inferem os mesmos modelos, mas as acurácias de teste são diferentes. Id3 split 66% train, remainder test outlook = sunny humidity = high: no humidity = normal: yes outlook = overcast: yes outlook = rainy windy = TRUE: no windy = FALSE: yes Correctly Classified Instances 3 60% Incorrectly Classified Instances 2 40% J48 pruned split 66% train, remainder test outlook = sunny humidity = high: no humidity = normal: yes outlook = overcast: yes outlook = rainy windy = TRUE: no windy = FALSE: yes Correctly Classified Instances 2 40% Incorrectly Classified Instances 3 60%
7 Resposta Era esperado que o algoritmo J48 pruned tivesse melhor desempenho na acurácia de testes do que o Id3, enquanto este tivesse um melhor desempenho na acurácia de treinamento por buscar um espelho dos dados. Nesse caso em específico, o número de amostras para testes é muito reduzido, chegando a ser desprezível, por isso paradoxos desse tipo estão susceptíveis a acontecerem. Com certeza se esse número de amostras fosse mais significativo, o mecanismo de poda adotado se mostraria eficiente nos testes e o J48 teria resultados mais expressivos do que o Id3 e muito provavelmente o modelo induzido de ambos seria diferente.
8 Questão 4) Considere um conjunto de treinamento formado pelas 9 primeiras instâncias, enquanto as 5 últimas instâncias compõem o conjunto de teste. Compare o desempenho do OneR com o Id3 e o J48 pruned (ver a questão anterior). Resposta Após rodar o algoritmo OneR no Weka, foi obtido o seguinte modelo: outlook: sunny overcast -> no -> yes rainy -> Yes (10/14 instances correct) acurácia no treinamento Em seguida foram analisados os resultados dos testes: Correctly Classified Instances 2 40 % Incorrectly Classified Instances 3 60 % Conclusão: Rodando o OneR, a acurácia de treinamento não foi de 100% como nos algoritmos Id3 e J48, e a acurácia de testes foi semelhante à obtida com o J48, e inferior da obtida com o Id3.
9 5) Altere o arquivo de dados, aumentando a proporção de play = Yes para 90%. Rode o J48 pruned: interprete o modelo induzido. Resposta Após rodar o algoritmo J48 no Weka, foi obtido o seguinte modelo: J48 pruned tree : yes (14.0/2.0) Interpretação: Devido ao pequeno número de instâncias com play = No, o modelo poda essas instâncias e infere apenas play = Yes para todas as instâncias do arquivo de dados. A acurácia de treinamento não é mais de 100%, porém o modelo continua bastante confiável, como é demonstrado através dos resultados dos testes: === Evaluation on test split === === Summary === Correctly Classified Instances 4 80 % Incorrectly Classified Instances 1 20 %
1R: aprende uma regra por atributo
1R: aprende uma regra por atributo atribuí a classe mais freqüente taxa de erro: proporção de instâncias que não pertence a classe majoritária escolhe o atributo com menor taxa de erro Para cada atributo
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 maisRegras Rudimentarias
Regras Regras Rudimentarias 1R: aprende uma regra por atributo atribuí a classe mais freqüente taxa de erro: proporção de instâncias que não pertence a classe majoritária escolhe o atributo com menor taxa
Leia maisNaïve Bayesian Learning. Marcílo Souto DIMAp/UFRN
Naïve Bayesian Learning Marcílo Souto DIMAp/UFRN 1 Teorema de Bayes Probabilidade de um evento H dada evidência E: Pr[ H E] Pr[ E H ]Pr[ H ] Pr[ E] Probabilidade a priori de H: Probabilidade do evento
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 maisMétodo para Classificação: - Naïve Bayes.
Método para Classificação: - Naïve Bayes. Modelagem statística (Bayesiana): Contrariamente ao 1R, usa todos os atributos; Duas premissas: Atributos igualmente importantes; Atributos estatisticamente independentes
Leia maisClassificação: 1R e Naïve Bayes. Eduardo Raul Hruschka
Classificação: 1R e Naïve Bayes Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada
Leia maisMinerando regras de associação
Minerando regras de associação Proposto por Rakesh Agrawal em 1993. É o modelo de mineração de dados mais estudado pela comunidade de banco de dados. Utiliza dados categóricos. Não há bons algoritmos para
Leia maisData Mining Software Weka. Software Weka. Software Weka 30/10/2012
Data Mining Software Weka Prof. Luiz Antonio do Nascimento Software Weka Ferramenta para mineração de dados. Weka é um Software livre desenvolvido em Java. Weka é um É um pássaro típico da Nova Zelândia.
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 maisÁrvore de Decisão. Capítulo 18 Russell & Norvig Seções 18.1 a 18.3
Árvore de Decisão Capítulo 18 Russell & Norvig Seções 18.1 a 18.3 Aprendizagem Indutiva Clássica Recebe como entrada o valor correto de uma função desconhecida para entradas específicas e tenta recuperar
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Classificação I: Algoritmos 1Rule e KNN Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões dos originais:
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 maisAurora Trinidad Ramirez Pozo Universidade Federal do Paraná
Aurora Trinidad Ramirez Pozo Universidade Federal do Paraná 1 Um dos métodos práticos mais usados Induz funções discretas robustas a ruído Capaz de aprender expressões disjuntivas Se pais = Inglaterra
Leia maisAprendizagem Bayesiana
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Aprendizagem Bayesiana David Menotti www.inf.ufpr.br/menotti/ci171-182 Aprendizagem Bayesiana Agenda Introdução Teorema de Bayes
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. Eduardo Raul Hruschka
Classificação Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada Combinação de Modelos
Leia maisUm cheirinho de Machine Learning: Naïve bayes & aplicações em NLP. Luísa Coheur LN, Tagus, 2015
Um cheirinho de Machine Learning: Naïve bayes & aplicações em NLP Luísa Coheur LN, Tagus, 2015 MACHINE LEARNING Machine Learning Explores the study and construcion of algorithms that can learn from and
Leia maisAula 3 Representação do Conhecimento
Aula 3 Representação do Conhecimento Sumário (Representação do Conhecimento) - Introdução - Tabelas - Modelos Lineares - Árvores - Regras - Baseada em Instância - Clusters (Aglomerado) - Prática: Árvore
Leia maisClassificação Bayesiana
Classificação Bayesiana Victor Lobo Contexto Existem um conjunto de dados conhecidos Conjunto de treino Queremos prever o que vai ocorrer noutros casos Exemplo Empresa de seguros de saúde quer estimar
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Árvores de Decisão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Árvores de Decisão David Menotti www.inf.ufpr.br/menotti/ci171-182 Árvores de Decisão Agenda Introdução Representação Quando Usar
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Análise de Associação. Mineração de Regras de Associação
SCC0173 Mineração de Dados Biológicos Mineração de Regras de Associação Prof. Ricardo J. G. B. Campello Créditos Parte deste material consiste de adaptações e extensões dos originais: gentilmente cedidos
Leia maisÁrvores de Decisão. Sistemas Inteligentes
Árvores de Decisão Sistemas Inteligentes Exemplos de situações do dia a dia em que a aprendizagem de máquina é importante A partir de informações sobre pacientes relativas a gravidez aprender a prever
Leia maisO objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de
MINERAÇÃO DE DADOS MINERAÇÃO DE DADOS O objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de dados. A mineração de dados é formada por um conjunto de ferramentas e técnicas
Leia maisAprendizado de Máquina
Aprendizado de Máquina Árvores de Decisão Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 28
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Noções de Preparação de Dados e Mineração de Regras de Associação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte deste material consiste de adaptações e extensões
Leia maisSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES Profa. Roseli Ap. Francelin Romero Representação de Árvores de Decisão Algoritmo ID3 Conceito de e Ganho de Informação Overfitting Sistemas Inteligentes 1 Sistemas Inteligentes 2
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO Instituto de Ciências Matemáticas e de Computação ISSN 0103-2569 Sintaxe Padrão para Representar Regras de Associação Edson Augusto Melanda Solange Oliveira Rezende N ō 206 RELATÓRIOS
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia maisIMPLEMENTAÇÃO DE CLASSIFICAÇÃO BAYESIANA
IMPLEMENTAÇÃO DE CLASSIFICAÇÃO BAYESIANA Gabriela Silva de Oliveira¹, Silvio do Lago Pereira² ¹Aluna do Curso de Análise e Desenvolvimento de Sistemas DTI/FATEC-SP ²Prof. Dr. do Departamento de Tecnologia
Leia maisExtracção de Conhecimento
Programa Doutoral em Engenharia Informática Mestrado em Engenharia Informática Licenciatura em Engenharia Informática e Computação LIACC/FEUP Universidade do Porto www.fe.up.pt/ ec rcamacho@fe.up.pt Outubro
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Árvores de Decisão Aula 3 Alessandro L. Koerich Introdução Representação de Árvores de Decisão Algoritmo de Aprendizagem ID3 Entropia e Ganho de Informação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich/Alceu S. Britto Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia maisTópicos Especiais I - Jogos IA para Jogos
Tópicos Especiais I - Jogos IA para Jogos Game AI 04 Fernando Osório 21/10/2003 IA para Jogos Aula 04 Tópicos abordados... (continuação Aula 03) Aprendizado de máquinas em Jogos Machine Learning for Games
Leia maisÁrvore de Decisão. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Árvore de Decisão George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Tópicos Introdução Representando Árvores de Decisão O algoritmo ID3 Definições Entropia Ganho de Informação Overfitting Objetivo
Leia maisAlgoritmos para Classificação
Mineração de Dados Algoritmos para Classificação 1 Sumário Algoritmo 1R Naïve Bayes Árvore de Decisão Regras Modelos Lineares (Regressão) Baseados em Instância (Vizinhos mais Próximos) 2 1 Atividades 3
Leia maisÁrvores de Decisão. Sistemas Inteligentes
Árvores de Decisão Sistemas Inteligentes Uma Abordagem típica em aprendizagem simbólica Árvores de decisão: inductive decision trees (ID3) Instâncias (exemplos) são representadas por pares atributo-valor
Leia maisMineração de dados com WEKA, Parte 1: Introdução e regressão
Mineração de dados com WEKA, Parte 1: Introdução e regressão A mineração de dados é o assunto da indústria de tecnologia, na medida em que as empresas estão gerando milhões de pontos de dados sobre seus
Leia maisAprendizado de Máquina. Conteudo. Terminologia. Notes. Notes. Notes. Notes. Aprendizagem Bayesiana. Luiz Eduardo S. Oliveira
Aprendizado de Máquina Aprendizagem Bayesiana Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1
Leia maisMAC 0425/ Inteligência Artificial
MAC 0425/5739 - Inteligência Artificial Exercício-Programa 4 - Clasificação Prazo limite de entrega: 23:59 07/12/2016 1 Introdução Neste exercício-programa estudaremos o problema de aprendizagem supervisionado
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 maisData t Mi M ning : : Conceitos e Técnicas
Data Mining: Conceitos e Técnicas Algumas técnicas para Data Mining Geração de regras de associação; Classificação e predição; Agrupamento (clustering). Data Mining: Regras de Associação Regras de associação
Leia maisPIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/2-3o. Trimestre - AULA 06 / FSO
PIP/C - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação plicada da UIIO 2000/2-3o. Trimestre - UL 06 / FO Professor Responsável: ITEM DPTTIVO ITELIGETE Prof. Dr. Fernando Osório E-Mail:
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 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 maisInteligência Artificial
https://www.pinterest.com/carlymundo/decision-tree-infographics/ Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial
Leia maisCap.2 Aprendizagem Bayesiana e baseada em protótipos V 3.0, V.Lobo, EN/ISEGI, 2005
V 3.0, V.Lobo, E/ISEGI, 005 Classificação Bayesiana (revisões...) Victor Lobo Contexto Existem um conjunto de dados conhecidos Conjunto de treino Queremos prever o que vai ocorrer noutros casos Exemplo
Leia maisLaboratório Preprocessamento com WEKA Explorer
Laboratório Preprocessamento com WEKA Explorer Faça o download do dataset test_credit.csv*, e execute as seguintes tarefas: 1. Use o Weka Viewer para ter uma visão geral do dataset original. 2. Substitua
Leia maislnteligência Artificial Aprendizagem em IA
lnteligência Artificial Aprendizagem em IA 1 Aprendizagem por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
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 maisAprendizagem Bayesiana e baseada em protótipos V 3.2, V.Lobo, EN/ISEGI, 2009
V 3., V.Lobo, E/ISEGI, 009 Classificação Bayesiana (revisões...) Victor Lobo Contexto Existem um conjunto de dados conhecidos Conjunto de treino Queremos prever o que vai ocorrer noutros casos Exemplo
Leia maisUniversidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0. Classificação. David Menotti.
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Classificação David Menotti www.inf.ufpr.br/menotti/am-182 Hoje Árvores de Decisão Aprendizagem Bayesiana Aprendizado por
Leia maisUniversidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0. Classificação. David Menotti.
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Classificação David Menotti www.inf.ufpr.br/menotti/am-182 Hoje Árvores de Decisão Aprendizagem Bayesiana Aprendizado por
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 maisAprendizado em IA. Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação
Aprendizado em IA Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação Tópicos Agentes baseados em aprendizado Aprendizado indutivo Árvores de decisão Método ID3 Aprendizado em redes neurais
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Árvores de Decisão Poda e extensões Prof. Paulo Martins Engel UFRGS 2 Questões sobre Árvores de Decisão Questões práticas do aprendizado de AD incluem: Determinar até quando se
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina écnicas de Classificação Árvores de Decisão Prof. Paulo Martins Engel UFRGS Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
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 maisTurma Especialização Pós GETIC III - Gestão Tecnologia da Informação e Comunicação.
Turma Especialização Pós GETIC III - Gestão Tecnologia da Informação e Comunicação http://www.getic.ct.utfpr.edu.br 1 Introdução à Descoberta de Conhecimento e Mineração de Dados Prof. Celso A. A. Kaestner,
Leia maisOi, Ficou curioso? Então conheça nosso universo.
Oi, Somos do curso de Sistemas de Informação da Universidade Franciscana, e esse ebook é um produto exclusivo criado pra você. Nele, você pode ter um gostinho de como é uma das primeiras aulas do seu futuro
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 12 Árvores de Decisão Prof. Augusto Baffa Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso. Uma
Leia maisAprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
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 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 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 maisInteligência Artificial
Aprendizagem por que? lnteligência Artificial Aprendizagem em IA Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
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 maisExplorer Pattern Tool Adaptive: Uma Ferramenta para Mineração de Dados Utilizando Algoritmos Genéticos Adaptativos
Explorer Pattern Tool Adaptive: Uma Ferramenta para Mineração de Dados Utilizando Algoritmos Genéticos Adaptativos Lorena Mascarenhas Lima 1, Daniela Barreiro Claro 1 1 Laboratorio de Sistemas Distribuidos
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 maisAprendizado por Reforço
Aprendizado por Reforço Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendizado por Reforço 2. Q-Learning 3. SARSA 4. Outras ideias 1 Aprendizado por Reforço Problemas de decisão
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 maisAprendizado de Máquina
Aprendizado de Máquina Sistemas de Informação Inteligente Prof. Leandro C. Fernandes Adaptação dos materiais de: Thiago A. S. Pardo, Daniel Honorato e Bianca Zadrozny APRENDIZADO SIMBÓLICO: ÁRVORES DE
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 maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Introdução. Classificação III: Árvores de Decisão
SCC073 Mineração de Dados Biológicos Classificação III: Árvores de Decisão Créditos O material a seguir consiste de adaptações e extensões dos originais: gentilmente cedidos pelo Prof. André C. P. L. F.
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerih / Aleu S Britto Programa de Pós-Graduação em Informátia Pontifíia Universidade Católia do Paraná (PUCPR) Aprendizagem Bayesiana Plano de Aula Introdução Teorema
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 maisEstados Equivalentes. Exemplo R: Sim, b e f. Note que se estamos em b ou f então:
Minimização de AFD Estados Equivalentes. Exemplo Considere os estados de aceitação c e g. Eles são ambos estados que, uma vez atingidos, nunca se sai deles, desde que se leia 0 ou 1. Q: Precisamos desses
Leia maisLista 2 Sistemas Inteligentes (INE5633) 2014s2
Lista 2 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina 1. (Baseado em questão do POSCOMP 2009) Considere a árvore minimax abaixo representando um jogo, onde queremos maximizar
Leia maisSaída: Representação de conhecimento
Saída: Representação de conhecimento Kate Revoredo katerevoredo@uniriotec.br 1 Saída: Representando padrões estruturais Existem muitas maneiras diferentes de representar padrões: Árvores de decisão, regras,
Leia maisDepartamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: 2 horas)
Departamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: horas) Nome: Data: 7 de Abril de 016 1) Considere a aplicação da busca em profundidade
Leia maisCombinação de Classificadores usando IAD
Márcio Fuckner Combinação de Classificadores usando IAD Dissertação apresentada ao Programa de Pós-Graduação em Informática da Pontifícia Universidade Católica do Paraná como requisito parcial para obtenção
Leia maisÁrvores Binárias de Busca
Árvores Binárias de Busca SCC0202 - Algoritmos e Estruturas de Dados I Prof. Fernando V. Paulovich *Baseado no material do Prof. Gustavo Batista http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto
Leia maisTópicos Especiais I - Jogos IA para Jogos
Tópicos Especiais I - Jogos IA para Jogos Machine Learning Aprendizado Indutivo CBR, IDT, Perfil de Usuário Reinf. Learning, ANN Fernando Osório 11/05/2007 IA para Jogos Aula 03 Tópicos abordados... Aprendizado
Leia maisAVALIAÇÃO DE UMA ABORDAGEM LAZY DE SELEÇÃO DE ATRIBUTOS BASEADA NA MEDIDA DE CONSISTÊNCIA
MARCUS VINICIUS SILVA SOARES Orientador: Luiz Henrique de Campos Merschmann AVALIAÇÃO DE UMA ABORDAGEM LAZY DE SELEÇÃO DE ATRIBUTOS BASEADA NA MEDIDA DE CONSISTÊNCIA Ouro Preto Dezembro de 2010 Universidade
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 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 maisCaderno de Exercícios de Sistemas de Apoio à Decisão. Cláudia Antunes Helena Galhardas Arlindo L. Oliveira
Caderno de Exercícios de Sistemas de Apoio à Decisão Cláudia Antunes Helena Galhardas Arlindo L. Oliveira Março 2005 Índice ÍNDICE ÍNDICE... 2 CAPÍTULO 1 - MODELO MULTIDIMENSIONAL E OLAP... 4 Modelo Relacional
Leia maisProjeto de Linguagem. Linguagens de Programação
Projeto de Linguagem Renato Ferreira Linguagens de Programação Linguagens são adotadas para preencher uma demada Facilitar uma aplicação outrora difícil/impossível Independente da qualidade da linguagem
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Relembrando Classificação... Aula de Hoje. Classificação II: Algoritmo Probabilístico Naïve Bayes
SCC073 Mieração de Dados Biológios Classifiação II: Algoritmo robabilístio Naïve Bayes Créditos O material a seguir osiste de adaptações e extesões dos origiais: getilmete edidos pelo rof. Eduardo R. Hrushka
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 maisSCC Capítulo 9 Indução de Árvores de Decisão
Indução de Árvores de Decisão SCC-630 - Capítulo 9 Indução de Árvores de Decisão João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências Matemáticas e de Computação Universidade
Leia maisProf: Renato Rocha Souza. Aluno: Walter Dominguez
Prof: Renato Rocha Souza Aluno: Walter Dominguez Trabalho sôbre uso de ferramenta estatística (WEKA v 3-9-0) para identificar padrões ou relacionamentos comercialmente úteis em bancos de dados ou em outros
Leia mais