|
DESCRIÇÃO
Este livro aborda, essencialmente, técnicas supervisionadas de aprendizagem ou mineração de dados. Assim, é dada uma descrição detalhada de diversos tipos de modelos como as Árvores de Decisão e Regressão, as Regras de Classificação e Regressão, Modelos Lineares e Redes Neuronais Artificiais, bem como de algoritmos para a sua construção a partir de dados. São apresentadas implementações de todos os algoritmos em Java, bem como diversos exemplos de aplicação. Por fim, explica-se como se podem avaliar e comparar algoritmos de AID, dando-se sugestões para a escolha do melhor algoritmo para cada problema.
PRINCIPAIS TÓPICOS
- Introdução e conceitos básicos sobre a Análise Inteligente de Dados (AID);
- Algoritmos de aprendizagem supervisionada: Árvores de Decisão e Regressão, Regras de Classificação e Regressão, Modelos Lineares, Redes Neuronais Artificiais e Máquinas de Vectores de Suporte;
- Aplicações da AID em problemas do mundo real;
- Avaliação e comparação de Algoritmos de AID;
- Tópicos avançados: Conjuntos de Modelos, Sistemas Híbridos, Selecção de Modelos, Meta-Aprendizagem e Aprendizagem Dinâmica;
- Implementação em Java dos algoritmos apresentados.
PÚBLICO-ALVO
- Alunos e profissionais das áreas das Tecnologias de Informação e Comunicação
O(S) AUTOR(ES)
Miguel Rocha
Professor Auxiliar no Departamento de Informática da Universidade do Minho. Desenvolve actividades de ensino e investigação nas áreas de Bioinformática, Computação Natural e Inteligência Artificial.
Paulo Cortez
Professor Auxiliar no Departamento de Sistemas de Informação da Universidade do Minho. Desenvolve actividades de ensino e investigação nas áreas de Business Intelligence/Data Mining, Redes Neuronais e Previsão.
José Maia Neves
Professor Catedrático no Departamento de Informática da Universidade do Minho. É líder do grupo de Inteligência Artificial, desenvolvendo actividades de ensino e investigação nas áreas da Representação de Conhecimento, Computação Lógica e Aprendizagem Máquina.
ÍNDICE
1 - Introdução
1.1 Descoberta de Conhecimento em Bases de Dados
1.2 Mineração de Dados
1.3 Aprendizagem Automática
1.4 Aplicações
1.5 Organização do Texto
Resumo
Exercícios
2 – Conceitos Básicos
2.1 Conjuntos de Dados
2.2 Modelos e Algoritmos de Aprendizagem
2.3 Medidas de Erro
2.4 Tendência de Indução
2.5 Sobre-ajustamento e Generalização
Resumo
Exercícios
3 – Árvores de Decisão
3.1 Representação Baseada em Árvores
3.2 Descrição do Algoritmo
3.3 Melhorias ao Algoritmo ID3
Resumo
Exercícios
4 – Regras de Classificação
4.1 Estrutura de Representação
4.2 Medidas do Desempenho de uma Regra
4.3 Algoritmo 1R
4.4 Algoritmos de Cobertura: o Prism
4.5 Tópicos Avançados
Resumo
Exercícios
5 – Modelos Funcionais
5.1 Introdução
5.2 Modelos de Regressão
5.3 Estimação dos Parâmetros
5.4 Preparação dos Dados
5.5 Implementação
5.6 Exemplo
5.7 Máquinas de Vectores de Suporte
Resumo
Exercícios
6 – Redes Neuronais Artificiais
6.1 Introdução
6.2 Benefícios e Limitações
6.3 Inspiração Biológica
6.4 Neurónio Artificial
6.5 Topologia
6.6 Treino
6.7 Preparação dos Dados
6.8 Selecção da Topologia
6.9 Implementação
6.10 Exemplo
Resumo
Exercícios
7 – Outros Algoritmos de Aprendizagem
7.1 Modelos Probabilísticos
7.2 Aprendizagem Baseada em Instâncias
7.3 Árvores para Regressão
Resumo
Exercícios
8 – Avaliação e Comparação de Modelos
8.1 Métodos de Estimação
8.2 Validação cruzada
8.3 Bootstrap
8.4 Selecção de modelos
8.5 Avaliação e Comparação
8.6 Experiências
Resumo
Exercícios
9 – Tópicos Avançados
9.1Conjuntos de Modelos
9.2 Sistemas Híbridos
9.3 Selecção de Modelos via Heurísticas
9.4 Selecção de Atributos
9.5 Meta-aprendizagem
9.6 Aprendizagem Dinâmica
Resumo
Exercícios
Apêndice
Bibliografia
Índice Remissivo
|
