28 capítulos
Medium 9788521618805

28. Saúde

CARVALHO, André Carlos Ponce de Leon Ferreira de; FACELI, Katti; LORENA, Ana Carolina; GAMA, João Grupo Gen PDF Criptografado

“aprendizagem” — 2011/7/12 — 11:51 — page 335 — #335

Cap´ıtulo 28

Sa´ ude

Uma das ´areas de aplica¸c˜ao em que t´ecnicas de AM tˆem tido maior receptividade ´e a

´area de sa´ ude. Nessa ´area, ferramentas computacionais baseadas em AM s˜ao frequentemente utilizadas para controle de epidemias, aux´ılio a exames cl´ınicos, monitoramento do estado de pacientes, dosagem de medicamentos e aux´ılio para o diagn´ostico m´edico.

As aplica¸c˜oes de AM para aux´ılio a exames cl´ınicos tˆem sido realizadas para avaliar sinais gerados por equipamentos m´edicos, como eletrocardiogramas, eletroencefalogramas, imagens obtidas de tom´ografos computadorizados, ressonˆancia magn´etica, raios X, mamografias, para citar algumas.

Diferentemente de outras aplica¸c˜oes, em que solu¸c˜oes do tipo caixa-preta s˜ao aceit´aveis, em v´arias aplica¸c˜oes na ´area de sa´ ude, al´em de acur´acia preditiva, o usu´ario do algoritmo de AM deseja uma explica¸c˜ao de como o algoritmo constr´oi suas hip´oteses a partir dos

Ver todos os capítulos
Medium 9788521618805

3. Pré-processamento de Dados

CARVALHO, André Carlos Ponce de Leon Ferreira de; FACELI, Katti; LORENA, Ana Carolina; GAMA, João Grupo Gen PDF Criptografado

“aprendizagem” — 2011/7/12 — 11:51 — page 29 — #29

Cap´ıtulo 3

Pr´ e-processamento de Dados

Apesar de algoritmos de AM serem frequentemente adotados para extrair conhecimento de conjuntos de dados, seu desempenho ´e geralmente afetado pelo estado dos dados. Conjuntos de dados podem apresentar diferentes caracter´ısticas, dimens˜oes ou formatos. Por exemplo, conforme visto no cap´ıtulo anterior, os valores dos atributos de um conjunto de dados podem ser num´ericos ou simb´olicos. Podem ainda estar limpos ou conter ru´ıdos e imperfei¸c˜oes, com valores incorretos, inconsistentes, duplicados ou ausentes; os atributos podem ser independentes ou relacionados; os conjuntos de dados podem apresentar poucos ou muitos objetos, que por sua vez podem ter um n´ umero pequeno ou elevado de atributos.

T´ecnicas de pr´e-processamento de dados s˜ao frequentemente utilizadas para melhorar a qualidade dos dados por meio da elimina¸c˜ao ou minimiza¸c˜ao dos problemas citados.

Ver todos os capítulos
Medium 9788521618805

8. Modelos Múltiplos Preditivos

CARVALHO, André Carlos Ponce de Leon Ferreira de; FACELI, Katti; LORENA, Ana Carolina; GAMA, João Grupo Gen PDF Criptografado

“aprendizagem” — 2011/7/12 — 11:51 — page 137 — #137

Cap´ıtulo 8

Modelos M´ ultiplos Preditivos

O termo modelos m´ ultiplos ´e utilizado para identificar um conjunto de preditores cujas decis˜oes individuais s˜ao combinadas ou agregadas de alguma forma para predizer novos exemplos (Dietterich, 1997). Neste cap´ıtulo, iremos focar problemas de classifica¸c˜ao. No entanto, todas as t´ecnicas apresentadas s˜ao v´alidas para problemas de regress˜ao com altera¸c˜oes triviais relacionadas com a fun¸c˜ao de custo utilizada.

Segundo Hoeting et al. (1999), a primeira referˆencia a uma combina¸c˜ao de modelos na literatura estat´ıstica aparece em Barnard (1963), um trabalho que estuda os dados de passageiros de companhias a´ereas. Entretanto, a maior parte dos trabalhos anteriores na

´area de combina¸c˜ao de modelos n˜ao est´a presente em revistas cient´ıficas de Estat´ıstica.

O artigo original sobre previs˜oes feito por Granger e Newbold (1976) estimulou, nos anos

Ver todos os capítulos
Medium 9788521618805

10. Mineração de Padrões Frequentes

CARVALHO, André Carlos Ponce de Leon Ferreira de; FACELI, Katti; LORENA, Ana Carolina; GAMA, João Grupo Gen PDF Criptografado

“aprendizagem” — 2011/7/12 — 11:51 — page 180 — #180

Cap´ıtulo 10

Minera¸ c˜ ao de Padr˜ oes Frequentes

A minera¸c˜ao de um conjunto de itens frequentes1 ´e um dos t´opicos de pesquisa mais ativos em descoberta de conhecimento em bases de dados. O trabalho pioneiro nessa ´area foi a an´alise de cestas de compras, especificamente a minera¸c˜ao de dados transacionais descrevendo o comportamento de compra de clientes. O objetivo ´e descobrir grupos de produtos que frequentemente s˜ao comprados em conjunto e, com base nesses grupos, inferir os produtos que ser˜ao comprados dado que foram comprados outros produtos.

Desde ent˜ao, um grande n´ umero de algoritmos eficientes tem sido desenvolvido. Neste cap´ıtulo, ser˜ao revisados alguns dos principais algoritmos para minera¸c˜ao de conjunto de itens frequentes, regras de associa¸c˜ao, assim como suas extens˜oes para sequˆencias de itens, quando ´e importante considerar a ordem dos itens no conjunto.

Ver todos os capítulos
Medium 9788521618805

5. Métodos Probabilísticos

CARVALHO, André Carlos Ponce de Leon Ferreira de; FACELI, Katti; LORENA, Ana Carolina; GAMA, João Grupo Gen PDF Criptografado

“aprendizagem” — 2011/7/12 — 11:51 — page 70 — #70

Cap´ıtulo 5

M´ etodos Probabil´ısticos

Uma outra forma de lidar com tarefas preditivas em AM, principalmente quando as informa¸c˜oes dispon´ıveis s˜ao incompletas ou imprecisas, ´e por meio do uso de algoritmos baseados no teorema de Bayes, os m´etodos probabil´ısticos Bayesianos. Os m´etodos probabil´ısticos bayesianos assumem que a probabilidade de um evento A, que pode ser uma classe (por exemplo, um doente apresentar uma determinada doen¸ca), dado um evento

B, que pode ser o conjunto de valores dos atributos de entrada (por exemplo, ter resultado positivo em um exame de raios X), n˜ao depende apenas da rela¸c˜ao entre A e B, mas tamb´em da probabilidade de observar A independentemente de observar B (Mitchell,

1997).

A probabilidade de ocorrˆencia do evento B pode ser estimada pela observa¸c˜ao da frequˆencia com que esse evento ocorre. De forma semelhante, ´e poss´ıvel estimar a probabilidade de que um evento B ocorra, para cada classe ou evento A, P (B|A). Mas como determinar a probabilidade de que um evento A, quando for observado um evento

Ver todos os capítulos

Visualizar todos os capítulos