Buscar

 

RI UFLA (Universidade Federal de Lavras) >
DCC - Departamento de Ciência da Computação >
DCC - Graduação >
DCC - Bacharelado em Ciência da Computação (Monografias) >

Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/5398

Title: Estudo e implementação de algoritmos de inferência e aprendizado em redes bayesianas
???metadata.dc.creator???: Valentim, Felipe Leal
???metadata.dc.contributor.advisor1???: Sampaio, Rudini Menezes
???metadata.dc.contributor.advisor-co???: Silva, Ricardo Martins de Abreu
???metadata.dc.contributor.referee1???: Safadi, Thelma
Lacerda, Wilian Soares
???metadata.dc.description.concentration???: Inteligência artificial
Keywords: Rede bayesiana
Algoritmos de inferência
Algoritmos de aprendizado
Bayesian networks
Inference algorithms
Learning algorithms
???metadata.dc.date.submitted???: 19-Mar-2007
Issue Date: 23-Apr-2015
Citation: VALENTIM, F. L. Estudo e implementação de algoritmos de inferência e aprendizado em redes bayesianas. 2007. 93 p. Monografia (Graduação em Ciência da Computação) – Universidade Federal de Lavras, Lavras, 2007.
???metadata.dc.description.resumo???: Redes bayesianas são grafos acíclicos dirigidos que representam dependências entre variáveis em um modelo probabilístico. Esta abordagem representa uma boa estratégia para lidar com problemas que tratam incertezas. A tarefa mais comum que desejamos efetuar numa rede bayesiana é determinar as várias probabilidades de interesse condicionadas a certos eventos que observamos. Estas probabilidades não são armazenadas diretamente no modelo, e consequentemente precisam ser computadas por algoritmos de inferência. Outra questão importante nessa abordagem é que a construção manual de uma rede bayesiana pode ser um processo bastante trabalhoso e caro para grandes aplicações e em domínios complexos. Por esse motivo, esforços têm sido dirigidos para o desenvolvimento de algoritmos de aprendizado que possam construir redes bayesianas diretamente de uma base de dados, ao invés do discernimento de especialistas humanos. Nesse trabalho são abordados aspectos fundamentais para a construção de um sistema capaz de realizar a inferência e o aprendizado em redes bayesianas, além disso, é apresentado o sistema UFLABayes, que permite uma análise dos algoritmos estudados e por fim são apresentadas as análises de eficiência para os algoritmos de inferência e aprendizado implementados.
Abstract: Bayesian networks are directed acyclics graphs that represent dependences between variables in probabilistic models. This approach represents a good strategy to solve problems that treat uncertainties. The commonest task that we wish to make in a bayesian network is to determine the several interest probabilities conditioned to some events we observe. These probabilities are not stored directly in the model, and consequently need to be computed by inference algorithms. Another important quastion in this approach is that the manual construction of a bayesian net can be very laborious and expensive process for great applications and in complex domains. Therefore, efforts have been driven to development of learning algorithms that can build bayesian nets directly of a database, instead of the specialists’ human discernment. In this work are explained fundamental aspects necessary for the construction of a system able to perform the inference and learning in bayesian networks, it is introduced the system UFLABayes, that allows analysis of the studied algorithms, and are introduced the analyses of the inference and learning algorithms implemented.
URI: http://repositorio.ufla.br/jspui/handle/1/5398
???metadata.dc.language???: pt_BR
Appears in Collections:DCC - Bacharelado em Ciência da Computação (Monografias)

Files in This Item:

File Description SizeFormat
MONOGRAFIA_Estudo_e_implementação_de_algoritmos_de_inferência_e_aprendizado_em_redes_bayesianas.pdf1.71 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.


View Statistics

 


DSpace Software Copyright © 2002-2010  Duraspace - Feedback