Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/5398
Registro completo de metadados
Campo DCValorIdioma
dc.creatorValentim, Felipe Leal-
dc.date.accessioned2015-04-23T23:22:32Z-
dc.date.available2015-04-23T23:22:32Z-
dc.date.issued2015-04-23-
dc.date.submitted2007-03-19-
dc.identifier.citationVALENTIM, 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.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/5398-
dc.description.abstractBayesian 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.pt_BR
dc.languagept_BRpt_BR
dc.rightsacesso abertopt_BR
dc.subjectRede bayesianapt_BR
dc.subjectAlgoritmos de inferênciapt_BR
dc.subjectAlgoritmos de aprendizadopt_BR
dc.subjectBayesian networkspt_BR
dc.subjectInference algorithmspt_BR
dc.subjectLearning algorithmspt_BR
dc.titleEstudo e implementação de algoritmos de inferência e aprendizado em redes bayesianaspt_BR
dc.typeTCCpt_BR
dc.contributor.advisor-coSilva, Ricardo Martins de Abreu-
dc.description.concentrationInteligência artificialpt_BR
dc.contributor.advisor1Sampaio, Rudini Menezes-
dc.contributor.referee1Safadi, Thelma-
dc.contributor.referee1Lacerda, Wilian Soares-
dc.description.resumoRedes 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.pt_BR
Aparece nas coleções:PROGRAD - Ciência da Computação (Trabalhos de Conclusão de Curso)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_Estudo_e_implementação_de_algoritmos_de_inferência_e_aprendizado_em_redes_bayesianas.pdf1,71 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.