Fitting techniques to knowledge discovery through stochastic models

• Ano de defesa: 2016
• Autor(a) principal: Assunção, Joaquim Vinicius Carvalho
• Orientador(a): Fernandes, Paulo Henrique Lemelle
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Pontifícia Universidade Católica do Rio Grande do Sul
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação
• Departamento: Faculdade de Informática
• País: Brasil
• Palavras-chave em Português: SIMULAÇÃO E MODELAGEM EM COMPUTADORES; REDES DE AUTÔMATOS ESTOCÁSTICOS; PROCESSOS ESTOCÁSTICOS; CADEIAS DE MARKOV - COMPUTAÇÃO; INFORMÁTICA
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://tede2.pucrs.br/tede2/handle/tede/7179

Modelos estocásticos podem ser úteis para representar de maneira compacta cenários não determinísticos. Além disso, simulações aplicadas em um modelo compacto são mais rápidas e demandam menos recursos computacionais do que técnicas de mineração em grandes volumes de dados. O desafio está na construção desses modelos. A acurácia, juntamente com tempo e a quantidade de recursos usados para ajustar um modelo são fatores chave para sua utilidade. Tratamos aqui de técnicas de aprendizado de máquina para ajustes de estruturas com a propriedade de Markov; especialmente formalismos complexos como Modelos Ocultos de Markov (HMM) e Redes de Automatos Estocásticos (SAN). Quanto a acurácia, levamos em consideração as atuais técnicas de ajuste, e medidas baseadas em verossimilhança. Quanto ao tempo de criação, automatizamos o processo de mapeamento de dados via séries temporais e técnicas de representação. Quanto aos recursos computacionais, usamos séries temporais e técnicas de redução de dimensionalidade, evitando assim, problemas com a explosão do espaço de estados. Tais técnicas são demonstradas em um processo que incorpora uma série de passos comuns para o ajuste de modelos com séries temporais. Algo semelhante ao que o processo de descoberta de conhecimento em banco de dados (KDD) faz; porém, tendo como componente principal, modelos estocásticos.