Uso de relevância semântica na melhoria da qualidade dos resultados gerados pelos métodos indutivos de aquisição de conhecimento a partir de exemplos.

• Ano de defesa: 1995
• Autor(a) principal: MONGIOVI, Giuseppe.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA; UFCG
• Palavras-chave em Português: Relevância Semântica; Métodos Indutivos; Inteligência Artificial; Aquisição de Conhecimento; Sistemas Baseados em Conhecimento; Aprendizagem Automática; Modelagem de Domínio; Modelo Neural Combinatório; Semantic Relevance; Inductive Methods; Artificial Intelligence; Knowledge Acquisition; Knowledge-Based Systems; Machine Learning; Domain Modeling; Combinatorial Neural Model; Engenharia Elétrica
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/10368

Os algoritmos indutivos de aquisição automática de conhecimento a partir de exemplos, em geral, apresentam um caráter puramente empírico, não usam conhecimento preliminar, observando apenas os aspectos quantitativos na geração de uma base de conhecimento. Procuram fornecer bases de conhecimento com um mínimo de tamanho e um máximo de acurácia, sem nenhuma preocupação com a qualidade semântica dos resultados gerados. Procurando preservar o caráter automático do processo de aquisição de conhecimento, com esta tese diminuímos o aspecto empírico do processo, propondo um tipo de conhecimento preliminar, na forma de relevância semântica, que é de fácil representação e eliciação. Esse conhecimento, de forma isolada ou combinado com outros tipos de conhecimento preliminar, como custo e generalização, é incorporado aos algoritmos indutivos visando a geração de bases de conhecimento de melhor qualidade, particularmente no aspecto semântico. Além disso, utilizamos a relevância semântica para definir um processo automático de avaliação da qualidade semântica de uma base de conhecimento, bem como para contornar o problema do grande esforço computacional apresentado pelo Modelo Neural Combinatório. Visando aumentar o grau de automação do processo como um todo, propomos ainda, nesta tese, o ambiente de apoio à aquisição automática de conhecimento A4. O ambiente auxilia na modelagem do domínio em exemplos e conhecimento preliminar e na avaliação qualitativa dos resultados fornecidos pelos algoritmos generalizadores.