Em virtude de uma elevada expectativa de vida mundial, faz-se crescente a probabilidade de ocorrer acidentes naturais e traumas físicos no cotidiano, o que ocasiona um aumento na demanda por reabilitação. A terapia física, sob o paradigma da reabilitação robótica com serious games, oferece maior motivação e engajamento do paciente ao tratamento, cujo emprego foi recomendado pela American Heart Association (AHA), apontando a mais alta avaliação (Level A) para pacientes internados e ambulatoriais. No entanto, o potencial de análise dos dados coletados pelos dispositivos robóticos envolvidos é pouco explorado, deixando de extrair informações que podem ser de grande valia para os tratamentos. O foco deste trabalho consiste na aplicação de técnicas para descoberta de conhecimento, classificando o desempenho de pacientes diagnosticados com hemiparesia crônica. Os pacientes foram inseridos em um ambiente de reabilitação robótica, fazendo uso do InMotion ARM, um dispositivo robótico para reabilitação de membros superiores e coleta dos dados de desempenho. Foi aplicado sobre os dados um roteiro para descoberta de conhecimento em bases de dados, desempenhando pré-processamento, transformação (extração de características) e então a mineração de dados a partir de algoritmos de aprendizado de máquina. A estratégia do presente trabalho culminou em uma classificação de padrões com a capacidade de distinguir lados hemiparéticos sob uma precisão de 94%, havendo oito atributos alimentando a entrada do mecanismo obtido. Interpretando esta coleção de atributos, foi observado que dados de força são mais significativos, os quais abrangem metade da composição de uma amostra. / As a result of a higher life expectancy, the high probability of natural accidents and traumas occurences entails an increasing need for rehabilitation. Physical therapy, under the robotic rehabilitation paradigm with serious games, offers the patient better motivation and engagement to the treatment, being a method recommended by American Heart Association (AHA), pointing the highest assessment (Level A) for inpatients and outpatients. However, the rich potential of the data analysis provided by robotic devices is poorly exploited, discarding the opportunity to aggregate valuable information to treatments. The aim of this work consists of applying knowledge discovery techniques by classifying the performance of patients diagnosed with chronic hemiparesis. The patients, inserted into a robotic rehabilitation environment, exercised with the InMotion ARM, a robotic device for upper-limb rehabilitation which also does the collection of performance data. A Knowledge Discovery roadmap was applied over collected data in order to preprocess, transform and perform data mining through machine learning methods. The strategy of this work culminated in a pattern classification with the abilty to distinguish hemiparetic sides with an accuracy rate of 94%, having eight attributes feeding the input of the obtained mechanism. The interpretation of these attributes has shown that force-related data are more significant, comprising half of the composition of a sample.

Em virtude de uma elevada expectativa de vida mundial, faz-se crescente a probabilidade de ocorrer acidentes naturais e traumas físicos no cotidiano, o que ocasiona um aumento na demanda por reabilitação. A terapia física, sob o paradigma da reabilitação robótica com serious games, oferece maior motivação e engajamento do paciente ao tratamento, cujo emprego foi recomendado pela American Heart Association (AHA), apontando a mais alta avaliação (Level A) para pacientes internados e ambulatoriais. No entanto, o potencial de análise dos dados coletados pelos dispositivos robóticos envolvidos é pouco explorado, deixando de extrair informações que podem ser de grande valia para os tratamentos. O foco deste trabalho consiste na aplicação de técnicas para descoberta de conhecimento, classificando o desempenho de pacientes diagnosticados com hemiparesia crônica. Os pacientes foram inseridos em um ambiente de reabilitação robótica, fazendo uso do InMotion ARM, um dispositivo robótico para reabilitação de membros superiores e coleta dos dados de desempenho. Foi aplicado sobre os dados um roteiro para descoberta de conhecimento em bases de dados, desempenhando pré-processamento, transformação (extração de características) e então a mineração de dados a partir de algoritmos de aprendizado de máquina. A estratégia do presente trabalho culminou em uma classificação de padrões com a capacidade de distinguir lados hemiparéticos sob uma precisão de 94%, havendo oito atributos alimentando a entrada do mecanismo obtido. Interpretando esta coleção de atributos, foi observado que dados de força são mais significativos, os quais abrangem metade da composição de uma amostra. / As a result of a higher life expectancy, the high probability of natural accidents and traumas occurences entails an increasing need for rehabilitation. Physical therapy, under the robotic rehabilitation paradigm with serious games, offers the patient better motivation and engagement to the treatment, being a method recommended by American Heart Association (AHA), pointing the highest assessment (Level A) for inpatients and outpatients. However, the rich potential of the data analysis provided by robotic devices is poorly exploited, discarding the opportunity to aggregate valuable information to treatments. The aim of this work consists of applying knowledge discovery techniques by classifying the performance of patients diagnosed with chronic hemiparesis. The patients, inserted into a robotic rehabilitation environment, exercised with the InMotion ARM, a robotic device for upper-limb rehabilitation which also does the collection of performance data. A Knowledge Discovery roadmap was applied over collected data in order to preprocess, transform and perform data mining through machine learning methods. The strategy of this work culminated in a pattern classification with the abilty to distinguish hemiparetic sides with an accuracy rate of 94%, having eight attributes feeding the input of the obtained mechanism. The interpretation of these attributes has shown that force-related data are more significant, comprising half of the composition of a sample.

Machine learning is when a computer can learn from data and draw its own conclusions without being explicitly programmed to do so. To implement machine learning effectively and correctly, it is important to have a structured framework to follow. Today, there exist several different frameworks but no framework is suited for all purposes of machine learning. This thesis evaluates three chosen frameworks CRISP-DM, SEMMA and KDD for the purpose of imple- menting machine learning in signal processing. This study was conducted at Saab AB in Ja¨rf¨alla. The specific problem area of signal processing that was evaluated in the thesis was radar warn- ing systems. A hypothesis is that they could become more efficient with machine learning. To evaluate the chosen frameworks, it was studied what was demanded from a framework when implementing machine learning in the chosen problem area. The evaluation was done with a theoretical comparison where no implementations of the different frameworks were done. The frameworks were evaluated through an evaluation method created by the authors. The evaluation method was used for the purpose of finding a framework suitable for signal processing when developing the software for a radar warning system. The result is that CRISP-DM is the most well-suited of the three frame- works. This because it originates from a business perspective, is distinct in how to use it and is easy to implement in an agile process like Scrum. / Maskininlärning är när en dator kan lära sig från data och dra egna slutsatser utan att specifikt vara programmerad att göra det. För att lyckas med att implementera maskininlärning på ett effektivt sätt så krävs det att man följer ett tydligt ramverk. Idag finns det många ramverk men inget som är lämpat för alla typer av maskininlärning. Denna rapport utvärderar tre valda ramverk: CRISP- DM, SEMMA och KDD. Detta med syftet att implementera maskininlärn-ing i signalbehandling. Studien utfördes på Saab AB i Järfälla. Det specifika problemområde inom signalbehandling som utvärderades i rapporten var radarvarningssys- tem. En hypotes är att de kan bli mer effektiva med maskininlärning. För att utvärdera de valda ramverken så studerades vad som krävdes av ett ramverk för det valda problemområdet. Utvärderingen skedde genom en teoretisk jämförelse där ingen implementation av de olika ramverken genomfördes. Ramverken utvärderades genom en utvärderingsmetod skapad av förfat-tarna. Utvärderingsmetoden användes med syftet att finna ett ramverk som var lämpligt för signalbehandling vid utveckling av mjukvara för ett radarvarningssystem. Resultatet var att CRISP-DM var den mest lämpade metoden. Detta för att den utgår från ett affärsperspektiv, har tydliga riktlinjer hur den ska användas och att den enkelt kan implementeras i agila processer såsom Scrum.

Data mining can be defined as the extraction of implicit, previously un-known, and potentially useful information from data. Numerous re-searchers have been developing security technology and exploring new methods to detect cyber-attacks with the DARPA 1998 dataset for Intrusion Detection and the modified versions of this dataset KDDCup99 and NSL-KDD, but until now no one have examined the performance of the Top 10 data mining algorithms selected by experts in data mining. The compared classification learning algorithms in this thesis are: C4.5, CART, k-NN and Naïve Bayes. The performance of these algorithms are compared with accuracy, error rate and average cost on modified versions of NSL-KDD train and test dataset where the instances are classified into normal and four cyber-attack categories: DoS, Probing, R2L and U2R. Additionally the most important features to detect cyber-attacks in all categories and in each category are evaluated with Weka’s Attribute Evaluator and ranked according to Information Gain. The results show that the classification algorithm with best performance on the dataset is the k-NN algorithm. The most important features to detect cyber-attacks are basic features such as the number of seconds of a network connection, the protocol used for the connection, the network service used, normal or error status of the connection and the number of data bytes sent. The most important features to detect DoS, Probing and R2L attacks are basic features and the least important features are content features. Unlike U2R attacks, where the content features are the most important features to detect attacks.

Os sistemas de aplicações científicas e comerciais geram, cada vez mais, imensas quantidades de dados os quais dificilmente podem ser analisados sem que sejam usados técnicas e ferramentas adequadas de análise. Além disso, muitas destas aplicações são voltadas para Internet, ou seja, possuem seus dados distribuídos, o que dificulta ainda mais a realização de tarefas como a coleta de dados. A área de Extração de Conhecimento de Base de Dados diz respeito às técnicas e ferramentas usadas para descobrir automaticamente conhecimento embutido nos dados. Num ambiente de rede de computadores, é mais complicado realizar algumas das etapas do processo de KDD, como a coleta e processamento de dados. Dessa forma, pode ser feita a utilização de novas tecnologias na tentativa de auxiliar a execução do processo de descoberta de conhecimento. Os agentes de software são programas de computadores com propriedades, como, autonomia, reatividade e mobilidade, que podem ser utilizados para esta finalidade. Neste sentido, o objetivo deste trabalho é apresentar a proposta de um sistema multi-agente, chamado Minador, para auxiliar na execução e gerenciamento do processo de Extração de Conhecimento de Base de Dados. / Nowadays, commercial and scientific application systems generate huge amounts of data that cannot be easily analyzed without the use of appropriate tools and techniques. A great number of these applications are also based on the Internet which makes it even more difficult to collect data, for instance. The field of Computer Science called Knowledge Discovery in Databases deals with issues of the use and creation of the tools and techniques that allow for the automatic discovery of knowledge from data. Applying these techniques in an Internet environment can be particulary difficult. Thus, new techniques need to be used in order to aid the knowledge discovery process. Software agents are computer programs with properties such as autonomy, reactivity and mobility that can be used in this way. In this context, this work has the main goal of presenting the proposal of a multiagent system, called Minador, aimed at supporting the execution and management of the Knowledge Discovery in Databases process.

Submitted by admin tede (tede@pucgoias.edu.br) on 2018-02-15T18:00:36Z No. of bitstreams: 1 SANTIAGO MEIRELES ROCHA.pdf: 972185 bytes, checksum: afac5e4d20639e20e3c5eed384124a70 (MD5) / Made available in DSpace on 2018-02-15T18:00:36Z (GMT). No. of bitstreams: 1 SANTIAGO MEIRELES ROCHA.pdf: 972185 bytes, checksum: afac5e4d20639e20e3c5eed384124a70 (MD5) Previous issue date: 2017-08-18 / With the exponential increase in the volume of data stored and the high potential for hidden knowledge in these data that can aid in the strategies and decision making of organizations, much has been invested in information technology and telecommunication. The purpose of this dissertation was to apply the Knowledge Discovery in Database (DCBD) process in order to classify the taxpayers of SEFAZ-GO ICMS in High Eviction and Low Eviction, through the task of data mining Supervised Classification, Implemented by the algorithm J48, on the WEKA computing platform. Three experiments were carried out with a sample of ICMS taxpayers data from the wholesale sector of the city of Goiânia-GO, with attributes selected from the Tax Code of the State of Goiás. During the experiments, the AttributeSelection and Discretize algorithms were applied. Reduction of attributes and transformation of the continuous variables into discrete ones, respectively. The statistical indices Confusion Matrix and Kappa Coefficient were used as validation metrics of the proposed model. After each experiment, classification rules were extracted, thus forming the proposed predictive model of classification. In the best scenario, a correct classification rate of 84% accuracy was obtained. Data mining is a reality within many organizations and can be a strong ally in fulfilling the, trivial, task of knowledge discovery in corporate databases. / Com o aumento exponencial do volume de dados armazenados e o alto potencial de conhecimento oculto nesses dados que pode auxiliar nas estratégias e nas tomadas de decisão das organizações, muito vem se investido em tecnologia da informação e telecomunicação. A presente dissertação teve como objetivo aplicar o processo de Descoberta do Conhecimento em Base de Dados (DCBD) a fim de classificar os contribuintes de ICMS da SEFAZ-GO em Alto Sonegador e Baixo Sonegador, por meio da tarefa de mineração de dados Classificação Supervisionada, implementada pelo algoritmo J48, na plataforma computacional WEKA. Foram realizados 3 experimentos com uma amostra de dados de contribuintes de ICMS do setor atacadista do município de Goiânia-GO, com atributos selecionados a partir do Código do Tributário do Estado de Goiás. Durante os experimentos foram aplicados os algoritmos AttributeSelection e Discretize, para a redução de atributos e transformação das variáveis contínuas em discretas, respectivamente. Os índices estatísticos Matriz de Confusão e Coeficiente de Kappa foram utilizados como métricas de validação do modelo proposto. Após cada experimento, regras de classificação foram extraídas formando assim o modelo preditivo proposto de classificação. Obteve-se, no melhor cenário, uma taxa de classificação correta de 84% de acerto. A mineração de dados é uma realidade dentro de muitas organizações e pode ser uma forte aliada no cumprimento da, nada trivial, tarefa de descoberta de conhecimento nas bases de dados corporativas.

Para llevar a cabo en forma sistemática el proceso de descubrimiento de conocimiento en bases de datos, conocido como minería de datos, es necesaria la implementación de una metodología. Actualmente las metodologías para minería de datos se encuentran en etapas tempranas de madurez, aunque algunas como CRISP-DM ya están siendo utilizadas exitosamente por los equipos de trabajo para la gestión de sus proyectos. En este trabajo se establece un análisis comparativo entre las metodologías de minería de datos más difundidas en la actualidad. Para lograr dicha tarea, y como aporte de esta tesis, se ha propuesto un marco comparativo que explicita las características que se deberían tener en cuenta al momento de efectuar esta confrontación.

<p>Recurrent neural networks have been used for time-series prediction with good results. In this dissertation recurrent neural networks are compared with time-delayed feed forward networks, feed forward networks and linear regression models on a prediction task. The data used in all experiments is real-world sales data containing two kinds of segments: campaign segments and non-campaign segments. The task is to make predictions of sales under campaigns. It is evaluated if more accurate predictions can be made when only using the campaign segments of the data.</p><p>Throughout the entire project a knowledge discovery process, identified in the literature has been used to give a structured work-process. The results show that the recurrent network is not better than the other evaluated algorithms, in fact, the time-delayed feed forward neural network showed to give the best predictions. The results also show that more accurate predictions could be made when only using information from campaign segments.</p>

Com o aumento na disponibilidade e considerável redução de custo das tecnologias que permitem a obtenção de dados de objetos móveis, torna-se abundante a oferta de dados de trajetórias. O estudo dessas trajetórias tem por objetivo permitir uma melhor compreensão dos dados, bem como a extração de novo conhecimento utilizando técnicas computacionais. Um tipo de estudo que pode ser realizado é a análise do comportamento das trajetórias de objetos móveis. O foco do estudo de padrões comportamentais em trajetórias tem sido a busca por padrões de aglomeração ou semelhança no deslocamento de entidades no espaço ou espaço-tempo. Este trabalho propõe a formalização de um novo padrão comportamental que indique quando um objeto móvel está evitando determinadas regiões espaciais. Este padrão foi denominado avoidance. A identificação e o estudo de tal comportamento pode ser de interesse de diversas áreas tais como segurança, jogos eletrônicos, comportamento social, entre outros. Inicialmente, este trabalho apresenta uma heurística com base nas observações das ocorrências do evento avoidance. A partir daí, são definidas as formalizações deste novo padrão. É apresentado, também, um algoritmo para identificar automaticamente o padrão comportamental avoidance em trajetórias de objetos móveis. Para avaliar a eficácia deste algoritmo, ao final desta dissertação são apresentados resultados de experimentos realizados em trajetórias coletadas por pedestres e por veículos em diversos locais da cidade de Porto Alegre e Xangri-lá. / With the increasing availability and considerable price reduction of technologies that allow the collection of moving object data, the offering of trajectory data becomes abundant. The study of these trajectories has the objective to allow a better understanding of the data, as well as the extraction of new knowledge using computational techniques. One of the possible studies is the analysis of the behavior of moving objects. The study on behavior patterns in trajectories has focused on agglomeration and similarity of entities moving in space or space and time. This work proposes the formalization of a new behavior pattern that indicates when a moving object is avoiding some determined spatial region, here called avoidance. The study and identification of this behavior may be of interest in many application areas, like security, electronic games, social behavior, and so on. Initially, this work presents an heuristic based on the observations of avoidance events, and based on this heuristic we define the formalization of this new kind of trajectory behavior pattern. This work also presents an algorithm to automatically identify this behavior in trajectories of moving objects. To evaluate the effectiveness of this algorithm, experiments were performed on trajectory datasets, collected by pedestrians in a park, and by vehicles at several places in the cities of Porto Alegre and Xangri-lá.

Com o aumento na disponibilidade e considerável redução de custo das tecnologias que permitem a obtenção de dados de objetos móveis, torna-se abundante a oferta de dados de trajetórias. O estudo dessas trajetórias tem por objetivo permitir uma melhor compreensão dos dados, bem como a extração de novo conhecimento utilizando técnicas computacionais. Um tipo de estudo que pode ser realizado é a análise do comportamento das trajetórias de objetos móveis. O foco do estudo de padrões comportamentais em trajetórias tem sido a busca por padrões de aglomeração ou semelhança no deslocamento de entidades no espaço ou espaço-tempo. Este trabalho propõe a formalização de um novo padrão comportamental que indique quando um objeto móvel está evitando determinadas regiões espaciais. Este padrão foi denominado avoidance. A identificação e o estudo de tal comportamento pode ser de interesse de diversas áreas tais como segurança, jogos eletrônicos, comportamento social, entre outros. Inicialmente, este trabalho apresenta uma heurística com base nas observações das ocorrências do evento avoidance. A partir daí, são definidas as formalizações deste novo padrão. É apresentado, também, um algoritmo para identificar automaticamente o padrão comportamental avoidance em trajetórias de objetos móveis. Para avaliar a eficácia deste algoritmo, ao final desta dissertação são apresentados resultados de experimentos realizados em trajetórias coletadas por pedestres e por veículos em diversos locais da cidade de Porto Alegre e Xangri-lá. / With the increasing availability and considerable price reduction of technologies that allow the collection of moving object data, the offering of trajectory data becomes abundant. The study of these trajectories has the objective to allow a better understanding of the data, as well as the extraction of new knowledge using computational techniques. One of the possible studies is the analysis of the behavior of moving objects. The study on behavior patterns in trajectories has focused on agglomeration and similarity of entities moving in space or space and time. This work proposes the formalization of a new behavior pattern that indicates when a moving object is avoiding some determined spatial region, here called avoidance. The study and identification of this behavior may be of interest in many application areas, like security, electronic games, social behavior, and so on. Initially, this work presents an heuristic based on the observations of avoidance events, and based on this heuristic we define the formalization of this new kind of trajectory behavior pattern. This work also presents an algorithm to automatically identify this behavior in trajectories of moving objects. To evaluate the effectiveness of this algorithm, experiments were performed on trajectory datasets, collected by pedestrians in a park, and by vehicles at several places in the cities of Porto Alegre and Xangri-lá.