Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2014. / Made available in DSpace on 2015-04-29T21:05:31Z (GMT). No. of bitstreams: 1 332933.pdf: 1263521 bytes, checksum: 85b797eb94206f44631d5e5ef75e4264 (MD5) Previous issue date: 2014 / A aprendizagem de estrutura de redes bayesianas (RB) a partir dos dados é considerada uma tarefa complexa, uma vez que o número de estruturas possíveis cresce exponencialmente de acordo com o número de variáveis. Existem dois métodos principais para esta tarefa de aprendizagem de estruturas de RB: o método de independência condicional, que busca uma estrutura consistente com os testes de independência realizados nos dados; o método de busca heurística, que explora o espaço de busca avaliando as possíveis estruturas por meio de algoritmos de busca. Além desses dois métodos, também são considerados os algoritmos híbridos, onde os dois métodos são aplicados na tarefa. A principal falha dessas abordagens tradicionais é que elas não conseguem identificar todas as relações existentes nos dados, sendo necessário investigar novas abordagem. Desta forma, esta pesquisa apresenta o desenvolvimento de uma métrica fuzzy de avaliação com um método de busca heurística para aprendizagem de estrutura de redes bayesianas, utilizando Monte Carlo via Cadeias de Markov. As diferentes métricas de avaliação de redes bayesianas utilizadas permitem identificar determinadas propriedades nas redes. Essas propriedades são determinadas em função da métrica aplicada. A combinação em uma métrica fuzzy possibilita avaliar diferentes propriedades simultaneamente. Os resultados deste trabalho foram avaliados no contexto de bases sintéticas por meio da comparação com outros algoritmos, convergência das cadeias de Markov e tempo de processamento. Os resultados evidenciam, apesar do tempo de processamento, que a métrica proposta, além de compatível com os algoritmos clássicos, melhorou o processo de avaliação de estruturas combinando diferentes métricas em uma métrica fuzzy.<br> / Abstract : Learning bayesian networks (BN) from data is considered a complex task, since the number of possible structures grows exponentially with the number of variables. There are two main approaches for learning BN: methods based on independence tests, seeking structures consistente with the tests performed on the data; methods based on heuristic search, exploring the search space with a search algorithm, evaluating the possible structures. Besides these two approaches, there are hybrid algorithms, where both methods are applied to the task. The main fault of these approaches is that they still fail to identify all existing relationships in the data, so it is necessary to investigate new approaches. This research presents the development of a fuzzy score metric in a heuristic search method for learning Bayesian network structures, in a Markov Chain Monte Carlo algorithm. Different score metrics used to learn BN structures identify certain properties in these networks. These properties are determined based on the score applied. The combination of these scores in a fuzzy metric enables the evaluation of different properties simultaneously. Results of this research were evaluated in the context of synthetic bases by comparing with other algorithms, convergence of Markov chains and processing time. The results show, despite the processing time, that the proposed metric is compatible with traditional algorithms, and improved the evaluation process of structures, combining different score metrics into a fuzzy metric.

Submitted by Marcio Filho (marcio.kleber@ufba.br) on 2016-05-31T16:44:21Z No. of bitstreams: 1 DissertaçãoMarceloFinal.pdf: 3898767 bytes, checksum: cfc831a26581e8997c0e83ac926b0492 (MD5) / Approved for entry into archive by Alda Lima da Silva (sivalda@ufba.br) on 2016-06-03T23:24:17Z (GMT) No. of bitstreams: 1 DissertaçãoMarceloFinal.pdf: 3898767 bytes, checksum: cfc831a26581e8997c0e83ac926b0492 (MD5) / Made available in DSpace on 2016-06-03T23:24:17Z (GMT). No. of bitstreams: 1 DissertaçãoMarceloFinal.pdf: 3898767 bytes, checksum: cfc831a26581e8997c0e83ac926b0492 (MD5) / O crescimento nas universidades brasileiras vem permitindo que vários alunos tenham acesso ao ensino superior, porém grande parte destes excedem o tempo médio para obtenção do grau. Ao ultrapassar este tempo médio, tanto a instituição quanto o aluno acumulam prejuízos financeiros. A fim de minimizar o número de alunos que ultrapassem esse tempo, universidades começaram a desenvolver pesquisas cujo o principal objetivo é analisar a retenção destes alunos. É nesse contexto que este trabalho se insere, especificamente na análise dos fatores de retenção através de redes bayesianas dos alunos do curso de Ciência da Computação da UFBA. A partir de inferências probabilísticas na rede bayesiana definida foi possível identificar probabilidades a respeito do sucesso ou o insucesso do aluno em disciplinas que tenham cursado em um dado semestre (1°, 2°,3°,...) em uma determinada tentativa (1°, 2°,3°,...), dado o seu sucesso ou insucesso em outras disciplinas. Através destas probabilidades, foi possível perceber qual o comportamento dos alunos no fluxo de disciplinas da grade curricular, possibilitando a conclusão de uma análise a respeito dos fatores que estão levando os alunos do curso de Ciência da Computação a não concluírem o seu curso no tempo médio para obtenção do grau.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Engenharia de Produção / Made available in DSpace on 2013-07-16T00:00:13Z (GMT). No. of bitstreams: 1 221278.pdf: 959648 bytes, checksum: e8781b069cd963b65c5282d510d67051 (MD5) / A tese apresenta o desenvolvimento de um Sistema de Ensino Inteligente (SEI) via Internet, especialmente estruturado para monitorar (mensurar) o desempenho do aluno no tempo e, simular o estilo de avaliação do professor responsável pelo conteúdo, para atender estas finalidades o sistema é alimentado por instruções (definições) do professor a respeito dos conteúdos (informações) a serem inseridos e apresentados. O modelo utilizado pelo sistema usa em conjunto redes probabilísticas (cadeia de Markov e rede de Bayes), apresentando uma estrutura independente do domínio (conteúdo a ser apresentado). A cadeia de Markov armazena o conhecimento do desempenho passado, mesmo que recente (do aluno), podendo pela sua forma acumulativa do conhecimento estimar a previsão futura de desempenho, enquanto a rede de Bayes, de posse de uma evidência (desempenho do aluno) coletada no presente, pode reavaliar evidências passadas ou até inferir possíveis desempenhos, em tarefas, que por ventura possam não ser acessadas ou

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Ciências Médicas, Florianópolis, 2012 / Made available in DSpace on 2013-07-16T04:40:49Z (GMT). No. of bitstreams: 1 313831.pdf: 1037237 bytes, checksum: 8ae86641f16c3767a3e681bb32ded615 (MD5) / Justificativa: Os distúrbios nutricionais que afetam crianças e adolescentes possuem componente multifatorial. Em um ambiente da rede de saúde coletiva, onde a demanda de atendimento nem sempre é comportada por médicos especialistas, sistemas que utilizam inteligência artificial podem vir a ser um mecanismo de suporte ao diagnóstico e tomada de decisão. Objetivos: O presente trabalho se propõe a validação de um sistema especialista aplicado ao suporte do diagnóstico médico de risco metabólico em crianças e adolescentes de 5 a 17 anos, e que utiliza como ferramenta computacional redes bayesianas. Métodos: Para validação do sistema foram coletados dados sociodemográficos, antropométricos, de atividade física e pressão arterial de 100 crianças e adolescentes com idades entre 5 e 17 anos. Esses dados foram inseridos no sistema especialista construído como informação para o sistema. Coletou-se 20 novos pacientes que foram avaliados por médicos especialistas que apresentaram o diagnóstico de cada um dos pacientes em relação ao risco metabólico. Os mesmos dados foram inseridos no sistema e utilizados para verificar a compatibilidade dos diagnósticos feitos pelos especialistas e pelo sistema. Resultados: O sistema mostrou um índice de acerto de 70% quando comparado com diagnóstico clínico Conclusão: O sistema especialista avaliado apresenta um bom valor preditivo, porém necessita de alguns ajustes e refinamentos para que possa ser implantado e de uma amostra maior de casos para que os testes finais sejam realizados.<br> / Abstract : Justification: The nutritional disorders affecting children and adolescents have a multifunctional component. In a public health network environment, where the demand for care is not always attended by medical specialists, systems that use that use artificial intelligence may become a mechanism to support the diagnosis and decision making. Objectives: The present study aims to validate an expert system applied to support a medical diagnosis of metabolic risk in children and adolescents 5-17 years of age, and as a computational tool that uses Bayesian networks. Methods: To validate the system were collected sociodemographic, anthropometric, physical activity and blood pressure of 100 children and adolescents aged 5 to 17 years. These data were enteres into the expert system built as information to the system. It was collected from 20 new patients that were evaluated by medical experts who had the diagnosis of each patient in relation to metabolic risk. The same data were entered into the system and used to check the consistency of diagnoses made by specialists and by the system. Results: The system showed a success rate of 70%, z score of 1.96. Conclusion: The expert system evaluated has a good predictive value, needing some adjustments and refinements so that it can be deployed and the final tests can be performed.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2012-10-20T17:33:37Z (GMT). No. of bitstreams: 1 233576.pdf: 306179 bytes, checksum: 82d5719fa606f267fd9e2a54c6dfaf18 (MD5) / O aprendizado automático em redes Bayesianas faz uso do Teorema de Bayes que é de grande importância para o cálculo de probabilidades. A teoria de probabilidade envolve métodos de propagação de crença e métodos para aprendizado destas redes, focando principalmente, o aprendizado através da inferência lógica, visto que o mesmo pode ser entendido como a base para analisar um conjunto de informações disponíveis e chegar a uma conclusão objetiva, expressa numericamente.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2012-10-20T05:48:57Z (GMT). No. of bitstreams: 0Bitstream added on 2014-09-26T02:29:05Z : No. of bitstreams: 1 187853.pdf: 5397801 bytes, checksum: 78a72d839e57706c7862f45796c99fb3 (MD5) / Esta dissertação investiga a possibilidade de criar um modelo híbrido de Rede Bayesiana e Lógica nebulosa mais eficiente que a Rede Bayesiana na investigação de fatores com mais chances de influenciar fenômenos sociais, utilizando como estudo de caso o fenômeno da reincidência de menores infratores. Nesta dissertação foi usada uma base de dados de 1053 casos oriundos da Fundação da Criança e do Adolescente do Estado do Pará entre os anos de 1997 a 2000. Foram feitas a descrição informal e a formalização matemática do problema do menor infrator seguida da implementação computacional do modelo proposto, bem como os testes e análise dos resultados. Estes resultados mostraram poder preditivo bem melhores do que aqueles obtidos com a técnica pura e simples de Rede Bayesiana, confirmando assim a aplicabilidade do modelo Bayesiano-Nebuloso para o caso proposto.

O presente trabalho emprega Redes Bayesianas para a previsão da rentabilidade de empresas. Define-se como rentabilidade superior as empresa que obtiveram retorno para os acionistas classificados acima de 81,5% em relação às demais. Adota-se a metodologia de seleção dos indicadores proposta por Sun e Shenoy (2007), que seleciona as variáveis explicativas segundo suas correlações com a variável classificadora. Obtêm-se, ao final, dois modelos sendo o primeiro com dois estados de classificação de empresas, superior e inferior; o segundo com três estados (superior mediano e inferior). Assim como Sun e Shenoy (2007), tenta-se validar o modelo Bayesiano com a regressão logística. Constata-se que não é possível afirmar que as média das taxas de sucesso dos dois modelos sejam diferentes ao se prever rentabilidade superior, entretanto a regressão tem melhor desempenho ao se prever rentabilidade baixa. A variável mais significativa tanto para o primeiro quanto para o segundo modelos foi a classificação atual da empresa, ou seja, empresas que figuram em um determinado ano no estado de rentabilidade superior são as mais propensas a repetir o resultado do que as demais. Os resultados apontam taxas de acerto que vão de 14,70% em 1999 (ano da crise cambial quando a rentabilidade média das empresas foi de 2,74%) a 52,94% em 1997 (ano cuja rentabilidade média foi de 11,76%) para o primeiro modelo e de 11,76 % (1999) a 56,60 % (2004, rentabilidade média de 10,76%) para o segundo modelo. Apesar dos modelos ainda não conseguirem alcançar uma estabilidade nas previsões os resultados são animadores quando se desenvolve a hipótese de utilidade para um possível investidor e a expectativa de retorno acumulado, ao longo dos dez anos, passa de 70,37%, que é a rentabilidade média acumulada do período, para 357,07% e 410,10 % para o primeiro e o segundo modelo respectivamente. / This work use the knowledge obtained from Bayesian networks studies of bankruptcy prediction and applied it for forecasting companies' profitability. Higher profitability is defined as the company that had returns for shareholders classified over 81.5% compared to the others. Adopting the methodology of selection of the explanatory variables proposed by Sun and SHENOY (2007) based on correlations among them with the classification variable. As a result it is obtained two models, the first one with two classification states for de classification variable, upper and low, and the second one with three states (upper, middle and low). As Sun and SHENOY (2007), the Bayesian model was compared with a logistic regression. It cannot be say that the average success rates of the two models are different for forecasting higher profitability; otherwise, for low profitability forecasts the regression model was superior. The most significant variable for both the first and for the second model was the previous company's return for the shareholders, i.e. companies that are in a given year in the state of upper profitability are more likely to repeat the resulting the next year. The results show success rates ranging from 14.70% in 1999 (year of the currency crisis when the average profitability of the companies was 2.74%) to 52.94% in 1997 (average return rate was 11.76 %) for the first model and from 11.76% (1999) to 56.60% (2004, average return rate was 10.76%) for the second model. Although the models still fail to achieve stability in the estimates the results are encouraging when developing the hypothesis of possible investor profitability when the expectation of return accumulated over the ten years, range from 70.37%, which is the average profitability accumulated in the period to 357.07% and 410.10% respectively for the first and second model.

Individualmente, as linhas de pesquisa da Inteligência Artificial têm proposto abordagens para a resolução de inúmeros problemas complexos do mundo real. O paradigma orientado a agentes provê os agentes autônomos, capazes de perceber os seus ambientes, reagir de acordo com diferentes circunstâncias e estabelecer interações sociais com outros agentes de software ou humanos. As redes Bayesianas fornecem uma maneira de representar graficamente as distribuições de probabilidades condicionais e permitem a realização de raciocínios probabilísticos baseados em evidências. As ontologias são especificações explícitas e formais de conceituações, que são usadas em uma variedade de áreas de pesquisa, incluindo os Sistemas Multiagentes. Contudo, existem aplicações cujos requisitos não podem ser atendidos por uma única tecnologia. Circunstâncias como estas exigem a integração de tecnologias desenvolvidas por distintas áreas da Ciência da Computação. Esta dissertação trata a integração do modelo de agentes BDI (Belief-Desire-Intention) e das redes Bayesianas. Além disso, é adotada uma abordagem baseada em ontologias para representar o conhecimento incerto dos agentes. O primeiro passo em direção a integração foi o desenvolvimento de uma ontologia para representar a estrutura das redes Bayesinas. Esta ontologia tem como principal objetivo permitir a interoperabilidade agentes compatíveis com a arquitetura proposta. No entanto, a ontologia também facilita o entendimento necessário para abstrair os estados mentais e processos cognitivos dos agentes através de elementos das redes Bayesianas. Uma vez construída a ontologia, a mesma foi integrada com a arquitetura BDI. Através da integração do modelo BDI com as redes Bayesianas foi obtida uma arquitetura cognitiva de agentes capaz de deliberar sob incerteza. O processo de integração foi composto de duas etapas: abstração dos estados mentais através de elementos das redes Bayesianas e especificação do processo deliberativo. Finalmente, foi desenvolvido um estudo de caso, que consistiu na aplicação da arquitetura proposta no Agente Social, um componente de um portal educacional multiagente (PortEdu). / Individually, Artificial Intelligence research areas have proposed approaches to solve several complex real-world problems. The agent-based paradigm provided autonomous agents, capable of perceiving their environment, reacting in accordance with different situations, and establishing social interactions with other software agents and humans. Bayesian networks provided a way to represent graphically the conditional probability distributions and an evidence-based probabilistic reasoning. Ontologies are an effort to develop formal and explicit specifications of concepts, which have been used by a wide range of research areas, including Multiagent Systems. However, there are applications whose requirements can not be addressed by a single technology. Circumstances like these demand the integration of technologies developed by distinct areas of Computer Science. This work is particularly concerned with the integration of Belief-Desire-Intention (BDI) agent architecture and Bayesian networks. Moreover, it is adopted an ontology-based approach to represent the agent’s uncertain knowledge. To bring together those technologies, it was developed an ontology to represent the structure of Bayesian networks knowledge representation. This ontology supports the interoperability among agents that comply with the proposed architecture, and it also facilitates the understanding necessary to abstract the agents’ mental states and cognitive processes through elements of Bayesian networks. Once specified the ontology, it was integrated with the BDI agent architecture. By integrating BDI architecture and Bayesian networks, it was obtained a cognitive agent architecture capable of reasoning under uncertainty. It was performed in two stages: abstraction of mental states through Bayesian networks and specification of the deliberative process. Finally, it was developed a case study, which consists in applying the probabilistic BDI architecture in the Social Agent, a component of a multiagent educational portal (PortEdu).

Individualmente, as linhas de pesquisa da Inteligência Artificial têm proposto abordagens para a resolução de inúmeros problemas complexos do mundo real. O paradigma orientado a agentes provê os agentes autônomos, capazes de perceber os seus ambientes, reagir de acordo com diferentes circunstâncias e estabelecer interações sociais com outros agentes de software ou humanos. As redes Bayesianas fornecem uma maneira de representar graficamente as distribuições de probabilidades condicionais e permitem a realização de raciocínios probabilísticos baseados em evidências. As ontologias são especificações explícitas e formais de conceituações, que são usadas em uma variedade de áreas de pesquisa, incluindo os Sistemas Multiagentes. Contudo, existem aplicações cujos requisitos não podem ser atendidos por uma única tecnologia. Circunstâncias como estas exigem a integração de tecnologias desenvolvidas por distintas áreas da Ciência da Computação. Esta dissertação trata a integração do modelo de agentes BDI (Belief-Desire-Intention) e das redes Bayesianas. Além disso, é adotada uma abordagem baseada em ontologias para representar o conhecimento incerto dos agentes. O primeiro passo em direção a integração foi o desenvolvimento de uma ontologia para representar a estrutura das redes Bayesinas. Esta ontologia tem como principal objetivo permitir a interoperabilidade agentes compatíveis com a arquitetura proposta. No entanto, a ontologia também facilita o entendimento necessário para abstrair os estados mentais e processos cognitivos dos agentes através de elementos das redes Bayesianas. Uma vez construída a ontologia, a mesma foi integrada com a arquitetura BDI. Através da integração do modelo BDI com as redes Bayesianas foi obtida uma arquitetura cognitiva de agentes capaz de deliberar sob incerteza. O processo de integração foi composto de duas etapas: abstração dos estados mentais através de elementos das redes Bayesianas e especificação do processo deliberativo. Finalmente, foi desenvolvido um estudo de caso, que consistiu na aplicação da arquitetura proposta no Agente Social, um componente de um portal educacional multiagente (PortEdu). / Individually, Artificial Intelligence research areas have proposed approaches to solve several complex real-world problems. The agent-based paradigm provided autonomous agents, capable of perceiving their environment, reacting in accordance with different situations, and establishing social interactions with other software agents and humans. Bayesian networks provided a way to represent graphically the conditional probability distributions and an evidence-based probabilistic reasoning. Ontologies are an effort to develop formal and explicit specifications of concepts, which have been used by a wide range of research areas, including Multiagent Systems. However, there are applications whose requirements can not be addressed by a single technology. Circumstances like these demand the integration of technologies developed by distinct areas of Computer Science. This work is particularly concerned with the integration of Belief-Desire-Intention (BDI) agent architecture and Bayesian networks. Moreover, it is adopted an ontology-based approach to represent the agent’s uncertain knowledge. To bring together those technologies, it was developed an ontology to represent the structure of Bayesian networks knowledge representation. This ontology supports the interoperability among agents that comply with the proposed architecture, and it also facilitates the understanding necessary to abstract the agents’ mental states and cognitive processes through elements of Bayesian networks. Once specified the ontology, it was integrated with the BDI agent architecture. By integrating BDI architecture and Bayesian networks, it was obtained a cognitive agent architecture capable of reasoning under uncertainty. It was performed in two stages: abstraction of mental states through Bayesian networks and specification of the deliberative process. Finally, it was developed a case study, which consists in applying the probabilistic BDI architecture in the Social Agent, a component of a multiagent educational portal (PortEdu).

O presente trabalho emprega Redes Bayesianas para a previsão da rentabilidade de empresas. Define-se como rentabilidade superior as empresa que obtiveram retorno para os acionistas classificados acima de 81,5% em relação às demais. Adota-se a metodologia de seleção dos indicadores proposta por Sun e Shenoy (2007), que seleciona as variáveis explicativas segundo suas correlações com a variável classificadora. Obtêm-se, ao final, dois modelos sendo o primeiro com dois estados de classificação de empresas, superior e inferior; o segundo com três estados (superior mediano e inferior). Assim como Sun e Shenoy (2007), tenta-se validar o modelo Bayesiano com a regressão logística. Constata-se que não é possível afirmar que as média das taxas de sucesso dos dois modelos sejam diferentes ao se prever rentabilidade superior, entretanto a regressão tem melhor desempenho ao se prever rentabilidade baixa. A variável mais significativa tanto para o primeiro quanto para o segundo modelos foi a classificação atual da empresa, ou seja, empresas que figuram em um determinado ano no estado de rentabilidade superior são as mais propensas a repetir o resultado do que as demais. Os resultados apontam taxas de acerto que vão de 14,70% em 1999 (ano da crise cambial quando a rentabilidade média das empresas foi de 2,74%) a 52,94% em 1997 (ano cuja rentabilidade média foi de 11,76%) para o primeiro modelo e de 11,76 % (1999) a 56,60 % (2004, rentabilidade média de 10,76%) para o segundo modelo. Apesar dos modelos ainda não conseguirem alcançar uma estabilidade nas previsões os resultados são animadores quando se desenvolve a hipótese de utilidade para um possível investidor e a expectativa de retorno acumulado, ao longo dos dez anos, passa de 70,37%, que é a rentabilidade média acumulada do período, para 357,07% e 410,10 % para o primeiro e o segundo modelo respectivamente. / This work use the knowledge obtained from Bayesian networks studies of bankruptcy prediction and applied it for forecasting companies' profitability. Higher profitability is defined as the company that had returns for shareholders classified over 81.5% compared to the others. Adopting the methodology of selection of the explanatory variables proposed by Sun and SHENOY (2007) based on correlations among them with the classification variable. As a result it is obtained two models, the first one with two classification states for de classification variable, upper and low, and the second one with three states (upper, middle and low). As Sun and SHENOY (2007), the Bayesian model was compared with a logistic regression. It cannot be say that the average success rates of the two models are different for forecasting higher profitability; otherwise, for low profitability forecasts the regression model was superior. The most significant variable for both the first and for the second model was the previous company's return for the shareholders, i.e. companies that are in a given year in the state of upper profitability are more likely to repeat the resulting the next year. The results show success rates ranging from 14.70% in 1999 (year of the currency crisis when the average profitability of the companies was 2.74%) to 52.94% in 1997 (average return rate was 11.76 %) for the first model and from 11.76% (1999) to 56.60% (2004, average return rate was 10.76%) for the second model. Although the models still fail to achieve stability in the estimates the results are encouraging when developing the hypothesis of possible investor profitability when the expectation of return accumulated over the ten years, range from 70.37%, which is the average profitability accumulated in the period to 357.07% and 410.10% respectively for the first and second model.