Submitted by Dilene Paulo (dilene.fatima@ufcg.edu.br) on 2018-03-13T11:25:01Z No. of bitstreams: 1 RAISSA MATIAS DA SILVA – DISSERTAÇÃO PPGCC 2016.pdf: 12305585 bytes, checksum: 2914208d83a82b120e393d5f5fe4c30f (MD5) / Made available in DSpace on 2018-03-13T11:25:01Z (GMT). No. of bitstreams: 1 RAISSA MATIAS DA SILVA – DISSERTAÇÃO PPGCC 2016.pdf: 12305585 bytes, checksum: 2914208d83a82b120e393d5f5fe4c30f (MD5) Previous issue date: 2016 / Um dos principais desafios na construção de uma Rede Bayesiana (RB) é definir as tabelas de probabilidade condicional dos nós (TPC). Para RB de larga escala, aprender TPC por meio da elicitação de domínio do conhecimento de um especialista é inviável. Trabalhos anteriores propuseram soluções para este problema usando o conceito de nós ranqueados, no entanto, eles têm capacidade limitada de modelagem ou precisam contar com especialistas em RB parar aplicá-los, reduzindo a sua aplicabilidade. Neste trabalho, são propostos e avaliados três métodos para resolução deste problema. O primeiro utiliza um sistema especialista baseado em regras de produção. O segundo método utiliza força bruta, buscando um conjunto de todas as combinações possíveis. O terceiro método utiliza um algoritmo genético para definição de TPC por especialistas sem conhecimento específico de nós ranqueados. Para avaliar as abordagens, foi executado um experimento que permitiuidentificar as vantagens e as desvantagens de cada método, dependendo do tempo deprocessamento, disponibilidade de memória e a quantidade denós pais da RB. Ao usaralguma das soluções apresentadas, um praticante pode definir com maior precisão as TPCsem entender o conceito de nós ranqueados. / One of the key challenges in constructing a Bayesian network (BN) is defining the node probability tables (NPT). For large-scale BN, learning NPT through domain experts knowledge elicitation is unfeasible. Previous works proposed solutions to this problem using the concept of ranked nodes; however, they have limited modeling capabilities or rely on BN experts to apply them, reducing their applicability. In this work, we propose and evaluate three methods to solve the problem. First, an expert system based on production rules. Second, a method using a brute-force algorithm to identify a set of possible combination. Finally, a method using genetic algorithm to define NPTs with no ranked nodes-specific knowledge. To validate this approach, it was executed an experiment with a BN already published in the literature. Results demonstrated the advantages and disadvantages of each method depending on time, memory availability and parents node quantity. By using one of the presented solution, a practitioner can accurately define NPTs without understanding the concept ofranked nodes.