O presente trabalho tem como objetivo principal a classificação do risco de infestação por regiões de culturas vegetais por plantas daninhas. Os riscos por regiões são obtidos por um sistema de classificação fuzzy, usando métodos de Krigagem e análise de imagens. A infestação é descrita por atributos da cobertura foliar, densidade de sementes, extensão dos agrupamentos de sementes e competitividade, obtidos a partir das amostras de densidades de sementes e de plantas daninhas, da cobertura foliar e da biomassa de plantas daninhas. O atributo da cobertura foliar indica a porcentagem de ocupação das plantas emergentes e é obtido a partir de um mapa de cobertura foliar, construído usando Krigagem. O atributo da densidade de sementes caracteriza a localização das sementes que podem germinar e é obtido a partir de um mapa da distribuição da produção de sementes das plantas daninhas, também construído usando Krigagem. O atributo da extensão dos agrupamentos de sementes reflete a influência das sementes vizinhas em uma certa localização e também é obtido a partir do mapa de distribuição da produção de sementes. O atributo da competitividade entre plantas daninhas e cultura é obtido a partir de um sistema neurofuzzy, utilizando amostras de densidade e de biomassa das plantas daninhas. Para reunir os riscos de infestação semelhantes, os valores de risco inferidos por região pelo sistema fuzzy são agrupados considerando valores e localizações próximas utilizando o método k-médias com coeficiente de variação. Uma abordagem probabilística com redes de classificação Bayesianas é também empregada para a obtenção de um conjunto de regras linguísticas para classificar a competitividade e o risco de infestação, por motivo de comparação. Resultados para o risco de infestação são obtidos para uma área experimental em uma cultura de milho indicando a existência de riscos diferenciados que são explicados pela perda de rendimento da cultura. / The goal of this work is the classification of the risk of infestation per regions of a crop by weeds. The risks per regions are obtained by a fuzzy classification system, using kriging and image analysis. The infestation is described by attributes of the weed coverage, weed seed density, weed seed patches and competitiveness, obtained from weed seeds and weed densities, weed coverage and biomass. The attribute of the weed coverage indicates the percentage of infested surface of the emergent weeds which is obtained from a weed coverage map built with kriging. The attribute of the weed seed density is obtained from a weed seed production map also built with kriging which characterizes the locations of seeds which can germinate. The attribute of the weed seed patches is also obtained by the weed seed production map which reflects how the seeds contribute to weed proliferation in the surroundings. The attribute of the competitiveness among weeds and crop is obtained from a neurofuzzy system, using the weeds density and biomass of the plants. In order to aggregate the similar risks of infestation, the values of risks per region inferred by the fuzzy system are clustered according to similar values and locations using the k-means method with a variation coefficient. A probabilistic approach with Bayesian networks classifiers is also considered to obtain a set of linguistic rules to classify the competitiveness and the risk of infestation, for comparison purposes. Results for the risk of infestation are obtained for an experimental area in a corn crop which indicate the existence of different risks, explained by the yield loss of the crop.

Recentemente, na indústria naval, a normatização por sociedades classificadoras e pela IMO (International Maritime Organization) tem apresentado uma mudança paulatina, migrando dos procedimentos prescritivos para uma estrutura regulatória baseada em risco. Tal perspectiva oferece algumas vantagens para operadores e armadores (empresas que exploram comercialmente as embarcações): 1) maior capacidade de incorporar projetos inovadores, tecnicamente superiores, a custos aceitáveis; 2) maior confiança quanto à segurança; 3) melhor entendimento de eventos de periculosidade, dos riscos enfrentados em novos projetos e de medidas de mitigação. Especificamente no setor petrolífero, a análise, a avaliação e o gerenciamento de risco são vitais, em face da potencial gravidade dos acidentes no que diz respeito à vida humana, ao meio-ambiente e ao patrimônio. Dado que a maior parte dos acidentes nesta área são motivados por fatores humanos, o propósito deste trabalho é apresentar uma metodologia e técnicas eficientes de análise de confiabilidade humana aplicáveis a esta indústria. Durante as últimas décadas, se desenvolveram várias técnicas para o estudo quantitativo da confiabilidade humana. Na década de oitenta foram desenvolvidas técnicas que modelam o sistema por meio de árvores binárias, não permitindo a representação do contexto em que as ações humanas ocorrem. Desta forma, a representação dos indivíduos, suas inter-relações e a dinâmica do sistema não podem ser bem trabalhadas pela aplicação destas técnicas. Estas questões tornaram latente a necessidade de aprimoramento dos métodos utilizados para a HRA (Human Reliability Analysis). No intuito de extinguir, ou ao menos atenuar, estas limitações alguns autores vêm propondo a modelagem do sistema por meio de Redes Bayesianas. Espera-se que a aplicação desta ferramenta consiga suprimir boa parte das deficiências na modelagem da ação humana com o uso de árvores binárias. Este trabalho apresenta uma breve descrição da aplicação de Redes Bayesianas na HRA. Além disto, apresenta a aplicação desta técnica no estudo da operação de um navio petroleiro, tendo como foco a quantificação da contribuição do fator humano em cenários de colisão. Por fim, são feitas considerações a respeito dos fatores que podem influenciar no desempenho humano e no risco de colisão. / Recently, in the naval industry, the normalization of classification societies and IMO (International Maritime Organization) has presented a gradual change, going from prescriptive procedures to a regulatory structure based on risk. That perspective offers some advantages to operators and constructors: 1) greater capacity to incorporate innovations in design, technically superiors, at acceptable cost; 2) greater confidence as to security; 3) better understanding of hazardous events, the risks faced by new projects and measures of mitigation. Specifically in the oil sector, the analyze, evaluation, and management of risk are vital, in face of the accidents severity potential in respect to human life, environment and property. Given that the greater part of the accidents on this sector is caused by human factors, the purpose of this dissertation is present a methodology and efficient techniques to HRA (Human Reliability Analysis) that can be applied in this industry. During the last decades many techniques were developed to a quantitative study of the human reliability. In the eighties were developed some techniques based in the modeling by means of binaries trees. These techniques do not consider the representation of the context in which the human actions occur. Thus, the representation of individuals, their inter-relationships and dynamics of the system cannot be better worked by the application of these techniques. These issues became the improvement of the used methods for HRA a latent need. With the aim of extinguish, or attenuate at least, these weaknesses some authors proposed the modeling of the human system by means of Bayesians Network. It is expected that with the application of this tool can be suppressed great part of the deficiencies of the human action modeling by means of binaries trees. This work presents a brief description about the application of Bayesians Network in HRA. Additionally, is presented the application of this technique in the study of an oil tanker operation, focusing in the human factor quantification in scenarios of collision. Besides, are presented some considerations about the factors that can influence the human performance and the collision risk.

Este trabalho propõe um modelo probabilístico de conhecimento e raciocínio para um agente, denominado Agente Social, cujo principal objetivo é analisar o perfil dos alunos, usuários de um Sistema Tutor Inteligente chamado AMPLIA, e compor grupos de trabalho. Para formar estes grupos, o Agente Social considera aspectos individuais do aluno e estratégias de formação de grupos. A aprendizagem colaborativa envolve relações sociais cujos processos são complexos e apresentam dificuldade para sua modelagem computacional. A fim de representar alguns elementos deste processo e de seus participantes, devem ser considerados aspectos individuais, tais como estado afetivo, questões psicológicas e cognição. Também devem ser considerados aspectos sociais, tais como a habilidade social, a aceitação e a forma em que as pessoas se relacionam e compõem seus grupos de trabalho ou estudo. Sistemas Tutores Inteligentes, Sistemas Multiagente e Computação Afetiva são áreas de pesquisa que vem sendo investigadas de forma a oferecer alternativas para representar e tratar computacionalmente alguns destes aspectos multidisciplinares que acompanham a aprendizagem individual e colaborativa. O Agente Social está inserido na sociedade de agentes do portal PortEdu que, por sua vez, fornece serviços ao ambiente de aprendizagem AMPLIA O PortEdu é um portal que provê serviços para os ambientes educacionais integrados a ele. Este portal foi modelado em uma abordagem multiagente e cada serviço oferecido é implementado por um agente específico. Os ambientes educacionais que utilizam os serviços do portal também são sociedades de agentes e, em geral, Sistemas Tutores Inteligentes. O ambiente AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) foi projetado para suportar o treinamento do raciocínio diagnóstico e modelagem de domínios de conhecimento incerto e complexo, como a área médica. Este ambiente usa a abordagem de Redes Bayesianas onde os alunos constróem suas próprias redes para um problema apresentado pelo sistema através de um editor gráfico de Redes Bayesianas. Neste trabalho, o editor do AMPLIA foi adaptado para uma versão colaborativa, que permite a construção das redes por vários alunos remotos conectados ao sistema. É através deste editor que o Agente Social observa e interage com os alunos sugerindo a composição dos grupos. Foram realizados experimentos práticos acompanhados por instrumentos de avaliação, com o objetivo de analisar a composição de grupos sugerida pelo Agente Social e relacioná-la com os grupos formados espontaneamente pelos alunos no ambiente de sala de aula. O resultado do trabalho individual e dos grupos também foi analisado e discutido nesta pesquisa. / This research proposes a probabilistic knowledge and reasoning model for an agent, named Social Agent, whose main goal is to analyze students' profiles and to organize them in workgroups. These students are users of an Intelligent Tutoring System named AMPLIA. In order to suggest those groups, the Social Agent considers individual aspects of the students and also strategies for group formation. Collaborative learning involves social relationships with complex processes which are difficult to model computationally. In order to represent these relationships, we should consider several aspects of the student, such as affective state, psychological issues, and cognition. We should also consider social aspects such as social ability, social acceptance and how people relate to each other, and how they compose their workgroups. Intelligent Tutoring Systems, Multiagent Systems and Affective Computing are research areas which our research group have been investigating, in order to represent and to deal computationally with multidisciplinary issues involving individual and collaborative learning. The Social Agent is part of an agent society of the PortEdu Portal, which provides services to AMPLIA. PortEdu is an educational portal which provides facilities to educational environments integrated to it. This portal has been modeled using a multiagent approach and each of its services is represented by a specific agent. The educational environments that make use of the portal's services are also agent societies and, in general, Intelligent Tutoring Systems. AMPLIA (Probabilistic Multiagent Learning Environment) has been designed in order to support diagnostic reasoning and the modeling of diagnostic hypotheses in domains with complex and uncertain knowledge, such as the medical domain. This environment uses a Bayesian Networks approach in which students build their own networks for a clinical case through a Bayesian Network graphical editor. Here, the AMPLIA editor has been adapted and extended to a collaborative version, which enables the network construction for remote students connected to the system. Through this editor, the Social Agent observes and interacts with students, suggesting the composition of workgroups. Practical experiments using assessment tools have been carried out, in order to analyze the workgroups suggested by the Social Agent and to compare them with groups naturally composed by students in the classroom. The results of the work done by individual students and by workgroups were also analyzed and discussed in this research.

O raciocínio realizado em agentes BDI envolve essencialmente manipular três estruturas de dados representando suas crenças, desejos e intenções. Crenças de agentes BDI tradicionais não representam incerteza, e podem ser expressas como um conjunto fechado de literais ground. As restrições que indicam se um dado desejo é viável e pode ser adotado como uma intenção em agentes BDI tradicionais podem ser representadas como expressões lógicas sobre crenças. Dado que Redes Bayesianas permitem que representem-se informações com incerteza probabilisticamente, agentes BDI bayesianos as empregam para suportar incerteza em suas crenças. Em agentes BDI bayesianos, crenças representadas em Redes Bayesianas referem-se a estados de variáveis de eventos, possuindo probabilidades dinâmicas individuais que referem-se à incerteza. Os processos the constituem o raciocínio neste modelo de agente requerem mudanças a fim de acomodar esta diferença. Dentre estes processos, este trabalho concentra-se especificamente na seleção de desejos. Uma estratégia prévia para seleção de desejos é baseada em aplicar um limiar a probabilidades de crenças. Entretanto, tal abordagem impede que um agente selecione desejos condicionados em crenças cujas probabilidades estejam abaixo de um certo limiar, mesmo que tais desejos pudessem ser atingidos caso fossem selecionados. Para lidar com esta limitação, desenvolvemos três abordagens alternativas para seleção de desejos sob incerteza: Ranking Probabilístico, Loteria Viciada e Seleção Multidesejos Aleatória com Viés. Probability Ranking seleciona um desejo usando uma lista de desejos ordenados em ordem decrescente de probabilidade de pré-condição. Loteria Viciada seleciona um desejo usando um valor numérico aleatório e intervalos numéricos – associados a desejos – proporcionais às probabilidades de suas pré-condições. Seleção Multidesejos Aleatória com Viés seleciona múltiplos desejos usando valores numéricos aleatórios e considerando as probabilidades de suas pré-condições. Apresentamos exemplos, incluindo o agente Vigia, assim como experimentos envolvendo este, para mostrar como essas abordagens permitem que um agente às vezes selecione desejos cujas crenças pré-condições possuem probabilidades muito baixas. / The reasoning performed in BDI agents essentially involves manipulating three data structures representing their beliefs, desires and intentions. Traditional BDI agents’ beliefs do not represent uncertainty, and may be expressed as a closed set of ground literals. The constraints that indicate whether a given desire is viable and passive to be adopted as an intention in traditional BDI agents may be represented as logical expressions over beliefs. Given that Bayesian Networks allow one to represent uncertain information probabilistically, Bayesian BDI agents employ Bayesian Networks to support uncertainty in their beliefs. In Bayesian BDI agents, beliefs represented in Bayesian Networks refer to states of event variables, holding individual dynamic probabilities that account for the uncertainty. The processes that constitute reasoning in this agent model require changes in order to accomodate this difference. Among these processes, this work is specifically concerned with desire selection. A previous strategy for desire selection is based on applying a threshold on belief probabilities. However, such an approach precludes an agent from selecting desires conditioned on beliefs with probabilities below a certain threshold, even if those desires could be achieved if they were selected. To address this limitation, we develop three alternative approaches to desire selection under uncertainty: Probability Ranking, Biased Lottery and Multi-Desire Biased Random Selection. Probability Ranking selects a desire using a list of desires sorted in decreasing order of precondition probability. Biased Lottery selects a desire using one random numeric value and desire-associated numeric intervals proportional to the probabilities of the desires’ preconditions. Multi-Desire Biased Random Selection selects multiple desires using random numeric values and considering the probabilities of their preconditions. We present examples, including theWatchman agent, as well as experiments involving the latter, to show how these approaches allow an agent to sometimes select desires whose belief preconditions have very low probabilities.

Redes probabilísticas são modelos muito versáteis, com aplicabilidade crescente em diversas áreas. Esses modelos são capazes de estruturar e mensurar a interação entre variáveis, permitindo que sejam realizados vários tipos de análises, desde diagnósticos de causas para algum fenômeno até previsões sobre algum evento, além de permitirem a construção de modelos de tomadas de decisões automatizadas. Neste trabalho são apresentadas as etapas para a construção dessas redes e alguns métodos usados para tal, dando maior ênfase para as chamadas redes bayesianas, uma subclasse de modelos de redes probabilísticas. A modelagem de uma rede bayesiana pode ser dividida em três etapas: seleção de variáveis, construção da estrutura da rede e estimação de probabilidades. A etapa de seleção de variáveis é usualmente feita com base nos conhecimentos subjetivos sobre o assunto estudado. A construção da estrutura pode ser realizada manualmente, levando em conta relações de causalidade entre as variáveis selecionadas, ou semi-automaticamente, através do uso de algoritmos. A última etapa, de estimação de probabilidades, pode ser feita seguindo duas abordagens principais: uma frequentista, em que os parâmetros são considerados fixos, e outra bayesiana, na qual os parâmetros são tratados como variáveis aleatórias. Além da teoria contida no trabalho, mostrando as relações entre a teoria de grafos e a construção probabilística das redes, também são apresentadas algumas aplicações desses modelos, dando destaque a problemas nas áreas de marketing e finanças. / Probabilistic networks are very versatile models, with growing applicability in many areas. These models are capable of structuring and measuring the interaction among variables, making possible various types of analyses, such as diagnoses of causes for a phenomenon and predictions about some event, besides allowing the construction of automated decision-making models. This work presents the necessary steps to construct those networks and methods used to doing so, emphasizing the so called Bayesian networks, a subclass of probabilistic networks. The Bayesian network modeling is divided in three steps: variables selection, structure learning and estimation of probabilities. The variables selection step is usually based on subjective knowledge about the studied topic. The structure learning can be performed manually, taking into account the causal relations among variables, or semi-automatically, through the use of algorithms. The last step, of probabilities estimation, can be treated following two main approaches: by the frequentist approach, where parameters are considered fixed, and by the Bayesian approach, in which parameters are treated as random variables. Besides the theory contained in this work, showing the relations between graph theory and the construction of probabilistic networks, applications of these models are presented, highlighting problems in marketing and finance.

Made available in DSpace on 2016-03-15T19:37:32Z (GMT). No. of bitstreams: 1 Samuel Fontes Lima.pdf: 2071921 bytes, checksum: 2d66276b3ab526cbf68f0f727c2e1f3d (MD5) Previous issue date: 2010-08-18 / Nowadays, object oriented languages are among the most used ones. Recent studies with beginners have shown that the object oriented programming language (OOP) concepts are not so easy to learn. Students have difficulties not only in understanding those OOP concepts, but also in applying them to solving problems. Therefore, an Intelligent Tutoring System (ITS) is suggested in order to help in the learning process of these concepts. One of the most important challenge for ITS development is the individual treatment of student, which is mainly obtained by system adaptativity to the characteristics of each student. This adaptativity to student is a complex issue and the focus of several researches. It encloses several areas of personality such as: learning style, intelligence, previous knowledge, student background and emotions. Thus, the student model is extremely important because all individual information of student is in it. It is here where Artificial Intelligence (AI) techniques have been employed. This paper approaches the adaptativity issue of tutoring system to student knowledge through a student model based on Bayesian Network (BN). Taking into consideration that the student knowledge level is an inaccurate information, and even professors deal with this uncertainty, the Bayesian Networks (BNs), also known as Belief Network, have been chosen. They are considered proper for uncertain spheres for employing the probabilistic reasoning, which allows to identify a certain belief degree of student knowledge level. Therefore, the BNs have been employed in ITS in the inferences concerning student behavior as well as in the decision-making process concerning tutor actions. / Atualmente as linguagens orientadas a objeto encontram-se entre as mais utilizadas. Estudos recentes com alunos iniciantes demonstram que os conceitos de programação orientada a objetos (POO) não são tão fáceis de assimilar. Os estudantes encontram dificuldades não somente no entendimento dos conceitos de POO, mas também na aplicação deles na resolução de problemas. Diante disso, propõe-se o emprego de um Sistema Tutor Inteligente (STI) para auxiliar no processo de aprendizagem desses conceitos. Um dos principais desafios para o desenvolvimento de um STI é o tratamento individualizado do estudante, que é obtido principalmente por meio da adaptatividade do sistema às características de cada aprendiz. A adaptatividade ao aprendiz é uma questão complexa, foco de várias pesquisas, abrange várias características da personalidade: estilo de aprendizagem, inteligência, conhecimento anterior, histórico do aprendiz e as emoções. Dessa forma, o modelo do estudante é de fundamental importância, pois contém as informações individuais do aprendiz. É nesse ponto que as técnicas de Inteligência Artificial (IA) têm sido empregadas. Este trabalho aborda a questão da adaptatividade do sistema tutor ao conhecimento do estudante por meio de um modelo de aprendiz baseado em Rede Bayesiana. Considerando-se que o nível de conhecimento do aprendiz é uma informação imprecisa, e que até mesmo professores lidam com essa incerteza, optou-se pela utilização de Redes Bayesianas (RBs), também chamadas de Redes de Crença, que são consideradas adequadas para ambientes sob incerteza pois empregam o raciocínio probabilístico, o qual permite identicar um certo grau de crença sobre o nível de conhecimento do aprendiz. Devido a isso, RBs têm sido empregadas em STIs nas inferências sobre o comportamento do aprendiz e nas tomadas de decisões sobre as ações do tutor.

A segurança no tráfego de carros é um assunto em foco nos dias de hoje e, dentro dele, podem-se citar os sistemas de auxílio ao motorista que vêm sendo desenvolvidos com a finalidade de reduzir o grande número de fatalidades em acidentes de trânsito. Tais sistemas de auxílio buscam mitigar falhas humanas como falta de atenção e imprudência. Visto isso, o projeto SENA, desenvolvido pelo Laboratório de Robótica Móvel da Escola de Engenharia de São Carlos, busca contribuir com a evolução dessa assistência ao motorista. O presente trabalho realiza um estudo sobre uma técnica de inteligência artificial chamada de Redes Bayesianas. Essa técnica merece atenção em virtude de sua capacidade de tratar dados incertos em forma de probabilidades. A rede desenvolvida por esse trabalho utiliza, como dados de entrada, os classificadores em desenvolvimento no projeto SENA e tem como resposta um comportamento que o veículo deve executar, por um ser humano ou por um planejador de trajetórias. Em função da alta dimensionalidade do problema abordado, foram realizados dois experimentos em ambiente simulado de duas situações distintas. A primeira, um teste de frenagem próximo a um ponto de intersecção e a segunda, um cenário de entroncamento. Os testes feitos com a rede indicam que classificadores pouco discriminantes deixam o sistema mais propenso a erros e que erros na localização do ego-veículo afetam mais o sistema se comparado a erros na localização dos outros veículos. Os experimentos realizados mostram a necessidade de um sistema de tempo real e um hardware mais adequado para tratar as informações mais rapidamente / The safety of cars in traffic scenarios is being addressed on the past few years. One of its topics is the Advanced Driver-Assistance Systems which have been developed to reduce the fatality numbers of traffic accidents. These systems try to decrease human failures, such as imprudence and lack of attention while driving. For these reasons, the SENA project, in progress on the Mobile Robotics Laboratory at the Sao Carlos School of Engineering (EESC), aims to contribute for the evolution of these assistance systems. This work studies an artificial intelligence technique called Bayesian Networks. It deserves our attention due to its capability of handling uncertainties with probability distributions. The network developed in this Masters Thesis has, as input, the result of the classifiers used on SENA project and has, as output, a behavior which has to be performed by the vehicle with a driver or autonomously by the means of a path planner. Due to the high dimensionality of this issue, two different tests have been carried out. The first one was a braking experiment near a intersection point and the other one was a T-junction scenario. The tests made indicate that weak classifiers leaves the system more instable and error-prone and localization errors of the ego-vehicle have a stronger effect than just localization errors of other traffic participants. The experiments have shown that there is a necessity for a real-time system and a hardware more suitable to deal quickly with the information

Este trabalho teve como objetivo principal modelar a Rede de Regulação Gênica do organismo modelo Halobacterium salinarum NRC-1, estabelecendo interações entre as entidades da rede por intermédio de experimentos inéditos de interação física: ChIP- *, RIP-* e dRNA-seq. Em contraponto com as abordagens clássicas de construção de redes, que estimam interações através de medições de expressão gênica, este trabalho as estabeleceu exclusivamente de interações físicas, permitindo que a estrutura final seja uma representação mais fiel ao fenômeno físico de regulação gênica, baseando-se nos fundamentos da Biologia Sistêmica. Em vista da abundância de dados públicos de expressão gênica para o organismo e do objetivo primário, um objetivo secundário foi traçado: identificar, computacionalmente, genes de fato controlados pelas interações fornecidas pela nova rede. Para isso, a estrutura estabelecida foi transformada numa Rede Bayesiana, e a identificação de genes foi efetuada através da análise de suas Tabelas de Probabilidade Condicionais. Finalmente, como os resultados obtidos para o objetivo secundário foram desfavoráveis a utilização de Redes Bayesianas, os resultados efetivos deste trabalho foram a criação de uma nova Rede de Regulação Gênica para a H. salinarum e uma análise em torno da efetividade de Redes Bayesianas neste contexto. / The main goal of this work was modeling the gene regulatory network of the model organism Halobacterium salinarum NRC-1, establishing new interactions between networks entities through unpublished physical interaction experiments: ChIP-*, RIP-* e dRNA-seq. Instead of using classical approaches to build network structures that estimates interactions using gene expression data, this work established them exclusively from physical interactions. Therefore, the final structure is a more reliable representation of the physical phenomenon of gene expression, built using the principles of systems biology. Considering the amount of public available gene expression data and the primary goal, another objective was proposed: a computational analysis to detect genes actually controlled by the interactions of the new network. To achieve this goal the established network was transformed in a Bayesian network, detecting genes through the analysis of their conditional probability tables. Lastly, as the results of the secondary goal went against the use of Bayesian networks, the effective results of this thesis were the creation of a new genetic regulatory network for H. salinarum and an analysis around Bayesian networks in this context.

The increase in the number of deaths due to ground traffic accidents is a global problem. In such context, the development of new vehicular technologies is considered an alternative to improve road safety. Within the field of new vehicle technologies, it is possible to find driver assistance systems. These systems interact in an active or passive way with the driver, reducing their workload by presenting information about their surroundings, which may imply the safer direction of a land vehicle. Taking into account that one of the main reasons for road traffic fatalities in the world is the lane change in a road, hereby we created a cooperative driver assistance system for the lane change, arising from the combination of a kinematic model and a probabilistic graphical one. By combining these two models, we try to improve the response in the assistance of the system, given the direct dependence of the system with a human. Due to the latter, the response of such systems cannot be deterministic in nature. One of the motivations to use probabilistic graphical models is the flexibility of this machines learning technique in modeling the problem addressed in this thesis. In addition to this contribution of applying a specific probabilistic graphical model in our assistance system, other contributions can be found in this thesis, including the development of a Driving simulation platform with a reconfigurable structure. The ability to reconfigure the structure of the driving simulator platform was of great importance for the development and evaluation of the assistance system hereby proposed in each of its stages. In addition, the decision to model a cooperative approach in our assistance system is due to the great potential of the vehicular communications with respect to improving transport safety and efficiency. The moderate cost that is being projected in vehicular communications is another relevant fact. Finally, the description and application of our assistance system model can be considered as a possibility in the area for the development of an application that needs a close response to the reality, based on the uncertainties present in the problem under consideration. / O aumento no número de mortes por causa de acidentes de tráfego terrestre é um problema global. No âmbito dessa problemática, o desenvolvimento de novas tecnologias veiculares é considerado uma alternativa para melhorar a segurança viária. Dentro do domínio das novas tecnologias veiculares, é possível encontrar sistemas de assistência ao motorista. Esses sistemas interagem de maneira ativa ou passiva com o motorista, conseguindo reduzir sua carga de trabalho, apresentando informações de seu entorno, o que pode implicar uma direção mais segura de um veículo terrestre. Levando em consideração que um dos principais motivos de mortes por acidentes de tráfego terrestre no mundo é a mudança de faixa em uma pista, neste trabalho, realizamos a tarefa de criar um sistema cooperativo de assistência ao motorista para a mudança de faixa, a partir da combinação de um modelo cinemático e de um modelo gráfico probabilístico. Mediante a combinação destes dois modelos, procuramos melhorar a resposta na assistência por parte do sistema, dada a dependência direta que o sistema tem dos humanos. Por essa última razão, a resposta deste tipo de sistemas não pode ser determinística por natureza. Uma das motivações para utilizar os modelos gráficos probabilísticos é a flexibilidade da técnica de machine learning em modelar o problema abordado nesta tese. Além dessa contribuição de aplicar um modelo gráfico probabilístico específico em nosso sistema de assistência, outras contribuições podem ser encontradas nesta tese, incluindo o desenvolvimento de uma plataforma de simulação para a condução, com uma estrutura reconfigurável. A capacidade de poder reconfigurar a estrutura da plataforma de simulação foi de grande importância para o desenvolvimento e avaliação do sistema de assistência proposto nesta tese, em cada uma de suas etapas. Além disso, a decisão de modelar um enfoque cooperativo, em nosso sistema de assistência, se deve ao grande potencial que tem as comunicações veiculares com respeito à melhora da segurança e da eficiência do transporte. O custo moderado que está sendo projetado nas comunicações veiculares é outro fato relevante. A descrição e aplicação de nosso modelo final podem ser considerados mais uma possibilidade na área para o desenvolvimento de uma aplicação, que precise de uma resposta próxima da realidade, a partir das incertezas presentes no problema considerado.

A combinação de lógica e probabilidade (lógicas probabilísticas) tem sido um tópico bastante estudado nas últimas décadas. A maioria de propostas para estes formalismos pressupõem que tanto as sentenças lógicas como as probabilidades sejam especificadas por especialistas. Entretanto, a crescente disponibilidade de dados relacionais sugere o uso de técnicas de aprendizado de máquina para produzir sentenças lógicas e estimar probabilidades. Este trabalho apresenta contribuições em termos de representação de conhecimento e aprendizado. Primeiro, uma linguagem lógica probabilística de primeira ordem é proposta. Em seguida, três algoritmos de aprendizado de lógica de descrição probabilística crALC são apresentados: um algoritmo probabilístico com ênfase na indução de sentenças baseada em classificadores Noisy-OR; um algoritmo que foca na indução de inclusões probabilísticas (componente probabilístico de crALC); um algoritmo de natureza probabilística que induz sentenças lógicas ou inclusões probabilísticas. As propostas de aprendizado são avaliadas em termos de acurácia em duas tarefas: no aprendizado de lógicas de descrição e no aprendizado de terminologias probabilísticas em crALC. Adicionalmente, são discutidas aplicações destes algoritmos em processos de recuperação de informação: duas abordagens para extensão semântica de consultas na Web usando ontologias probabilísticas são discutidas. / The combination of logic and probabilities (probabilistic logics) is a topic that has been extensively explored in past decades. The majority of work in probabilistic logics assumes that both logical sentences and probabilities are specified by experts. As relational data is increasingly available, machine learning algorithms have been used to induce both logical sentences and probabilities. This work contributes in knowledge representation and learning. First, a rst-order probabilistic logic is proposed. Then, three algorithms for learning probabilistic description logic crALC are given: a probabilistic algorithm focused on learning logical sentences and based on Noisy-OR classiers; an algorithm that aims at learning probabilistic inclusions (probabilistic component of crALC) and; an algorithm that using a probabilistic setting, induces either logical sentences or probabilistic inclusions. Evaluation of these proposals has been performed in two situations: by measuring learning accuracy of both description logics and probabilistic terminologies. In addition, these learning algorithms have been applied to information retrieval processes: two approaches for semantic query extension through probabilistic ontologies are discussed.