Submitted by Automação e Estatística (sst@bczm.ufrn.br) on 2018-07-03T13:51:51Z
No. of bitstreams: 1
ElionaiMouraCordeiro_DISSERT.pdf: 5123400 bytes, checksum: 64cad460a8333cb5f9cc23b82a4e1c1d (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-07-10T14:53:20Z (GMT) No. of bitstreams: 1
ElionaiMouraCordeiro_DISSERT.pdf: 5123400 bytes, checksum: 64cad460a8333cb5f9cc23b82a4e1c1d (MD5) / Made available in DSpace on 2018-07-10T14:53:20Z (GMT). No. of bitstreams: 1
ElionaiMouraCordeiro_DISSERT.pdf: 5123400 bytes, checksum: 64cad460a8333cb5f9cc23b82a4e1c1d (MD5)
Previous issue date: 2018-03-22 / Neste trabalho é apresentada a proposta de desenvolvimento de uma metodologia - juntamente
com a apresentação dos resultados de sua aplicação - que utiliza uma técnica de
aprendizagem de máquina, SVM, para análise automatizada de dados de citometria de
fluxo em amostras de ambientes aquáticos, na identificação de bacterioplâncton. As amostras
utilizadas na execução desta metodologia foram coletadas em 19 lagos de montanhas
de elevada altitude que foram classificados manualmente no Laboratório de Limnologia
do Departamento de Oceanografia e Limnologia da UFRN. Previamente, iniciou-se com
alguns testes de configuração da função kernel e uma análise quantitativa com base no
número médio de acertos na classificação automatizada, na qual percebeu-se que a taxa
de erro de predição variou entre 1,86% e 3,35%, em média. Foram realizadas duas etapas
de desenvolvimento da metodologia proposta, onde foram criados modelos de predição
e realizados uma série de testes com as bases de dados criadas a partir das informações
disponíveis. Os resultados obtidos foram expostos a uma série de análises quantitativas
e qualitativas, inclusive utilizando PCA para entender a importância de cada variável
nos conjuntos de dados das mostras. Para uma avaliação qualitativa da metodologia
proposta, foi aplicada uma análise estatística para comparar ambas estratégias de modelos
de predição, que tem por base a classificação final apontada pelo algoritmo de Support
Vector Machine. / This master tesis shows the proposal to develop a methodology - together with the
presentation of the results of its application - that uses a machine learning technique,
SVM, for automated analysis of flow cytometry data in samples of aquatic environments,
identification of bacterioplankton. The samples used in the execution of this methodology
were collected in 19 high altitude mountain lakes that were manually classified in the
Laboratory of Limnology of the Department of Oceanography and Limnology of UFRN.
Previously, it started with some tests of kernel configuration and a quantitative analysis
based on the average number of hits in the automated classification, in which it was noticed
that the prediction error rate varied between 1.86 % and 3, 35 % on average. Two stages
of development of the proposed methodology were carried out, where prediction models
were created and a series of tests were carried out with the databases created from the
available information. The results were exposed to a series of quantitative and qualitative
analyzes, including using PCA to understand the importance of each variable in the sample
data sets. For a qualitative evaluation of the proposed methodology, a statistical analysis
was applied to compare both strategies of prediction models, which is based on the final
classification indicated by the algorithm of Support Vector Machine.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/25565 |
Date | 22 March 2018 |
Creators | Cordeiro, Elionai Moura |
Contributors | 10749896434, Santos, Araken de Medeiros, 00739803409, Araújo, Daniel Sabino Amorim de, 04634747405, Souza, Jorge Estefano Santana de, 17623795899, Doria Neto, Adrião Duarte |
Publisher | PROGRAMA DE PÓS-GRADUAÇÃO EM BIOINFORMÁTICA, UFRN, Brasil |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds