Fitting techniques to knowledge discovery through stochastic models

Submitted by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-03-20T14:37:41Z
No. of bitstreams: 1
TES_JOAQUIM_VINICIUS_CARVALHO_ASSUNCAO_COMPLETO.pdf: 5447781 bytes, checksum: f414b8262d7361d1082fc73dfea5f008 (MD5) / Made available in DSpace on 2017-03-20T14:37:41Z (GMT). No. of bitstreams: 1
TES_JOAQUIM_VINICIUS_CARVALHO_ASSUNCAO_COMPLETO.pdf: 5447781 bytes, checksum: f414b8262d7361d1082fc73dfea5f008 (MD5)
Previous issue date: 2016-08-09 / Modelos estoc?sticos podem ser ?teis para representar de maneira compacta cen?rios n?o determin?sticos. Al?m disso, simula??es aplicadas em um modelo compacto s?o mais r?pidas e demandam menos recursos computacionais do que t?cnicas de minera??o em grandes volumes de dados. O desafio est? na constru??o desses modelos. A acur?cia, juntamente com tempo e a quantidade de recursos usados para ajustar um modelo s?o fatores chave para sua utilidade. Tratamos aqui de t?cnicas de aprendizado de m?quina para ajustes de estruturas com a propriedade de Markov; especialmente formalismos complexos como Modelos Ocultos de Markov (HMM) e Redes de Automatos Estoc?sticos (SAN). Quanto a acur?cia, levamos em considera??o as atuais t?cnicas de ajuste, e medidas baseadas em verossimilhan?a. Quanto ao tempo de cria??o, automatizamos o processo de mapeamento de dados via s?ries temporais e t?cnicas de representa??o. Quanto aos recursos computacionais, usamos s?ries temporais e t?cnicas de redu??o de dimensionalidade, evitando assim, problemas com a explos?o do espa?o de estados. Tais t?cnicas s?o demonstradas em um processo que incorpora uma s?rie de passos comuns para o ajuste de modelos com s?ries temporais. Algo semelhante ao que o processo de descoberta de conhecimento em banco de dados (KDD) faz; por?m, tendo como componente principal, modelos estoc?sticos. / Stochastic models might be useful for creating compact representations of non-deterministic scenarios. Furthermore, simulations applied to a compact model, are faster and require fewer computational resources than the use of data mining techniques over large volumes of data. The challenge is to build such models. The accuracy as well as the time and the amount of resources used to fit such models, are the key factors related to their utility. We use machine learning techniques for the fitting of structures characterized by a Markov property; especially, complex formalisms such as Hidden Markov Models (HMM) and Stochastic Automata Networks (SAN). Regarding the accuracy, we considered the state of the art on fitting techniques and model measurements based on likelihood. Regarding the computational resources, we used time series and dimensionality reduction techniques to avoid the space state explosion. Such techniques are demonstrated in a process that embodies a set of common steps for the model fitting through time series. Similar to the knowledge discovery in databases (KDD), yet using stochastic models as a main component.

Identiferoai:union.ndltd.org:IBICT/oai:tede2.pucrs.br:tede/7179
Date09 August 2016
CreatorsAssun??o, Joaquim Vinicius Carvalho
ContributorsFernandes, Paulo Henrique Lemelle, Vincent, Jean-Marc
PublisherPontif?cia Universidade Cat?lica do Rio Grande do Sul, Programa de P?s-Gradua??o em Ci?ncia da Computa??o, PUCRS, Brasil, Faculdade de Inform?tica
Source SetsIBICT Brazilian ETDs
LanguageEnglish
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da PUC_RS, instname:Pontifícia Universidade Católica do Rio Grande do Sul, instacron:PUC_RS
Rightsinfo:eu-repo/semantics/openAccess
Relation1974996533081274470, 600, 600, 600, -3008542510401149144, 3671711205811204509

Page generated in 0.0013 seconds