Aquisição de Conhecimento Utilizando Aprendizado de Máquina Relacional

• Autor(a) principal: Caulkins, Chandler Wellington
• Data de Publicação: 2000
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-26022018-145221/
• topic: Não disponível; Not available

Aprendizado de Máquina AM é uma área de Inteligência Artificial IA que estuda métodos computacionais para adquirir novos conhecimentos bem como meios de organizar o conhecimento já existente. Para isso, são necessárias linguagens de descrição de objetos e de conceitos aprendidos. Elas podem ser divididas em dois tipos: baseadas em atributos, ou proposicionais, e relacionais. Sistemas de AM proposicional têm sido aplicados com relativo sucesso, utilizando dados no formato atributo-valor. No entanto, são incapazes de aprender relações em função da linguagem que utilizam. Programação Lógica Indutiva PLI é uma abordagem recente dentro de AM que faz uso de uma linguagem de descrição relacional baseada em lógica de primeira ordem, de modo que consegue aprender relações entre os objetos. Todo problema que pode ser resolvido por um sistema de aprendizado proposicional pode, em princípio, ser resolvido por um sistema de aprendizado relacional, desde que os fiados estejam devidamente formatados. Uma série de ferramentas foi por nós implementada para converter os dados do formato atributo-valor para o formato relacional apropriado de dois sistemas de PLI, FOIL (Quinlan, 1990) e PROGOL (Muggleton, 1995). A partir dessas representações, tornou-se possível analisar o comportamento de cada um deles em bases de dados naturais com características diferentes. Como estudo de caso do mundo real, utiliza-se uma base de dados disponibilizada pelo Programa de Melhoramento Genético da Raça Nelore PMGRN da Universidade de São Paulo em Ribeirão Preto (Làbo et al., 1999). Utilizando os sistemas PLI, adquire-se um conhecimento sobre essa base de dados de gado. Para tanto segue-se uma metodologia baseada no processo KDD (Knowledge Discovery in Databases) descrito em (Fayyad, 1996).