Use este identificador para citar ou linkar para este item: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/6460
Título: Mapas auto organizáveis na descoberta e validação de padrões em bases de dados
Autor(es): Ferreira, André Luis
Orientador(es): Fidelis, Marcos Vinicius
Palavras-chave: Banco de dados
Mineração de dados (Computação)
Redes neurais (Computação)
Data bases
Data mining
Neural networks (Computer science)
Data do documento: 5-Jun-2012
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Ponta Grossa
Referência: FERREIRA, André Luís. Mapas auto organizáveis na descoberta e validação de padrões em bases de dados. 2012. 74 f. Trabalho de Conclusão do Curso (Graduação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2012.
Resumo: O Mapa Auto Organizável de Kohonen (SOM) é um excelente e poderoso algoritmo para mineração de dados baseado em Redes Neurais Artificiais (RNA). Através do SOM é possível fazer a análise e o processamento de bases de dados de grande dimensão, e então obter os agrupamentos dos dados presentes nestas bases de dados, de forma que os itens de cada grupo compartilham propriedades semelhantes em comum. A partir dos agrupamentos formados pelo SOM, é possível então realizar uma análise focada dos agrupamentos resultantes. Em alguns casos, entretanto, o SOM pode trazer agrupamentos de dados não classificáveis ou entendíveis para o contexto, uma vez que ele agrupa os dados baseado em todas as diversas características deles. Para que os resultados dos agrupamentos sejam válidos e tragam informações úteis, é importante que os dados sejam pré- processados para se adequarem ao algoritmo, e posteriormente, que a classificação realizada pelo SOM seja validada a fim de se obter a precisão com que o SOM classificou os dados. Com a padronização dos dados e a posterior validação dos agrupamentos é então possível verificar a confiabilidade do algoritmo. A partir dos dados resultantes de todos estes processos é possível então extrair estes dados em uma forma humanamente entendível, trazendo informações que anteriormente não seriam compreensíveis ou previsíveis nos dados brutos, favorecendo desta forma a interpretação dos resultados.
Abstract: The Self-Organizing Maps (SOM) of Kohonen is an excellent and powerful algorithm for data mining based in Artificial Neural Networks (ANN). Through the SOM is possible to do processing and analysis of databases of large size, and then discover/retrieve the items in the data groups present in the database, having the items in each group that share similar properties in common. From the clusters formed by SOM, is possible then perform an focused analysis of the resulting clusters. In some cases however, the SOM find groups of data not classified or understandable to the context, since it groups the data based on all of its n characteristics. For the results of clustering being/get valid and useful information, is important that the data be pre-processed to suit the algorithm, and subsequently the classification performed by the SOM be/is/get validated in order to obtain the precision with which the SOM classified the data. With the standardization of the data and subsequent validation of the clusters is then possible to verify the reliability of the algorithm. From the data resulting from all these processes it is now possible to extract this data in a humanly understandable way, providing information that previously would not be understandable or predictable in the raw data, favoring the interpretation of results.
URI: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/6460
Aparece nas coleções:PG - Tecnologia em Análise e Desenvolvimento de Sistemas

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PG_COADS_2012_1_11.pdf1,73 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.