Resumo
Este artigo trata-se da aplicação de aprendizado de máquina e mineração de dados, os quais foram mensurados, realizado com algoritmos supervisionados e não supervisionados para treinamento. O banco de coleta dos dados utilizados, compõe-se de quarenta medições, realizadas no rio Atibaia/SP: vazão (Q), declividade da linha d′água (S), raio hidráulico (RH), largura do espelho d′água (B), descarga sólida transportada no leito (Gsb) e descarga sólida transportada em suspensão (Gss), nos anos de 1993 e 1994. Os algoritmos supervisionados utilizados foram: Árvore de Decisão – C4.5, Naive-Bayes, Regressão Logística e não supervisionado foi Expectation Maximization (EM). OS resultados foram obtidos mediante uso do software WEKA 3 (Waikato Environment for Knowledge Analysis) à título de comparação. Nas comparações entre os algoritmos, não foram satisfatórias, devido os anos adotados para as amostras ou não refletirem a distribuição dos dados e ou conterem ′outliers′. Por outro lado, propõem-se se for possível a ampliação do período estudado, bem como nova análise dos resultados para os mesmos algoritmos e aplicações de outros, onde a dependência condicional entre os parâmetros seja levada em consideração.
Introdução
Aprendizado de máquina é um sub-campo da inteligência artificial, dedicado ao desenvolvimento de algoritmos e técnicas que permitam o computador aprender, isto é, que permitam o computador aperfeiçoar seu desempenho em alguma tarefa. Segundo Russell e Norving (2004), as técnicas de inteligência artificial possuem três características principais: busca (para explorar as distintas possibilidades em problemas onde os passos não são claramente definidos), emprego do conhecimento (permite explorar a estrutura, relações do mundo ou domínio à que pertence o problema e a redução do número de possibilidades a considerar, tal como os humanos fazem) e abstração (proporciona a maneira de generalizar nos passos intrinsecamente similares). Assim, pode-se utilizar aprendizado de máquina em bancos de dados, reconhecimento de objetos, tais como: face, fala e escrita, diagnósticos médicos, entre outros, porém não se obtém êxito de utilização em sistemas estáticos, como: armazenamento e recuperação de dados. Embora o aprendizado de máquina seja uma ferramenta poderosa para a aquisição automática de conhecimento, deve ser observado que não existe um único algoritmo que apresente o melhor desempenho para todos os problemas (Monard e Baranauskas, 2005). Denomina-se algoritmo de aprendizado a um conjunto de regras bem definidas para solução de um problema de aprendizado. Segundo Monard e Baranauskas (2005), é importante compreender o poder e a limitação dos diversos algoritmos de aprendizado de máquina, utilizando alguma metodologia, que permita avaliar os conceitos induzidos por esses algoritmos em determinados problemas.
Autores: Maria Rejane Lourençoni Siviero e Estevam Rafael Hruschka Junior.
