Formato dos Dados % 1. Title: Database for fitting contact lenses

Slides:



Advertisements
Apresentações semelhantes
«Forte do Bom Sucesso (Lisboa) – Lápides 1, 2, 3» «nomes gravados, 21 de Agosto de 2008» «Ultramar.TerraWeb»
Advertisements

Indução de Árvores de Decisão
Paulo Marques Hernâni Pedroso
Vamos contar D U De 70 até 99 Professor Vaz Nunes 1999 (Ovar-Portugal). Nenhuns direitos reservados, excepto para fins comerciais. Por favor, não coloque.
Nome : Resolve estas operações começando no centro de cada espiral. Nos rectângulos põe o resultado de cada operação. Comprova se no final.
A razão como comparação
HAC MD -junho/ Noções de algoritmos e estudo de casos das principais tarefas de Mineração de dados.
Exercício 1 Rodar o algoritmo de classificação J4.8 do Weka variando:
Função IsDate 3 A função IsDate recebe uma variável ou expressão como argumento e determina se a variável ou expressão é uma data válida ou pode ser convertida.
Curso de ADMINISTRAÇÃO
Série de Exercícios.
Analise e Seleção de Variáveis
Capítulo 2 Data Preparation for Data Mining
Otimização de Funções Contínuas via Algoritmos Genéticos Adaptado do trabalho realizado por: Frederico Heitor Mônica do Amaral.
Pré-processamento e Pós-processamento dos Dados
Weka Universidade de Waikato - Nova Zelândia
Weka Coleção de algoritmos de aprendizado de máquina implementado em Java Tanto é API como aplicativo!!! Open source software Framework para o desenvolvimento.
Data Mining com a Ferramenta Weka
Data Mining: Ferramenta JAVA
Introdução ao Data Mining
INF 1771 – Inteligência Artificial
Sistemas Inteligentes
INF 1771 – Inteligência Artificial Aula 19 – Bibliotecas e Ferramentas para Aprendizado de Máquina Edirlei Soares de Lima.
PESQUISA SOBRE PRAZO MÉDIO DA ASSISTÊNCIA NA SAÚDE SUPLEMENTAR
Aprendizado de Árvores de Decisão
Mineração da Dados.
X Legenda Nível de Bateria Classificação Status Comunicação Outros 100
Prof. Natalia Castro Fernandes Engenharia de Telecomunicações – UFF 2º semestre/2012.
Classificação. Classificação: Atribuição a uma classe (rótulo de um atributo categórico). Classifica dados (constrói um modelo) baseado em um conjunto.
Introdução ao Aprendizado de Máquina
PROCESSOS PRINCIPAIS Alunos - Grau de Satisfação 4971 avaliações * Questões que entraram em vigor em 2011 ** N.A. = Não Aplicável Versão: 07/02/2012 INDICADORES.
LINHAS MAIS RECLAMADAS Ranking Negativo para Fiscalização Direcionada Nivel de Serviço ANO III – Nº 2.
Funcionários - Grau de Satisfação 2096 avaliações
Prof. Alaine Guimarães/UEPG Prof. Aurora Pozo/UFPR.
Prof. Daniel Aula 03.  Criar Projeto  Criar Pacote  Criando classes  Meu primeiro programa  Compilar  Comentários  Variáveis.
Sistemas Inteligentes
Data Mining: Conceitos e Técnicas
Conceito Configurações Informações utilizadas no cálculo Recursos existentes Conceito Configurações Informações utilizadas no cálculo Recursos existentes.
Preparação dos Dados Marcilio Souto DIMAp/UFRN. Preparação dos Dados ● Compreensão dos dados ● Limpeza – Metadado – Valores Perdidos – Formato de data.
Introdução ao Aprendizado de Máquina
Seleção de Atributos Ricardo Prudêncio.
CONCEITOS FUNDAMENTAIS
Olhe fixamente para a Bruxa Nariguda
Ademir Rafael Marques Guedes
AVALIAÇÕES FÍSICAS EVOLUÇÃO PILAR FÍSICO. QUADRO FERJ 85% 79%78% 82% 91% EM MAIO DE 2007 ERAM 56% DE APROVADOS 93% 92% 95%
Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina Pré-processamento de Dados.
Marcelo Ladeira, Ph.D Departamento de Ciência da Computação
1 Naïve Bayesian Learning Marcílo Souto DIMAp/UFRN.
1 Árvores de Decisão Marcílio Souto DIMAp/UFRN. 2 Árvores de Decisão – ADs (1/4) zForma mais simples: yLista de perguntas  respostas “sim” ou “não” yHierarquicamente.
WEKA Jacques Robin João Batista Marcelino Pereira junho/2001.
Programação II Prof. Mateus Raeder Universidade do Vale do Rio dos Sinos - São Leopoldo -
Tipologia dos dados de entrada da mineração de dados Jacques Robin CIn-UFPE.
Marcus Sampaio DSC/UFCG. Marcus Sampaio DSC/UFCG A Lógica dos Algoritmos “Covering” A estratégia é selecionar cada classe do conjunto- treinamento, e.
Marcus Sampaio DSC/UFCG Os slides 3-15 foram copiados de Pang-Ning Tan.
24/4/2015IA - Prof. Paulemir Campos1 WEKA UPE – Caruaru – Sistemas de Informação Disciplina: Inteligência Artificial Prof.: Paulemir G. Campos.
Prof. Alexandre Monteiro Recife
Modificadores Programação II.
Aprendizagem de regras proposicionais de classificação e associação TAIAS 2 Ivan Teixeira João Batista.
Regras. Regras Rudimentarias 1R: aprende uma regra por atributo  atribuí a classe mais freqüente  taxa de erro: proporção de instâncias que não pertence.
Marcus Sampaio DSC/UFCG. Marcus Sampaio DSC/UFCG NaïveBayes Na modelagem estatística, todos os atributos são considerados igualmente importantes e independentes.
Software Weka Waikato 2004, Witten & Frank 2000.
Aprendizado Baseado em Instancias. Introdução Em contraste aos métodos de aprendizado que constroem uma descrição explicita genérica da função alvo. Os.
Marcus Sampaio DSC/UFCG. Marcus Sampaio DSC/UFCG A Lógica dos Algoritmos “Covering” A estratégia é selecionar cada classe do conjunto-treinamento, e procurar.
Classificação de Textos
Sistemas de Informação Inteligentes Aula 1 Nadilma Nunes
Department of Computer Science, University of Waikato, New Zealand Eibe Frank WEKA: Ferramenta para Aprendizado de Máquina O Explorer Classificação e Regressão.
Aula Pratica Aprendizagem WEKA Prof. Ivan Gesteira Costa Filho Centro de Informática Universidade Federal de Pernambuco.
Microsoft Office Excel 2010/13. O que é uma folha de cálculo Uma folha de cálculo eletrónica é uma aplicação que disponibiliza uma área de trabalho, dividida.
DSI – Desenvolvimento de Sistemas Inteligentes
Naïve Bayesian Learning
Transcrição da apresentação:

Formato dos Dados % 1. Title: Database for fitting contact lenses @relation contact-lenses @attribute age {young, pre-presbyopic, presbyopic} @attribute spectacle-prescrip {myope, hypermetrope} @attribute astigmatism {no, yes} @attribute tear-prod-rate {reduced, normal} @attribute contact-lenses {soft, hard, none} @data young,myope,no,reduced,none young,myope,no,normal,soft pre-presbyopic,myope,no,reduced,none pre-presbyopic,myope,no,normal,soft presbyopic,myope,no,reduced,none presbyopic,myope,no,normal,none

Formato dos Dados @relation weather @attribute outlook {sunny, overcast, rainy} @attribute temperature real @attribute humidity real @attribute windy {TRUE, FALSE} @attribute play {yes, no} @data sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes rainy,70,96,FALSE,yes rainy,68,80,FALSE,yes rainy,65,70,TRUE,no overcast,64,65,TRUE,yes sunny,72,95,FALSE,no sunny,69,70,FALSE,yes rainy,75,80,FALSE,yes sunny,75,70,TRUE,yes overcast,72,90,TRUE,yes overcast,81,75,FALSE,yes rainy,71,91,TRUE,no

Filtros Pacote de algoritmos para remover, inserir ou transformar atributos e dados no conjunto de dados Remove – seleciona manualmente tributos a serem removidos Add – adiciona um novo atributo Parâmetros: posição Nome Valores nominais

Discretize – discretiza atributos numéricos (supervisionado e não-supervisionado) Parâmetros: -B Número de categorias (intervalos de tamanho igual) -O número de intervalos determinado automaticamente -C especifica a classe para o método supervisionado -D tranforma um atributo discretizado com k valores em k-1 atributos binários

MakeIndicator – converte atributo nominal em binário MakeIndicator – converte atributo nominal em binário. Pode ser usado para transformar um conjunto com múltiplas classes em vários com classe binária. Parâmetros: O atributo a ser transformado e o valor nominal são definidos pelo usuário -N declara se o novo atributo é numérico ou não

Normalize – normaliza todos os atributos numéricos MergeTwoValues – combina dois valores de um atributo nominal em uma única categoria. O nome do novo valor é uma combinação dos dois originais Normalize – normaliza todos os atributos numéricos

Seleção de atributos Pacote de algoritmos para seleção de atributos Deve ser selecionado um método de busca Tipos: Filtros Wrappers – vinculados a um classificador