Redução de dimensionalidade em base de dados de microarranjo usando rede neural autocodificadora

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBorges, Helyane Bronoski-
Autor(es): dc.contributorBorges, Helyane Bronoski-
Autor(es): dc.contributorMatos, Simone Nasser-
Autor(es): dc.contributorRanthum, Geraldo-
Autor(es): dc.creatorMelo, Rafael Felipe Tasaka de-
Data de aceite: dc.date.accessioned2022-02-21T22:03:39Z-
Data de disponibilização: dc.date.available2022-02-21T22:03:39Z-
Data de envio: dc.date.issued2021-11-21-
Data de envio: dc.date.issued2021-11-21-
Data de envio: dc.date.issued2021-08-24-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/26469-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/666905-
Descrição: dc.descriptionMachine Learning Algorithms have been increasingly used by its ability to learn from large volumes of data, such as gene expression data obtained by the microarray technique. A characteristic of the microarray data is that, generally, it is formed by a large amount of attributes and a few samples. It is known that data with high dimensionality can have redundant and often irrelevant attributes, it can hinder the learning process and the performance of predictions. Methods of dimensionality reduction are used to reduce the amount of attributes of the database. Autoencoder Neural Networks can be adapted and used for attribute extraction and, consequently, dimensionality reduction. This job aims to use an autoencoder neural network combined with a classifying neural network to perform a dimensionality reduction. For this, experiments will be carried out in five databases. The results were evaluated through the hit rate of the classifiers KNN, SVM, Naive Bayes and Decision Tree. The results show that the method created very representative smaller databases.-
Descrição: dc.descriptionAlgoritmos de Aprendizagem de Máquina vem sendo cada vez mais utilizados pela sua capacidade de aprender a partir de grandes volumes de dados como, por exemplo, dados de expressão gênica obtidos pela técnica de microarranjo. Uma característica das bases de dados de microarranjos é que, geralmente, ela é formada por uma grande quantidade de atributos e um pequeno número de amostras. Bases de dados com alta dimensionalidade podem possuir atributos redundantes e muitas vezes irrelevantes, podendo atrapalhar o processo de aprendizagem e o desempenho das predições. Métodos de redução de dimensionalidade são utilizados para reduzir a quantidade de atributos das bases de dados. Redes neurais autocodificadoras podem ser adaptadas e utilizadas para a extração de atributos e, consequentemente, a redução da dimensionalidade. Este trabalho tem como objetivo utilizar uma rede neural autocodificadora combinada a uma rede neural classificadora para realizar uma redução de dimensionalidade. Para isso, serão realizados experimentos em cinco bases de dados. Os resultados foram avaliados por meio da taxa de acerto dos classificadores KNN, SVM, Naive Bayes e Árvore de Decisão. Os resultados mostram que o método criou base de dados menores e que apresentam uma boa representação.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectAlgorítmos-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectBanco de dados-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectAlgorithms-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectData bases-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleRedução de dimensionalidade em base de dados de microarranjo usando rede neural autocodificadora-
Título: dc.titleDimensionality reduction in microarray database using autoencoder neural network-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.