Avaliação de algoritmos de aprendizado de máquina aplicados à classificação de dados em níveis de confidencialidade

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMattos, Diogo Menezes Ferrazani-
Autor(es): dc.contributorAlbuquerque, Célio Vinicius Neves de-
Autor(es): dc.contributorMedeiros, Dianne Scherly Varela de-
Autor(es): dc.creatorAragão, Leticia Domingues de-
Data de aceite: dc.date.accessioned2024-07-11T17:49:58Z-
Data de disponibilização: dc.date.available2024-07-11T17:49:58Z-
Data de envio: dc.date.issued2020-09-03-
Data de envio: dc.date.issued2020-09-03-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/14856-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/758427-
Descrição: dc.descriptionA correta definição do nível de acesso para cada informação disponível em um ambiente empresarial é desafiadora e falha. Esses processos recaem sobre procedimentos manuais ou baseados em expressões regulares genéricas. Este projeto propõe uma abordagem autônoma capaz de classificar, em diferentes graus de confidencialidade, a informação contida em uma base de dados real de uma instituição financeira. A abordagem inclui a aplicação de técnicas de processamento de linguagem natural bem como diferentes algoritmos de aprendizado supervisionado e não-supervisionado. A avaliação do desempenho da proposta mostra que o algoritmo de Floresta Aleatória associado à vetorização por conjunto de palavras do conteúdo dos documentos apresenta desempenho similar na discriminação entre as classes de confidencialidade e acurácia total de 89,29%. A técnica de vetorização de melhor desempenho identificada, feature hashing, evidencia que o nível de confidencialidade depende da identificação de grupos de palavras-chave no documento-
Descrição: dc.descriptionThe correct definition of the access level for each available document in a business environment is challenging and flawed. These processes fall on procedures that are either manual or based on generic regular expressions. In this project, we propose an autonomous approach capable of classifying, in different degrees of confidentiality, the information contained in a real database of a financial institution. The approach includes the application of natural language processing techniques as well as different supervised and unsupervised learning algorithms. The proposal’s performance evaluation shows that the Random Forest algorithm, associated with the bag of words vectorization of the content in documents, presents a similar performance in the discrimination between the classes of confidentiality and total accuracy of 89.29%. The best vectorization technique, feature hashing, showed that the privacy level depends on identifying groups of keywords in the document-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal Fluminense-
Publicador: dc.publisherNiterói-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectDados-
Palavras-chave: dc.subjectModelos-
Palavras-chave: dc.subjectPúblico-
Palavras-chave: dc.subjectInterno-
Palavras-chave: dc.subjectConfidencial-
Palavras-chave: dc.subjectLGPD-
Palavras-chave: dc.subjectSensibilidade-
Palavras-chave: dc.subjectDesempenho-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectSegurança da informação-
Palavras-chave: dc.subjectAvaliação da conformidade-
Palavras-chave: dc.subjectClassification-
Palavras-chave: dc.subjectData-
Palavras-chave: dc.subjectModels-
Palavras-chave: dc.subjectPublic-
Palavras-chave: dc.subjectInternal-
Palavras-chave: dc.subjectConfidential-
Palavras-chave: dc.subjectSensitivity-
Palavras-chave: dc.subjectPerformance-
Título: dc.titleAvaliação de algoritmos de aprendizado de máquina aplicados à classificação de dados em níveis de confidencialidade-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.