Sistema de aprendizado reconfigurável para classificação de dados utilizando processamento paralelo

Abstract

Este trabalho é dedicado aosEspíritos amigos. AgradecimentosRegistro sinceros agradecimentos a todas as pessoas que, direta ou indiretamente, contribuíram para a realização desta tese e, de forma particular, pela atenção inestimável, minha gratidão:J a Deus; J aos meus pais Antônio e Terezinha, pelo amor e apoio; J ao meu irmão, professor Edmilson (Universidade Federal de Itajubá -UNIFEI), pois sem ele, não teria chegado a este momento; J ao meu irmão, professor Leonardo (Universidade Federal de São João Del Rei -UFSJ), pela amizade e principalmente pelo apoio para não desistir; J ao meu orientador, professor Maciel, que sempre entendeu meus momentos de conflitos e que contribuiu expressivamente para o meu crescimento profissional; J à minha namorada Carol, pelo companheirismo e amor de sempre, entendendo principalmente meus momentos de estresse; J à minha amiga Maria Aparecida, do Centro Espírita Teresa de Ávila em Três Corações, pela amizade eterna e pelas preces que tanto me ajuda; J à minha cunhada Karina, que tanto me ajudou nos períodos em que hospedei em sua casa; J à minha cunhada Juliana, pelas ajudas de sempre e pela nossa amizade; J aos meus sobrinhos, Lucas, Matheus, Cecília e Henrique, pelos momentos tão especiais juntos;J ao meu sogro Sr. Douglas, pelas conversas tão enriquecedoras; Esta tese apresenta a arquitetura de um sistema de aprendizado, com um escalonador de tarefas que possibilita a utilização de vários métodos de classificação e validação, permitindo a distribuição dessas tarefas entre os módulos do sistema. Esta arquitetura está estruturada de forma que classificações obtidas através de uma técnica sejam reutilizadas em paralelo pelo mesmo algoritmo ou por outras técnicas, produzindo novas classificações através do refinamento dos resultados alcançados e ampliando o uso em bases de dados com características diferentes. O sistema foi estruturado em quatro partes denominadas, respectivamente, Módulo de Inicialização, Módulo de Validação, Módulo de Refinamento e Módulo Especial de Escalonamento. Em cada módulo, podem ser usados vários algoritmos para atender aos seus objetivos. A estrutura deste sistema permite sua configuração, utilizando diversos métodos, inclusive com técnicas de inteligência artificial. Com isso, é possível a obtenção de resultados mais precisos por meio da escolha do melhor método para cada caso. Os resultados apresentados neste trabalho foram obtidos a partir de bases conhecidas na literatura, o que possibilita comparar as implementações dos métodos tradicionais que foram adicionadas ao sistema e, principalmente, verificar a qualidade dos refinamentos produzidos pela integração de técnicas diferentes. Os resultados demonstram que através de um sistema de aprendizado, minimiza-se a complexidade na análise de grandes bases de dados, permitindo verificar bases com estruturas diferentes e aumentar os métodos aplicados na análise de cada estrutura. Isto favorece a comparação entre os métodos e proporciona resultados mais confiáveis. Para uniformizar os dados provenientes ...