dc.contributor.author | Modesto, Júlia Almeida | |
dc.date.accessioned | 2024-02-16T11:54:51Z | |
dc.date.available | 2024-02-16T11:54:51Z | |
dc.date.issued | 2023-02-01 | |
dc.identifier.citation | MODESTO, Júlia Almeida. Agrupamento em conjunto de dados com múltiplos atributos via redução de dimensionalidade e detecção de comunidades. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/19315. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/19315 | |
dc.description.abstract | This work falls within the field of Machine Learning and focuses on the challenge of Clustering in datasets with multiple variables. Addressing the issue of the Curse of Dimensionality, a common difficulty in high-dimensional data, the study focuses on Dimensionality Reduction and Community Detection techniques. The Curse of Dimensionality refers to the deterioration of the performance of certain learning algorithms as the dimensionality of the data increases. Few studies address the implications of graph-based clustering in this scenario, highlighting the need to investigate how clustering techniques can be adapted to effectively deal with high-dimensional datasets.
Through the application of Community Detection Algorithms in conjunction with Graph Construction, the study aims to explore efficient methods for handling large volumes of data. The experiments conducted showed that, in datasets with a large number of samples, the use of Dimensionality Reduction techniques, in particular, resulted in superior performance in identifying significant clusters. This result emphasizes the importance of Dimensionality Reduction as a crucial tool for overcoming the challenges posed by the Curse of Dimensionality in Machine Learning environments. This work can assist future investigations and practical applications in complex and multidimensional data analysis. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Aprendizado da máquina | por |
dc.subject | Algoritmos de agrupamento | por |
dc.subject | Construção de grafos | por |
dc.subject | Detecção de comunidade | por |
dc.subject | Maldição da dimensionalidade | por |
dc.subject | Redução de dimensionalidade | por |
dc.title | Agrupamento em conjunto de dados com múltiplos atributos via redução de dimensionalidade e detecção de comunidades | por |
dc.title.alternative | Multi-attribute dataset clustering via dimensionality reduction and community detection | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Valejo, Alan Demétrius Baria | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9546164790189830 | por |
dc.description.resumo | Este trabalho insere-se no campo do Aprendizado de Máquina e centra-se no desafio do Agrupamento em conjuntos de dados com múltiplas variáveis. Abordando a questão da Maldição da Dimensionalidade, uma dificuldade frequente em dados de alta dimensão, o estudo enfoca em técnicas de Redução de Dimensionalidade e Detecção de Comunidade. A Maldição da Dimensionalidade refere-se à deterioração do desempenho de certos algoritmos de aprendizado conforme a dimensionalidade dos dados aumenta. Poucos estudos abordam as implicações do agrupamento baseado em grafos nesse cenário, destacando a necessidade de investigar como técnicas de agrupamento podem ser adaptadas para lidar efetivamente com conjuntos de dados de alta dimensão.
Através da aplicação de Algoritmos de Detecção de Comunidades em conjunto com a Construção de Grafos, o estudo visa explorar métodos eficientes para lidar com grandes volumes de dados. Os experimentos realizados mostraram que, em conjuntos de dados com um grande número de amostras, a utilização de técnicas de Redução de Dimensionalidade, em particular, resultou em um desempenho superior na identificação de agrupamentos significativos. Este resultado enfatiza a importância da Redução de Dimensionalidade como uma ferramenta crucial para superar os desafios impostos pela Maldição da Dimensionalidade em ambientes de Aprendizado de Máquina. Este trabalho pode auxiliar futuras investigações e aplicações práticas em análises de dados complexos e multidimensionais. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.publisher.course | Engenharia de Computação - EC | por |