02143nam a2200301 a 450000100080000000500110000800800410001902000220006010000230008224501380010526001120024330000190035550000260037452011050040065000240150565000280152965300400155765300280159765300250162565300230165065300290167365300160170265300190171865300330173765300250177065300200179570000260181520961752020-01-21       2018    bl uuuu     u00u1 u    #d  a978-85-7029-145-51 aVASCONCELOS, G. T.  aAvaliação da eficiência de algoritmos de aprendizado de máquina para classificação automática de solos.h[electronic resource]  aIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 12., 2018, Campinas. Anais... [S.l: s.n]c2018  aNão paginado.  aCIIC 2018. Nº 17603.  aRESUMO - Técnicas de mineração de dados têm sido usadas, estrategicamente, para transformar dados em informações e conhecimentos visando subsidiar o processo decisório em vários domínios. Na agricultura, em particular, essas técnicas são eficientes para selecionar um conjunto de atributos relevantes no processo de geração de modelos preditivos em bancos de dados com muitas variáveis. Este trabalho tem por objetivo avaliar a eficiência de diferentes algoritmos de Aprendizado de Máquina (AM) para classificação automática de solos, no 1º nível categórico do Sistema Brasileiro de Classificação de Solos (SiBCS). Os dados foram obtidos do projeto Mapeamento de Recursos Naturais do Brasil, liderado pelo Instituo Brasileiro de Geografia e Estatística (IBGE). Alguns algoritmos de AM (árvore de decisão, SVM, kNN) foram utilizados para classificação de solos de acordo com o SiBCS. Os resultados obtidos são promissores e abrem perspectivas para a classificação automática de solos, a partir de critérios definidos e de informações organizadas em bancos de dados.  aSoil classification  aSupport vector machines  aAlgoritmo k-vizinhos mais próximos  aAprendizado de máquina  aÁrvores de decisão  aAtributos de solos  aClassificação de solos  aData mining  aDecision trees  aMáquinas de Vetores Suporte  aMineração de dados  aSoil attributes1 aOLIVEIRA, S. R. de M.