|
|
Registro Completo |
Biblioteca(s): |
Embrapa Agricultura Digital. |
Data corrente: |
21/09/2018 |
Data da última atualização: |
21/01/2020 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
VASCONCELOS, G. T.; OLIVEIRA, S. R. de M. |
Afiliação: |
GABRIEL TESTON VASCONCELOS, Bolsista CNPq (PIBIC); STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA. |
Título: |
Avaliação da eficiência de algoritmos de aprendizado de máquina para classificação automática de solos. |
Ano de publicação: |
2018 |
Fonte/Imprenta: |
In: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 12., 2018, Campinas. Anais... [S.l: s.n], 2018. |
Páginas: |
Não paginado. |
ISBN: |
978-85-7029-145-5 |
Idioma: |
Português |
Notas: |
CIIC 2018. Nº 17603. |
Conteúdo: |
RESUMO - 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. |
Palavras-Chave: |
Algoritmo k-vizinhos mais próximos; Aprendizado de máquina; Árvores de decisão; Atributos de solos; Classificação de solos; Data mining; Decision trees; Máquinas de Vetores Suporte; Mineração de dados; Soil attributes. |
Thesaurus Nal: |
Soil classification; Support vector machines. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/183363/1/18603.pdf
|
Marc: |
LEADER 02143nam a2200301 a 4500 001 2096175 005 2020-01-21 008 2018 bl uuuu u00u1 u #d 020 $a978-85-7029-145-5 100 1 $aVASCONCELOS, G. T. 245 $aAvaliação da eficiência de algoritmos de aprendizado de máquina para classificação automática de solos.$h[electronic resource] 260 $aIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 12., 2018, Campinas. Anais... [S.l: s.n]$c2018 300 $aNão paginado. 500 $aCIIC 2018. Nº 17603. 520 $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. 650 $aSoil classification 650 $aSupport vector machines 653 $aAlgoritmo k-vizinhos mais próximos 653 $aAprendizado de máquina 653 $aÁrvores de decisão 653 $aAtributos de solos 653 $aClassificação de solos 653 $aData mining 653 $aDecision trees 653 $aMáquinas de Vetores Suporte 653 $aMineração de dados 653 $aSoil attributes 700 1 $aOLIVEIRA, S. R. de M.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 3 | |
2. | | VASCONCELOS, G. T.; SOUZA, K. X. S. de; CAMARGO NETO, J.; OLIVEIRA, S. R. de M. Utilizando processamento em cascata e agrupamento em imagens para otimizar modelos de classificação de solos. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 12., 2019, Indaiatuba. Anais... Ponta Grossa: SBIAGRO, 2019. p. 569-575. Organizadores: Maria Fernanda Moura, Jayme Garcia Arnal Barbedo, Alaine Margarete Guimarães, Valter Castelhano de Oliveira. SBIAgro 2019.Tipo: Artigo em Anais de Congresso |
Biblioteca(s): Embrapa Agricultura Digital. |
| |
3. | | VASCONCELOS, G. T.; SOUZA, K. X. S. de; OLIVEIRA, S. R. de M.; CAMARGO NETO, J. Montagem de ambiente para classificação de solos usando ScikitLearn. In: MOSTRA DE ESTAGIÁRIOS E BOLSISTAS DA EMBRAPA INFORMÁTICA AGROPECUÁRIA, 14., 2018, Campinas. Resumos expandidos... Brasília, DF: Embrapa, 2018. p. 104-110. (Embrapa Informática Agropecuária. Eventos técnicos & científicos, 1). Editores técnicos: Carla Geovana do Nascimento Macário, Carla Cristiane Osawa, Flávia Bussaglia Fiorini, Maria Fernanda Moura, Poliana Fernanda Giachetto.Tipo: Artigo em Anais de Congresso |
Biblioteca(s): Embrapa Agricultura Digital. |
| |
Registros recuperados : 3 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|