@PHDTHESIS{ 2015:668775841,
 	title = {Descoberta de conjuntos de itens frequentes com o modelo de programação MapReduce sobre contextos de incerteza},
 	year = {2015},
 	url = "http://tede2.pucrs.br/tede2/handle/tede/6254",
 	abstract = "Frequent Itemsets Mining (FIM) é uma tarefa de mineração de dados utilizada para encontrar
 relações entre os itens de um dataset. O Apriori é um tradicional algoritmo da classe Generateand-
 Test para descobrir tais relações. Estudos recentes mostram que este e outros algoritmos desta
 tarefa não estão aptos para executar em contextos onde haja incerteza associada, pois eles não
 estão preparados para lidar com as probabilidades existentes nos itens do dataset. A incerteza nos
 dados ocorre em diversas aplicações como, por exemplo, dados coletados de sensores, informações
 sobre a presença de objetos em imagens de satélite e dados provenientes da aplicação de métodos
 estatísticos. Dada a grande quantidade de dados com incertezas associadas, novos algoritmos
 têm sido desenvolvidos para trabalharem neste contexto: UApriori, UF-Growth e UH-Mine. O
 UApriori, em especial, é um algoritmo baseado em suporte esperado, abordado frequentemente
 pela comunidade acadêmica. Quando este algoritmo é aplicado sobre grandes datasets, em um
 contexto com probabilidades associadas aos itens do dataset, ele não apresenta boa escalabilidade.
 Por outro lado, alguns trabalhos têm adaptado o algoritmo Apriori para trabalhar com o modelo
 de programação MapReduce, a fim de prover uma melhor escalabilidade. Utilizando este modelo, é
 possível descobrir itens frequentes de modo paralelo e distribuído. No entanto, tais trabalhos focam
 seus esforços na descoberta de itens frequentes sobre datasets determinísticos. Esta tese apresenta
 o desenvolvimento, implementação e os experimentos realizados, a partir da aplicação e discussão
 de três algoritmos: UAprioriMR, UAprioriMRByT e UAprioriMRJoin. Os três algoritmos citados
 evoluem o algoritmo tradicional Apriori para que possam executar com o modelo de programação
 MapReduce sobre contextos com incerteza associada. O algoritmo UAprioriMRJoin é um algoritmo
 híbrido com base nos algoritmos UAprioriMR e UAprioriMRByT. Os experimentos revelam o bom
 desempenho do algoritmo UAprioriMRJoin quando aplicado sobre grandes datasets, com muitos
 atributos e um número médio pequeno de itens por transação, em um cluster de nodos.",
 	publisher = {Pontifícia Universidade Católica do Rio Grande do Sul},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Faculdade de Informática}
}