Fitting techniques to knowledge discovery through stochastic models

Abstract

Modelos estocásticos podem ser úteis para representar de maneira compacta cenários não determinísticos. Além disso, simulações aplicadas em um modelo compacto são mais rápidas e demandam menos recursos computacionais do que técnicas de mineração em grandes volumes de dados. O desafio está na construção desses modelos. A acurácia, juntamente com tempo e a quantidade de recursos usados para ajustar um modelo são fatores chave para sua utilidade. Tratamos aqui de técnicas de aprendizado de máquina para ajustes de estruturas com a propriedade de Markov; especialmente formalismos complexos como Modelos Ocultos de Markov (HMM) e Redes de Automatos Estocásticos (SAN). Quanto a acurácia, levamos em consideração as atuais técnicas de ajuste, e medidas baseadas em verossimilhança. Quanto ao tempo de criação, automatizamos o processo de mapeamento de dados via séries temporais e técnicas de representação. Quanto aos recursos computacionais, usamos séries temporais e técnicas de redução de dimensionalidade, evitando assim, problemas com a explosão do espaço de estados. Tais técnicas são demonstradas em um processo que incorpora uma série de passos comuns para o ajuste de modelos com séries temporais. Algo semelhante ao que o processo de descoberta de conhecimento em banco de dados (KDD) faz; porém, tendo como componente principal, modelos estocásticos.