Relevância do Entendimento do Domínio de Problema na Construção de Modelos Computacionais de Aprendizado

• Ligia F. de Carvalho Gonçalves Pontifícia Universidade Católica de Minas Gerais http://orcid.org/0009-0000-7601-2938
• Daniel Rocha Franca Pontifícia Universidade Católica de Minas Gerais https://orcid.org/0009-0008-9457-1221
• Luis Enrique Zarate Pontifícia Universidade Católica de Minas Gerais

DOI: https://doi.org/10.5753/bresci.2024.240233

Resumo

O objetivo deste trabalho é confirmar a relevância do entendimento prévio do domínio de problema para projetos em ciência de dados, especificamente para construção de modelos de aprendizado. Como estudos de caso consideraremos três domínios de problemas na área da saúde, e como fonte principal de dados, consideraremos a recente Pesquisa Nacional em Saúde, PNS 2019 elaborada pelo IBGE. Os experimentos mostram que o entendimento prévio do domínio de problema, e sua representação por meio de modelos conceituais, são úteis para aplicação de um processo de seleção conceitual de atributos na busca por modelos de aprendizado mais assertivos.

Palavras-chave: Problem domain understanding, Domain knowledge in data science, Conceptual models, Attribute selection process, Learning models, Data science projects, Health data analysis, National Health Survey (PNS 2019), Machine learning in healthcare, Conceptual attribute selection, Model accuracy, Relevance of domain expertise, Healthcare data mining, Knowledge representation, Data-driven decision making

Referências

Guyon, I.; et. al. Analysis of the AutoMl Challenge series 2015-2018. Frank Hutter; Lars Kotthoff; Joaquin Vanschoren (eds). AutoML: Methods, Systems, Challenges, Springer Verlag, In: press, The Springer Series on Challenges in Machine Learning. 2019. DOI: 10.1007/978-3-030-05318-5_10

Ribeiro, C. E.; Zárate, L. E. Classifying longevity profiles through longitudinal data mining, Expert Systems with Applications, v. 117, p. 75-89, 2019. DOI: 10.1016/j.eswa.2018.09.035

Araújo, A. S.; Silva, A. R.; Zárate, L .E. Extreme precipitation prediction based on neural network model – A case study for southeastern Brazil, Journal of Hydrology, V. 606, 127454 2022. DOI: 10.1016/j.jhydrol.2022.127454.

Zarate, L., Petrocchi , B. ., Dias Maia, C. ., Felix, C., & Gomes, M. P. . (2023). CAPTO - A method for understanding problem domains for data science projects: CAPTO - Um método para entendimento de domínio de problema para projetos em ciência de dados. Concilium, 23(15), 922–941. DOI: 10.53660/CLM-1815-23M33.

Teece, D.J. (2013). Nonaka’s Contribution to the Understanding of Knowledge Creation, Codification and Capture. In: von Krogh, G., Takeuchi, H., Kase, K., Cantón, C.G. (eds) Towards Organizational Knowledge. The Nonaka Series on Knowledge and Innovation. Palgrave Macmillan, London. DOI: 10.1057/9781137024961_2

Brady SS, Brubaker L, Fok CS, et al. Development of Conceptual Models to Guide Public Health Research, Practice, and Policy: Synthesizing Traditional and Contemporary Paradigms. Health Promot Pract. 2020;21(4):510-524. DOI: 10.1177/1524839919890869

Sally C. Brailsford, Tillal Eldabi, Martin Kunc, Navonil Mustafee, Andres F. Osorio, Hybrid simulation modelling in operational research: A state-of-the-art review, European Journal of Operational Research, Volume 278, Issue 3, 2019, Pages 721-737, ISSN 0377-2217, DOI: 10.1016/j.ejor.2018.10.025.