Algoritmos de aprendizado de máquina nas humanidades digitais: um mapeamento suporte para revisão de literatura
Resumo
Com o advento da era Big Data, as Humanidades Digitais (HD) surgem como nova área de investigação, transversal às humanidades tradicionais (sociologia, história, filosofia, linguística, literatura, arte, etc.) e as ciências da computação. Neste trabalho é realizado um mapeamento da utilização de algoritmos de Aprendizado de Máquina (AM) nas HD, a partir da busca de trabalhos nas bases científicas Google Acadêmico e Periódicos Capes. Com vistas a fornecer suporte para organização de revisões sistemáticas de literatura, é delineando um panorama da utilização de algoritmos, modelos e técnicas de AM nas HD. Foi possível constatar que os algoritmos de AM mais utilizados nas HD são Clusterização e Redes Neurais, e os menos utilizados são Regras de Associação e Regras de Classificação.
Palavras-chave:
Big Data, Humanidades Digitais (HD), investigação, transversal, ciências da computação, mapeamento, algoritmos de Aprendizado de Máquina (AM)
Referências
ADAMO, J. (2012). Data Mining for Association Rules and Sequential Patterns: Sequential and Parallel Algorithms. Springer Science & Bus. Media ed., ISBN 1461300851, 2012.
AMARAL, F. (2016). Introdução à Ciência de Dados: mineração de dados e big data. Elsevier / Alta books. 2016.
ARABIE, P. and SOETE, G. (1996). Clustering and Classification. World Scientific ed., ISBN 9810212879, 1996.
BORGMAN, C. L. (2009). The digital future is now: a call to action for the humanities. Digital Humanities Quarterly (DHQ), 3(4), 1–30.
CAMBRIDGE U. (2017). CDH: Cambridge Digital Humanities. University of Cambridge, 2017. Disponível em https://www.digitalhumanities.cam.ac.uk/, acesso em 08/05/2018.
DEMCHENKO, Y. (2013). Addressing Big Data issues in scientific data infrastructure. International Conference on Collaboration Technologies and Systems (CTS) 2013.
EVANS, L. and REES, S. (2012). An interpretation of digital humanities. In D. M. Berry (Ed.), Understanding digital humanities (pp. 21–41). Houndmills, Basingstoke, Hampshire: Palgrave Macmillan, 2012.
FONSECA, E. (2008). k-RNN: k-relational nearest neighbour algorithm. In Proceedings of the 2008 ACM Symp. on Applied Computing (SAC '08). ACM, NY, USA, 944-948.
FOSTER, I. (2016). Big Data and Social Science: A Practical Guide to Methods and Tools, Chapman and Hall/CRC Press, 2016. ISBN 9781498751407.
FURNKRANZ, J. (2012) Foundations of Rule Learning. Cognitive Technologies, Springer Science & Business Media ed., ISBN 3540751971, 2012.
HAN J. (2011). Data Mining: Concepts and Techniques. Ed. 3. ISBN 0123814804. Elsevier, 2011.
HAYKIN (2001). Redes Neurais - 2ed, ISBN 8573077182, Bookman Companhia Ed, 2001. HWANJO, Y. (2011). Exact indexing for support vector machines. In Proceedings of the
2011 ACM SIGMOD International Conference on Management of data (SIGMOD '11). ACM, New York, NY, USA, 709-720.
KITCHIN, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. London: Sage. ISBN:978-1-4462-8747-7.
LARSEN, K., (2005). Generalized Naive Bayes Classifiers. SIGKDD Explor. Newsl. 7, 1 (une 2005, 76-81. DOI=http://dx.doi.org/10.1145/1089815.1089826.
LINDEN, R. (2008). Algoritmos Genéticos (2a edição ), ISBN 8574523739, Brasport, 2008.
LOU, Y. (2012). Intelligible models for classification and regression. In Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '12). ACM, New York, NY, USA, 150-158.
NORVIG, P. and RUSSELL, S. (2014). Inteligência Artificial: Tradução da 3a Edição . ISBN 8535251413, Elsevier Brasil, 2014.
REZENDE, S. O. (2003), Sistemas inteligentes: fundamentos e aplicações, Ed. Manole Ltda, ISBN 8520416837, 2003.
SAMPAIO, R.F. and MANCINI, M.C. (2007) Estudos de revisão sistemática. Revista Brasileira de Fisioterapia, ISSN 1413-3555, São Carlos, v. 11, n. 1, p. 83-89, 2007.
TAN, P. (2013). Introduction to Data Mining: What's New in Computer Science Series. ISBN 0133128903. Pearson, 2013.
AMARAL, F. (2016). Introdução à Ciência de Dados: mineração de dados e big data. Elsevier / Alta books. 2016.
ARABIE, P. and SOETE, G. (1996). Clustering and Classification. World Scientific ed., ISBN 9810212879, 1996.
BORGMAN, C. L. (2009). The digital future is now: a call to action for the humanities. Digital Humanities Quarterly (DHQ), 3(4), 1–30.
CAMBRIDGE U. (2017). CDH: Cambridge Digital Humanities. University of Cambridge, 2017. Disponível em https://www.digitalhumanities.cam.ac.uk/, acesso em 08/05/2018.
DEMCHENKO, Y. (2013). Addressing Big Data issues in scientific data infrastructure. International Conference on Collaboration Technologies and Systems (CTS) 2013.
EVANS, L. and REES, S. (2012). An interpretation of digital humanities. In D. M. Berry (Ed.), Understanding digital humanities (pp. 21–41). Houndmills, Basingstoke, Hampshire: Palgrave Macmillan, 2012.
FONSECA, E. (2008). k-RNN: k-relational nearest neighbour algorithm. In Proceedings of the 2008 ACM Symp. on Applied Computing (SAC '08). ACM, NY, USA, 944-948.
FOSTER, I. (2016). Big Data and Social Science: A Practical Guide to Methods and Tools, Chapman and Hall/CRC Press, 2016. ISBN 9781498751407.
FURNKRANZ, J. (2012) Foundations of Rule Learning. Cognitive Technologies, Springer Science & Business Media ed., ISBN 3540751971, 2012.
HAN J. (2011). Data Mining: Concepts and Techniques. Ed. 3. ISBN 0123814804. Elsevier, 2011.
HAYKIN (2001). Redes Neurais - 2ed, ISBN 8573077182, Bookman Companhia Ed, 2001. HWANJO, Y. (2011). Exact indexing for support vector machines. In Proceedings of the
2011 ACM SIGMOD International Conference on Management of data (SIGMOD '11). ACM, New York, NY, USA, 709-720.
KITCHIN, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. London: Sage. ISBN:978-1-4462-8747-7.
LARSEN, K., (2005). Generalized Naive Bayes Classifiers. SIGKDD Explor. Newsl. 7, 1 (une 2005, 76-81. DOI=http://dx.doi.org/10.1145/1089815.1089826.
LINDEN, R. (2008). Algoritmos Genéticos (2a edição ), ISBN 8574523739, Brasport, 2008.
LOU, Y. (2012). Intelligible models for classification and regression. In Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '12). ACM, New York, NY, USA, 150-158.
NORVIG, P. and RUSSELL, S. (2014). Inteligência Artificial: Tradução da 3a Edição . ISBN 8535251413, Elsevier Brasil, 2014.
REZENDE, S. O. (2003), Sistemas inteligentes: fundamentos e aplicações, Ed. Manole Ltda, ISBN 8520416837, 2003.
SAMPAIO, R.F. and MANCINI, M.C. (2007) Estudos de revisão sistemática. Revista Brasileira de Fisioterapia, ISSN 1413-3555, São Carlos, v. 11, n. 1, p. 83-89, 2007.
TAN, P. (2013). Introduction to Data Mining: What's New in Computer Science Series. ISBN 0133128903. Pearson, 2013.
Publicado
22/11/2019
Como Citar
GONTIJO, João Victor; GOMES, Alan Keller.
Algoritmos de aprendizado de máquina nas humanidades digitais: um mapeamento suporte para revisão de literatura. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 7. , 2019, Goiânia.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 313-322.
