Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.038
Aluno: Thiago Batista Rodrigues Silva
Orientador: Prof. Ricardo Bastos Cavalcante Prudêncio
Co-orientador: Prof. André Câmara Alves do Nascimento (UFRPE/Depto. de Computação)
Título: Predição de compatibilidade entre cultivares em processos de
enxertia: um estudo comparativo de técnicas baseadas em sistemas de
recomendação
Data: 12/08
Hora/Local: 09:00 – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Ricardo Bastos Cavalcante Prudêncio (UFPE / Centro de Informática)
Prof. Douglas Veras e Silva (UFRPE / Departamento de Computação)
Profa. Rosimar dos Santos Musser (UFRPE/Departamento de Agronomia)
RESUMO:
A viticultura é a ciência que estuda o cultivo da uva para produção de sucos, vinhos e outros
derivados. Tanto os produtos quanto a cadeia produtiva possuem elevada importância socioeconômica e cultural em grande parte do mundo. Recentemente, técnicas de enxertia vêm sendo aplicadas para aumentar a produtividade e a qualidade no setor, no entanto, o processo para encontrar cultivares de porta-enxerto que sejam compatíveis com enxertos de videiras é essencialmente experimental, lento e custoso. Embora a utilização de aprendizagem de máquina no Agronegócio não seja novidade, a literatura carece de trabalhos que demonstrem a aplicabilidade dessa técnica para apoiar especificamente processos de enxertia. Este trabalho, por meio de uma perspectiva de Sistema de Recomendação, oferece uma comparação entre abordagens de predição e de classificação para o problema da seleção de cultivares de enxerto e porta-enxerto. Além disso, também avalia os desempenhos de algoritmos baseados em filtragem colaborativa com os de algoritmos baseados em métodos de Kernel, para as tarefas de predição de ratings e de classificação de interações. Ao todo, 17 modelos baseados em algoritmos de filtragem colaborativa e métodos de kernel foram avaliados em um conjunto de dados de 251 interações rotuladas, atingindo o valor máximo de 96% para a métrica f1-score. Os resultados indicaram uma vantagem significativa para a abordagem de classificação, especialmente para os modelos baseados em kernel, bem como a viabilidade de uma ferramenta de apoio à decisão para orientar as escolhas de especialistas das melhores cultivares para enxertia.
Palavras-chave: Inteligência artificial. Aprendizagem de máquina. Aprendizagem supervisionada.Sistemas de recomendação. Filtragem colaborativa. Ferramenta de suporte à decisão.Agroinformática. Enxertia. Compatibilidade de copas e porta-enxertos.
Comentários desativados